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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00