


Pytest dan PostgreSQL: Pangkalan data baru untuk setiap ujian (bahagian II)
Dalam siaran sebelumnya, kami mencipta lekapan Pytest yang akan mencipta/menggugurkan pangkalan data Postgres sebelum/selepas kaedah ujian. Dalam bahagian ini, saya ingin memperbaiki lekapan supaya lebih fleksibel dan boleh dikonfigurasikan dengan bantuan Lekapan kilang Pytest.
Had lekapan statik
Sebagai contoh, jika anda mempunyai lebih daripada satu pangkalan data untuk dipermainkan dalam ujian
def test_create_user(test_db1, test_db2): ...
anda mesti mencipta hampir dua lekapan yang sama:
TEST_DB_URL = "postgresql://localhost" TEST_DB1_NAME = "test_foo" TEST_DB2_NAME = "test_bar" @pytest.fixture def test_db1(): with psycopg.connect(TEST_DB_URL, autocommit=True) as conn: cur = conn.cursor() cur.execute(f'DROP DATABASE IF EXISTS "{TEST_DB1_NAME}" WITH (FORCE)') cur.execute(f'CREATE DATABASE "{TEST_DB1_NAME}"') with psycopg.connect(TEST_DB_URL, dbname=TEST_DB1_NAME) as conn: yield conn cur.execute(f'DROP DATABASE IF EXISTS "{TEST_DB1_NAME}" WITH (FORCE)') @pytest.fixture def test_db2(): with psycopg.connect(TEST_DB_URL, autocommit=True) as conn: cur = conn.cursor() cur.execute(f'DROP DATABASE IF EXISTS "{TEST_DB2_NAME}" WITH (FORCE)') cur.execute(f'CREATE DATABASE "{TEST_DB2_NAME}"') with psycopg.connect(TEST_DB_URL, dbname=TEST_DB2_NAME) as conn: yield conn cur.execute(f'DROP DATABASE IF EXISTS "{TEST_DB2_NAME}" WITH (FORCE)')
Kilang lekapan Pytest
Lekapan "Statik" agak terhad di sini. Apabila diperlukan hampir sama dengan hanya sedikit perbezaan, anda perlu menduplikasi kod. Mudah-mudahan, Pytest mempunyai konsep kilang sebagai lekapan.
Lekapan kilang ialah lekapan yang mengembalikan lekapan lain. Kerana, seperti setiap kilang, ia adalah satu fungsi, ia boleh menerima hujah untuk menyesuaikan lekapan yang dikembalikan. Mengikut konvensyen, anda boleh mengawalnya dengan make_*, seperti make_test_db.
Lekapan khusus
Satu-satunya hujah untuk make_test_db kilang lekapan kami ialah nama pangkalan data ujian untuk dibuat/digugurkan.
Jadi, mari kita cipta dua lekapan "khusus" berdasarkan lekapan kilang make_test_db.
Penggunaan akan kelihatan seperti:
@pytest.fixture def test_db_foo(make_test_db): yield from make_test_db("test_foo") @pytest.fixture def test_db_bar(make_test_db): yield from make_test_db("test_bar")
Sidenote: hasil daripada
Adakah anda perasan hasil daripada? Terdapat perbezaan utama antara hasil dan hasil daripada cara mereka mengendalikan aliran data dan kawalan dalam penjana.
Dalam Python, kedua-dua hasil dan hasil daripada digunakan dalam fungsi penjana untuk menghasilkan jujukan nilai, tetapi
- hasil digunakan untuk menjeda pelaksanaan fungsi penjana dan mengembalikan satu nilai kepada pemanggil.
- sementara hasil daripada digunakan untuk mewakilkan penjanaan nilai kepada penjana lain. Ia pada asasnya "meratakan" penjana bersarang, menghantar nilai terhasilnya terus kepada pemanggil penjana luar.
Iaitu, kami tidak mahu "menghasilkan" daripada lekapan khusus tetapi dari kilang lekapan. Oleh itu hasil daripada diperlukan di sini.
Kilang lekapan untuk mencipta/menggugurkan pangkalan data
Perubahan yang diperlukan pada pangkalan data mencipta/menggugurkan lekapan asal kami sebenarnya hampir tiada kecuali membungkus kod ke fungsi dalaman.
@pytest.fixture def make_test_db(): def _(test_db_name: str): with psycopg.connect(TEST_DB_URL, autocommit=True) as conn: cur = conn.cursor() cur.execute(f'DROP DATABASE IF EXISTS "{test_db_name}" WITH (FORCE)') # type: ignore cur.execute(f'CREATE DATABASE "{test_db_name}"') # type: ignore with psycopg.connect(TEST_DB_URL, dbname=test_db_name) as conn: yield conn cur.execute(f'DROP DATABASE IF EXISTS "{test_db_name}" WITH (FORCE)') # type: ignore yield _
Bonus: Tulis semula lekapan migrasi sebagai lekapan kilang
Di bahagian sebelumnya, saya juga mempunyai lekapan yang menggunakan migrasi Yoyo untuk mencipta pangkalan data kosong. Ia juga tidak begitu fleksibel. Mari kita lakukan perkara yang sama dan bungkus kod sebenar ke fungsi dalaman.
Dalam kes ini, kerana kod tidak perlu melakukan pembersihan selepas pemulangan daripada kaedah ujian (tiada hasil di dalamnya),
- Lekapan kilang mengembalikan (bukan hasil) fungsi dalaman
- panggilan lekapan khusus (bukan hasil daripada) lekapan kilang
@pytest.fixture def make_yoyo(): """Applies Yoyo migrations to test DB.""" def _(test_db_name: str, migrations_dir: str): url = ( urlparse(TEST_DB_URL) . _replace(scheme="postgresql+psycopg") . _replace(path=test_db_name) .geturl() ) backend = get_backend(url) migrations = read_migrations(migrations_dir) if len(migrations) == 0: raise ValueError(f"No Yoyo migrations found in '{migrations_dir}'") with backend.lock(): backend.apply_migrations(backend.to_apply(migrations)) return _ @pytest.fixture def yoyo_foo(make_yoyo): migrations_dir = str(Path(__file__, "../../foo/migrations").resolve()) make_yoyo("test_foo", migrations_dir) @pytest.fixture def yoyo_bar(make_yoyo): migrations_dir = str(Path(__file__, "../../bar/migrations").resolve()) make_yoyo("test_bar", migrations_dir)
Kaedah ujian yang memerlukan dua pangkalan data dan menggunakan migrasi kepada mereka:
from psycopg import Connection def test_get_new_users_since_last_run( test_db_foo: Connection, test_db_bar: Connection, yoyo_foo, yoyo_bar): test_db_foo.execute("...") ...
Kesimpulan
Membina kilang lekapan anda sendiri mencipta dan menggugurkan pangkalan data untuk kaedah Pytest sebenarnya merupakan latihan yang baik untuk mengamalkan penjana Python dan hasil/hasil daripada pengendali.
Saya harap artikel ini membantu anda dengan suite ujian pangkalan data anda sendiri. Sila tinggalkan saya soalan anda dalam komen dan selamat mengekod!
Atas ialah kandungan terperinci Pytest dan PostgreSQL: Pangkalan data baru untuk setiap ujian (bahagian II). Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Tutorial ini menunjukkan cara menggunakan Python untuk memproses konsep statistik undang -undang ZIPF dan menunjukkan kecekapan membaca dan menyusun fail teks besar Python semasa memproses undang -undang. Anda mungkin tertanya -tanya apa maksud pengedaran ZIPF istilah. Untuk memahami istilah ini, kita perlu menentukan undang -undang Zipf. Jangan risau, saya akan cuba memudahkan arahan. Undang -undang Zipf Undang -undang Zipf hanya bermaksud: Dalam korpus bahasa semulajadi yang besar, kata -kata yang paling kerap berlaku muncul kira -kira dua kali lebih kerap sebagai kata -kata kerap kedua, tiga kali sebagai kata -kata kerap ketiga, empat kali sebagai kata -kata kerap keempat, dan sebagainya. Mari kita lihat contoh. Jika anda melihat corpus coklat dalam bahasa Inggeris Amerika, anda akan melihat bahawa perkataan yang paling kerap adalah "th

Artikel ini menerangkan cara menggunakan sup yang indah, perpustakaan python, untuk menghuraikan html. Ia memperincikan kaedah biasa seperti mencari (), find_all (), pilih (), dan get_text () untuk pengekstrakan data, pengendalian struktur dan kesilapan HTML yang pelbagai, dan alternatif (sel

Berurusan dengan imej yang bising adalah masalah biasa, terutamanya dengan telefon bimbit atau foto kamera resolusi rendah. Tutorial ini meneroka teknik penapisan imej di Python menggunakan OpenCV untuk menangani isu ini. Penapisan Imej: Alat yang berkuasa Penapis Imej

Fail PDF adalah popular untuk keserasian silang platform mereka, dengan kandungan dan susun atur yang konsisten merentasi sistem operasi, peranti membaca dan perisian. Walau bagaimanapun, tidak seperti Python memproses fail teks biasa, fail PDF adalah fail binari dengan struktur yang lebih kompleks dan mengandungi unsur -unsur seperti fon, warna, dan imej. Mujurlah, tidak sukar untuk memproses fail PDF dengan modul luaran Python. Artikel ini akan menggunakan modul PYPDF2 untuk menunjukkan cara membuka fail PDF, mencetak halaman, dan mengekstrak teks. Untuk penciptaan dan penyuntingan fail PDF, sila rujuk tutorial lain dari saya. Penyediaan Inti terletak pada menggunakan modul luaran PYPDF2. Pertama, pasangkannya menggunakan PIP: Pip adalah p

Tutorial ini menunjukkan cara memanfaatkan caching redis untuk meningkatkan prestasi aplikasi python, khususnya dalam rangka kerja Django. Kami akan merangkumi pemasangan Redis, konfigurasi Django, dan perbandingan prestasi untuk menyerlahkan bene

Artikel ini membandingkan tensorflow dan pytorch untuk pembelajaran mendalam. Ia memperincikan langkah -langkah yang terlibat: penyediaan data, bangunan model, latihan, penilaian, dan penempatan. Perbezaan utama antara rangka kerja, terutamanya mengenai grap pengiraan

Tutorial ini menunjukkan mewujudkan struktur data saluran paip tersuai di Python 3, memanfaatkan kelas dan pengendali yang berlebihan untuk fungsi yang dipertingkatkan. Fleksibiliti saluran paip terletak pada keupayaannya untuk menggunakan siri fungsi ke set data, GE

Python, kegemaran sains dan pemprosesan data, menawarkan ekosistem yang kaya untuk pengkomputeran berprestasi tinggi. Walau bagaimanapun, pengaturcaraan selari dalam Python memberikan cabaran yang unik. Tutorial ini meneroka cabaran -cabaran ini, memberi tumpuan kepada Interprete Global
