
来源:AirPython
作者:星安果
1. 前言
微服务架构下,由于各类服务开发进度的不一致,导致联调工作经常会存在不确定性,进而导致项目延期
在实际工作中,为了保证项目进度,我们经常需要针对部分未完成模块及不稳定模块采用 Mock 方式,以验证已开发完的模块
本篇文章将介绍 Python 实现 Mock 的几种常见方式
Mock 测试:在测试验证过程中,对于那些尚未完成或不稳定的对象,用一个虚拟对象来替代,以便测试的测试方法
因此,这个虚拟的对象是 Mock 对象,Mock 对象是真实对象在调试期间的代替品
它的优势包含:
在 Python 3.3 之前使用 mock,需要先安装依赖
# 安装mock依赖
pip3 install mock
假设 Product 类中有 2 个方法
其中,get_product_status_by_id 方法还没有实现;buy_product 方法依赖于
get_product_status_by_id 方法的返回值
# product_impl.py
class Product(object):
def __init__(self):
pass
def get_product_status_by_id(self, product_id):
"""
通过商品id获取产品信息(Mock)
:return:
"""
# 待实现查询数据库的业务逻辑
pass
def buy_product(self, product_id):
"""
购买产品(真实逻辑)
:return:
"""
# 产品信息
# {"id":1,"name":"苹果","num":23}
product = self.get_product_status_by_id(product_id)
if product.get("num") >= 1:
result = {"status": 0, "msg": "购买成功!"}
else:
result = {"status": 1, "msg": "购买失败,库存不足!"}
return result
Mock 的步骤如下:
导入使用 mock 中的 patch 方法作为测试方法的装饰器,对 get_product_status_by_id
方法进行 Mock,方法参数为 Mock 对象测试方法中,对该 Mock 对象设置一个返回值调用并断言from
mock import patch from mock_.product_impl import Product @patch('mock_.product_impl
.Product.get_product_status_by_id') def test_succuse(mock_get_product_status_by_id):
# Mock方法,指定一个返回值 mock_get_product_status_by_id.return_value =
{"id": 1, "name": "苹果", "num": 23} product = Product() assert product.buy_product(1).get("status") == 0 需要注意的是,
Mock 此方法的时候,必须制定该方法的完整路径使用 @patch.object 同样能完成 Mock,
不同的是,@patch.object 包含 2 个参数第一个参数为该方法所在的类;第二个参数为方法名from
mock import patch from mock_.product_impl import Product # Mock一个方法 # @patch.object:
对象、方法名 @patch.object(Product, 'get_product_status_by_id') def test_succuse
(mock_get_product_status_by_id):
# Mock方法,指定一个返回值 mock_get_product_status_by_id.return_value =
{"id": 1, "name": "苹果", "num": 23}
product = Product() assert product.buy_product(1).get("status") == 0
Python 3.3 之后,mock 作为标准库,已经内置到 unittest 中了
还是以 3.1 的场景为例,使用 unittest 编写一个测试用例
Mock 步骤如下:
import unittest
from unittest import mock
from unittest_mock.product_impl import Product
class TestProduct(unittest.TestCase):
def test_success(self):
# 成功结果
mock_success_value = {"id": 1, "name": "苹果", "num": 23}
product = Product()
product.get_product_status_by_id = mock.Mock(return_value=mock_success_value)
# 调用实际函数
assert product.buy_product(1).get("status") == 0
if __name__ == "__main__":
unittest.main()
相比 unittest,pytest 由于强大的插件支持,用户群体可能更大!
如果项目本身使用的框架是 pytest,则 Mock 更建议使用 pytest-mock 这个插件
# pytest依赖
pip3 install pytest
Mock 步骤如下:
import pytest
from pytest_mock_.product_impl import Product
def test_buy_product_success(mocker):
"""
购买成功Mock
:param mocker:
:return:
"""
# 实例化一个产品对象
product = Product()
# 对Product中的方法的返回值进行Mock
mock_value = {"id": 1, "name": "苹果", "num": 23}
# Mock方法
# 注意:需要指定方法的完整路径
# mocker.patch 的第一个参数必须是模拟对象的具体路径,第二个参数用来指定返回值
product.get_product_status_by_id = mocker.patch("product_impl.Product.get_product_status_by_id",
return_value=mock_value)
# 调用购买产品的方法
result = product.buy_product(1)
assert result.get("status") == 0
需要注意的是,mocker.patch 方法第一个参数必须是 Mock 对象的完整路径
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29