Python单元测试

Python单元测试：告别“手动点点点”的自动化之道

在Python开发的世界里，我们常常陷入一种循环：写代码 -> 运行 -> 发现Bug -> 修Bug -> 运行 -> 发现新Bug。如果你的测试方式还停留在写几个 print() 或者在浏览器里手动点击按钮，那么当项目代码量超过几千行时，这种“手工测试”将成为你最大的噩梦。

单元测试，就是拯救你于水火之中的“自动化疫苗”。我们来聊聊如何用 Python 的测试工具，构建坚不可摧的代码防线。

为什么你需要单元测试？

想象一下，你正在开发一个电商系统。你刚修复了“购物车结算”的一个小错误，结果上线后发现“用户登录”功能挂了。这就是典型的回归错误。

单元测试的核心价值在于：

快速反馈：代码写完即测，不用等到上线。
重构的安全网：想优化代码结构？只要测试全过，你就知道没把核心逻辑改坏。
活文档：测试用例就是最好的API说明书，告诉你这个函数该怎么用。

两大门派：unittest 与 pytest

Python 的测试生态主要由两位“大佬”把持：内置的 unittest 和第三方霸主 pytest。

unittest：学院派的老大哥

它是 Python 的标准库，无需安装。它的风格比较“Java风”，需要写类、继承 unittest.TestCase，代码结构严谨但略显繁琐。

# 传统的 unittest 风格
import unittest

class TestMath(unittest.TestCase):
  	# unittest会自动查找 test_ 前缀的方法，然后进行执行
    def test_add(self):
        self.assertEqual(1 + 1, 2) # 必须用特定的断言方法
    # 初始化数据或清理资源。unittest 提供了 setUp() 和 tearDown() 方法
    def setUp(self):
        # 在每个 test_ 方法执行前运行
        print("连接数据库...")
        self.connection = "mock_db_connection"

    def tearDown(self):
        # 在每个 test_ 方法执行后运行
        print("关闭数据库连接...")
        self.connection = None

if __name__ == '__main__':
    unittest.main()

运行时有两种方式

直接运行脚本
1
python TestMath.py
使用unittest模块的命令行接口
1
python -m unittest TestMath.py

pytest：现代派的极简主义者

这是目前业界的主流选择。它语法简洁，支持直接写函数，自动发现测试文件，且拥有极其丰富的插件生态。

1
2
3

# 现代的 pytest 风格
def test_add():
    assert 1 + 1 == 2 # 直接使用原生断言，简洁明了

建议：新项目直接用 pytest，老项目维护可能会遇到 unittest。

实战：用 pytest 构建测试体系

让我们通过一个简单的“计算器”案例，掌握测试的核心流程。

第一步：编写业务代码

假设我们有一个 calculator.py：

def divide(a, b):
    if b == 0:
        raise ValueError("除数不能为零！")
    return a / b

第二步：编写测试用例

创建 test_calculator.py。注意，测试文件通常以 test_ 开头。

import pytest
from calculator import divide

# 1. 测试正常情况
def test_divide_success():
    assert divide(10, 2) == 5

# 2. 测试异常情况（除零）
def test_divide_by_zero():
    # 验证代码是否抛出了预期的异常
    with pytest.raises(ValueError):
        divide(10, 0)

第三步：运行测试

在终端输入 pytest，你会看到清晰的报告：

1 2	test_calculator.py::test_divide_success PASSED test_calculator.py::test_divide_by_zero PASSED

进阶技巧：参数化与 Mock

当你要测试几十种输入组合，或者代码依赖外部API时，简单的断言就不够用了。

参数化：拒绝重复代码

如果你想测试 1+1=2, 2+2=4, 3+3=6，不用写三个函数，用 @pytest.mark.parametrize 即可：

import pytest

@pytest.mark.parametrize("a, b, expected", [
    (1, 1, 2),
    (2, 2, 4),
    (3, 3, 6)
])
def test_add(a, b, expected):
    assert a + b == expected

Mock：隔离外部依赖

如果你的代码需要调用微信API或数据库，测试时肯定不想真的发一条微信或修改数据库。这时需要用 Mock（模拟对象）来“伪造”外部服务。

# 假设 get_user_info 调用了真实的网络请求
def test_get_user_info(mocker):
    # 伪造一个返回值为 {'name': 'Alice'} 的响应
    mock_response = mocker.Mock()
    mock_response.json.return_value = {'name': 'Alice'}
    
    # 替换掉真实的请求函数
    mocker.patch("requests.get", return_value=mock_response)
    
    # 此时运行测试，不会真的联网
    result = get_user_info(123)
    assert result['name'] == 'Alice'

避坑指南：测试的“三不原则”

很多新手写了测试，但写成了“负资产”。请遵守以下原则：

不要测试“实现细节”

错误做法：测试某个私有变量是不是等于5。
正确做法：测试函数的输入输出是否符合预期。只要结果对，内部怎么变都行。

不要有测试依赖

错误做法：测试B必须在测试A运行成功后才能跑。
正确做法：每个测试都是独立的。测试顺序不应该影响结果。

不要忽视边界条件

不要只测正常数据。空列表、负数、超长字符串、None 值，这些才是Bug的藏身之处。

总结：从“点点点”到自动化

单元测试不仅仅是找Bug，更是一种设计思维。当你发现一个函数很难写测试时，通常意味着这个函数功能太杂、耦合太重，需要重构了。

最佳实践工作流：

写一个失败的测试（红）。
写最少的代码让测试通过（绿）。
优化代码结构（重构）。