Requests项目中的pytest.warns(None)兼容性问题解析
在Requests项目的测试代码中,存在一个与pytest警告捕获相关的兼容性问题。这个问题源于pytest 8.0版本对警告捕获机制的变更,特别是对pytest.warns(None)用法的废弃。
问题背景
Requests项目的测试套件中有一处使用了pytest.warns(None)的代码,其本意可能是想验证某个操作不会产生任何警告。然而,这种用法实际上并不符合pytest的设计意图。
在pytest 8.0之前,pytest.warns(None)的行为被设计为检查代码是否至少产生一个任意类型的警告,这与pytest.warns()或pytest.warns(Warning)的效果相同。这种设计实际上与开发者直觉相反,因为很多人误以为它可以用来验证"没有警告产生"的情况。
技术细节分析
pytest 8.0版本明确废弃了pytest.warns(None)的用法,并会在使用时抛出TypeError异常:"exceptions must be derived from Warning, not <class 'NoneType'>"。这是pytest团队为了消除API歧义而做出的改进。
在Requests的测试代码中,这个用法出现在验证HTTP连接池行为的测试用例中。原始代码试图捕获urllib3库可能产生的警告,但随着依赖库版本的更新和pytest本身的变更,这种写法已经不再适用。
解决方案
最简单的修复方法是直接移除pytest.warns(None)的用法。根据测试验证,在pytest 8.1.1和urllib3 2.0以下版本的环境中,这种修改能够解决问题。
对于确实需要验证"没有警告产生"的场景,正确的做法是使用pytest的警告捕获机制配合断言来检查警告列表是否为空。不过在当前Requests的测试上下文中,直接移除该检查可能是更合适的选择,因为其原始意图可能并非严格验证无警告产生。
最佳实践建议
- 避免使用
pytest.warns(None),因为它已被废弃且行为不符合直觉 - 如果需要验证特定警告,明确指定警告类型
- 对于"无警告"验证,考虑使用pytest的警告过滤器或显式检查警告列表
- 保持测试依赖项的版本更新,及时处理废弃API的迁移
这个案例提醒我们,测试代码也需要像生产代码一样保持更新,特别是当依赖的测试框架发生重大变更时,需要及时调整测试策略和实现方式。
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