Pytest 实战指南：从基础到高阶，解锁高效测试全流程

1. 为什么你需要Pytest？

刚接手一个新项目时，最头疼的就是如何快速搭建可靠的测试体系。我见过太多项目因为缺乏良好的测试覆盖，导致每次修改代码都像在走钢丝。而Pytest就像给你的代码系上了安全带，它能让你在修改代码时心里有底。

记得我第一次用Pytest时，就被它的简洁震惊了。原本需要几十行代码才能完成的测试，用Pytest可能只需要几行。比如测试一个简单的加法函数：

python复制def test_add():
    assert 1 + 1 == 2

就这么简单！不需要继承任何类，不需要记住各种断言方法，一个普通的Python函数加上assert语句就搞定了。这种直观的写法让我从此爱上了写测试。

2. 从零搭建Pytest测试环境

2.1 安装与配置

安装Pytest简单到令人发指：

bash复制pip install pytest

但真正让Pytest强大的是它的插件系统。我建议一开始就安装这几个必备插件：

bash复制pip install pytest-cov pytest-xdist pytest-html

• pytest-cov：测试覆盖率报告
• pytest-xdist：并行测试加速
• pytest-html：生成漂亮的HTML报告

配置方面，我习惯在项目根目录下创建pytest.ini文件：

ini复制[pytest]
addopts = -v --cov=src --cov-report=html
python_files = test_*.py

这样每次运行测试都会自动生成覆盖率报告，而且只查找test_开头的测试文件。

2.2 项目结构规划

好的项目结构能让测试事半功倍。我推荐这样组织：

code复制project/
├── src/          # 源代码
├── tests/        # 测试代码
│   ├── unit/     # 单元测试
│   ├── integration/ # 集成测试
│   └── conftest.py # 共享fixture
├── pytest.ini    # 配置文件
└── requirements.txt

特别要注意conftest.py这个文件，它是Pytest的魔法文件，可以存放项目中所有测试共享的fixture。

3. 编写你的第一个测试套件

3.1 基础测试函数

假设我们有个计算器类：

python复制# src/calculator.py
class Calculator:
    def add(self, a, b):
        return a + b
    
    def divide(self, a, b):
        if b == 0:
            raise ValueError("除数不能为零")
        return a / b

对应的测试可以这样写：

python复制# tests/unit/test_calculator.py
from src.calculator import Calculator

def test_add():
    calc = Calculator()
    assert calc.add(2, 3) == 5

def test_divide():
    calc = Calculator()
    assert calc.divide(6, 3) == 2

3.2 异常测试

测试异常情况也很简单：

python复制import pytest

def test_divide_by_zero():
    calc = Calculator()
    with pytest.raises(ValueError) as excinfo:
        calc.divide(1, 0)
    assert "除数不能为零" in str(excinfo.value)

pytest.raises可以捕获预期的异常，还能检查异常信息是否符合预期。

4. 进阶测试技巧

4.1 参数化测试

当需要测试多组输入时，参数化是救星：

python复制@pytest.mark.parametrize("a,b,expected", [
    (1, 1, 2),
    (2, 3, 5),
    (100, 200, 300)
])
def test_add_parametrize(a, b, expected):
    assert Calculator().add(a, b) == expected

这样同一个测试会运行三次，分别测试不同的输入组合。

4.2 Fixture的妙用

Fixture是Pytest最强大的功能之一。比如我们需要在每个测试前创建一个新的Calculator实例：

python复制@pytest.fixture
def calculator():
    return Calculator()

def test_add_with_fixture(calculator):
    assert calculator.add(2, 3) == 5

更复杂的fixture还可以管理数据库连接：

python复制@pytest.fixture
def db_connection():
    conn = create_db_connection()
    yield conn  # 测试执行时使用这个conn
    conn.close()  # 测试结束后清理

5. 实战：构建完整测试工作流

5.1 测试覆盖率监控

配置好pytest-cov后，运行：

bash复制pytest --cov=src --cov-report=term-missing

这会显示哪些代码没有被测试覆盖，帮助我们查漏补缺。

5.2 并行测试加速

对于大型测试套件，使用pytest-xdist可以大幅缩短测试时间：

bash复制pytest -n auto  # 自动使用所有CPU核心

5.3 生成HTML报告

bash复制pytest --html=report.html

生成的报告包含测试结果概览、失败详情等，非常适合团队分享。

6. 常见问题与解决方案

6.1 测试依赖问题

有时测试需要依赖外部服务，这时可以用标记来分类：

python复制@pytest.mark.integration
def test_api_call():
    # 测试外部API
    pass

然后可以单独运行：

bash复制pytest -m "not integration"  # 跳过集成测试

6.2 随机测试失败

对于偶发失败的测试，可以用flaky标记：

python复制@pytest.mark.flaky(reruns=3)
def test_unstable_api():
    # 如果失败会自动重试3次
    pass

6.3 测试数据管理

我习惯把测试数据放在单独的JSON或YAML文件中：

python复制import json

@pytest.fixture
def test_data():
    with open("tests/data/test_cases.json") as f:
        return json.load(f)

def test_with_data(test_data):
    for case in test_data:
        assert some_function(case["input"]) == case["expected"]

7. 高级技巧：自定义插件

当现有功能不够用时，可以自己写插件。比如这个简单的插件会在测试开始时打印信息：

python复制# conftest.py
def pytest_runtest_logstart(nodeid, location):
    print(f"\n开始测试: {nodeid}")

更复杂的插件可以修改测试行为、添加命令行选项等。Pytest的插件系统非常灵活，几乎可以扩展任何功能。

8. 集成到CI/CD流程

成熟的测试流程应该集成到CI中。这是GitHub Actions的配置示例：

yaml复制name: Python Tests

on: [push, pull_request]

jobs:
  test:
    runs-on: ubuntu-latest
    steps:
    - uses: actions/checkout@v2
    - name: Set up Python
      uses: actions/setup-python@v2
    - name: Install dependencies
      run: pip install pytest pytest-cov
    - name: Run tests
      run: pytest --cov=src --cov-report=xml
    - name: Upload coverage
      uses: codecov/codecov-action@v1

这样每次代码提交都会自动运行测试并上传覆盖率报告。

9. 性能测试实践

Pytest也可以做简单的性能测试：

python复制@pytest.mark.benchmark
def test_performance(benchmark):
    result = benchmark(lambda: some_heavy_function())
    assert result < 100  # 执行时间应小于100ms

配合pytest-benchmark插件，可以得到详细的性能分析报告。

10. 测试策略建议

在实际项目中，我建议采用分层测试策略：

1. 单元测试：覆盖所有核心逻辑
2. 集成测试：验证模块间交互
3. 端到端测试：关键用户流程
4. 性能测试：核心接口响应时间

Pytest可以很好地支持所有这些测试类型。关键是保持测试的快速反馈和可维护性。