Python Unit Test Reporting to TeamCity 技术文档
本文档旨在帮助用户了解如何使用 teamcity-messages 项目,将 Python 单元测试结果报告到 TeamCity 持续集成服务器。文档内容包括安装指南、使用说明、API 使用文档以及项目安装方式。
1. 安装指南
使用 pip 安装
你可以通过 pip 命令安装 teamcity-messages 包:
pip install teamcity-messages
从源码安装
你也可以从源码安装该项目:
python setup.py install
2. 项目的使用说明
teamcity-messages 包通过发送服务消息来向 TeamCity 报告构建状态。以下是如何在不同测试框架中使用该包的说明。
unittest
如果你使用 Python 自带的 unittest 框架,可以通过修改测试运行器来集成 TeamCity 报告功能:
import unittest
from teamcity import is_running_under_teamcity
from teamcity.unittestpy import TeamcityTestRunner
class Test(unittest.TestCase):
...
if __name__ == '__main__':
if is_running_under_teamcity():
runner = TeamcityTestRunner()
else:
runner = unittest.TextTestRunner()
unittest.main(testRunner=runner)
你也可以在命令行中使用以下命令来运行测试:
python -m teamcity.unittestpy
nose
在 TeamCity 构建环境下,nose 的测试状态报告会自动启用。
py.test
在 TeamCity 构建环境下,py.test 的测试状态报告会自动启用。
Django
对于 Django 1.6+,你可以在 settings.py 中修改 TEST_RUNNER 设置,使用 TeamcityDjangoRunner 替代默认的 DiscoverRunner:
TEST_RUNNER = "teamcity.django.TeamcityDjangoRunner"
flake8
在 TeamCity 构建环境下,flake8 的测试状态报告会自动启用。
PyLint
在运行 pylint 时,添加 --output-format=teamcity.pylint_reporter.TeamCityReporter 参数:
pylint --output-format=teamcity.pylint_reporter.TeamCityReporter
tox
在 tox 的测试虚拟环境中传递 TEAMCITY_VERSION 环境变量:
[testenv]
passenv = TEAMCITY_VERSION
Twisted trial
在运行 trial 时,添加 --reporter=teamcity 参数:
trial --reporter=teamcity
Behave
对于 Behave 1.2.6,你可以通过以下代码启用 TeamCity 报告:
from behave.formatter import _registry
from behave.configuration import Configuration
from behave.runner import Runner
from teamcity.jb_behave_formatter import TeamcityFormatter
_registry.register_as("TeamcityFormatter", TeamcityFormatter)
configuration = Configuration()
configuration.format = ["TeamcityFormatter"]
configuration.stdout_capture = False
configuration.stderr_capture = False
Runner(configuration).run()
3. 项目 API 使用文档
teamcity-messages 提供了以下主要 API:
is_running_under_teamcity(): 检查当前是否在 TeamCity 环境下运行。TeamcityTestRunner: 用于unittest框架的测试运行器。TeamcityDjangoRunner: 用于 Django 的测试运行器。TeamcityFormatter: 用于 Behave 的格式化器。
4. 项目安装方式
使用 pip 安装
pip install teamcity-messages
从源码安装
python setup.py install
通过以上步骤,你可以成功安装并使用 teamcity-messages 包,将 Python 单元测试结果报告到 TeamCity 持续集成服务器。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00