Marimo项目中的Pytest路径问题分析与解决方案
2025-05-18 16:12:33作者:胡易黎Nicole
问题背景
在使用Marimo这一交互式Python笔记本工具时,开发者发现当测试文件与主程序文件不在同一目录层级时,Pytest功能会出现异常。具体表现为当测试文件位于marimo_projects目录而主程序位于src目录时,运行测试会报错"file or directory not found"。
问题分析
Marimo在处理Pytest测试时,会尝试获取笔记本文件的相对路径。在原始代码中,Marimo使用os.path.relpath()函数计算笔记本文件相对于项目根目录的路径。然而,这种处理方式会导致Pytest无法正确识别测试文件的位置,特别是当项目结构较为复杂时。
问题的核心在于路径处理逻辑:Marimo获取文件完整路径后,又尝试将其转换为相对于项目根目录的相对路径,这破坏了Pytest查找测试文件所需的完整路径信息。
解决方案
通过分析问题,发现只需直接使用文件的完整路径即可解决此问题。修改方案非常简单:
# 原代码
notebook_path = os.path.relpath(
_maybe_name(), marimo.notebook_location()
)
notebook_path = str(notebook_path)
# 修改后代码
notebook_path = str(_maybe_name())
这一修改确保了Pytest能够获取到测试文件的完整路径,从而正确执行测试。该解决方案已在WSL、Linux和Windows环境下验证有效。
项目结构建议
对于使用Marimo进行开发的项目,建议采用以下目录结构:
项目根目录/
├── marimo_projects/ # 存放Marimo笔记本文件
│ └── 测试文件.py
└── src/ # 存放主程序代码
└── 主程序.py
最佳实践
- 路径处理:在Marimo笔记本中,建议添加路径处理代码,确保Python能够正确找到项目根目录:
import os
import sys
from pathlib import Path
if 'src' in os.getcwd():
os.chdir('../')
if os.getcwd() not in sys.path:
sys.path.append(os.getcwd())
- 测试编写:在Marimo笔记本中编写Pytest测试时,可以直接导入主程序模块并编写测试函数:
import pytest
from src.主程序 import 计算函数
@pytest.mark.parametrize("输入1,输入2,预期结果", [(1,2,3),(2,1,3)])
def test_测试函数(输入1,输入2,预期结果):
assert 计算函数(输入1,输入2) == 预期结果
- 环境配置:确保开发环境中的Python路径设置正确,特别是当项目结构较为复杂时。
总结
Marimo作为一个新兴的交互式Python笔记本工具,在处理复杂项目结构时可能会遇到一些路径相关的问题。通过理解Marimo内部的工作原理和Pytest的测试文件查找机制,开发者可以有效地解决这些问题。本文提供的解决方案不仅修复了Pytest无法找到测试文件的问题,还为Marimo项目的结构组织提供了实用建议。
随着Marimo的持续发展,期待它在处理复杂项目结构和测试集成方面会有更多改进,为数据科学家和Python开发者提供更流畅的开发体验。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
671
156
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217