当前位置:首页 > 文章列表 > 文章 > python教程 > Python3.12弃用unittest,pytest重构教程

Python3.12弃用unittest,pytest重构教程

2026-05-11 19:58:11 0浏览 收藏
Python 3.12正式废弃了unittest.TestCase.runTest方法,触发DeprecationWarning并预告未来彻底移除,标志着传统动态测试模式(如基于runTest的参数化或框架封装)已不再被官方支持;本文直击痛点,提供从unittest到pytest平滑迁移的实战指南——无需继承、去掉self、用原生assert替代断言方法,同时详解setUp/tearDown、参数化、跳过、异常捕获等关键场景的对应转换方案,并提醒pytest.ini配置、文件命名约定、fixture重构及覆盖率工具兼容性等易忽略却至关重要的细节,助你高效拥抱更简洁、灵活、可持续的现代测试实践。

如何处理Python 3.12中废弃的unittest方法报警_使用pytest重构用例

为什么unittest.TestCase.runTest在Python 3.12里报DeprecationWarning

Python 3.12正式废弃了unittest.TestCase.runTest方法——它曾被用来动态定义测试逻辑(比如在基类中重写runTest再通过TestCase(methodName='runTest')构造实例)。现在调用会触发DeprecationWarning: TestCase.runTest() is deprecated,且未来版本会直接移除。

这不是误报,而是CPython明确标记的废弃路径。如果你的项目还依赖这种写法(常见于老式参数化测试、动态测试生成或某些测试框架封装层),升级到3.12后必须改。

直接替换为pytest是更可持续的选择:它不依赖TestCase类结构,天然支持函数式测试和灵活参数化,也避免了这类API生命周期绑定问题。

把unittest.TestCase子类快速转成pytest函数

核心原则:丢掉继承、去掉self、把assert*换成原生assert语句。pytest能自动识别test_*命名的函数,并处理断言失败时的详细输出(包括变量值展开)。

  • 删掉import unittest和class TestFoo(unittest.TestCase):声明
  • 把每个def test_something(self):改成def test_something():(无参数)
  • 把self.assertEqual(a, b)换成assert a == b;self.assertIn(x, y) → assert x in y
  • 若原测试用了setUp/tearDown,改用@pytest.fixture作用域控制,或直接内联初始化/清理逻辑

示例:

# 旧 unittest 写法
class TestCalc(unittest.TestCase):
    def setUp(self):
        self.calc = Calculator()
    def test_add(self):
        self.assertEqual(self.calc.add(2, 3), 5)
# 新 pytest 写法
def test_add():
    calc = Calculator()
    assert calc.add(2, 3) == 5

处理unittest特有模式:参数化、跳过、预期异常

pytest原生支持这些,但语法和行为有差异,容易踩坑:

  • @unittest.skip → 改用@pytest.mark.skip或@pytest.mark.skipif(condition);注意reason参数名不变,但必须显式传参,不能省略
  • 参数化:unittest靠subTest或第三方库,而pytest用@pytest.mark.parametrize("a,b,expected", [(1,2,3), (0,0,0)]),参数名必须与函数签名严格匹配
  • 预期异常:with self.assertRaises(ValueError): → with pytest.raises(ValueError):;但pytest.raises默认不捕获BaseException子类(如SystemExit),需显式加match=或用pytest.raises(..., match=r"xxx")校验消息

特别注意:subTest在pytest里没有直接等价物——它本质是unittest的“嵌套测试报告”机制,pytest靠参数化+清晰的用例命名替代,不需要模拟嵌套。

运行和兼容性:别漏掉pytest.ini和conftest.py

直接跑pytest命令可能因默认配置导致行为变化:

  • 默认不收集*_test.py或test_*.py以外的文件,确认你的测试文件名符合约定;否则在pytest.ini里加python_files = *_test.py test_*.py mytests.py
  • 如果有全局fixture(比如DB连接、mock配置),别放在unittest的setUpClass里,统一移到conftest.py中用@pytest.fixture(scope="session")
  • pytest默认开启--tb=short,但若你依赖完整traceback(比如CI日志分析),加--tb=long到addopts

迁移后务必验证覆盖率工具是否仍能识别新测试——有些旧版coverage.py对pytest支持不全,建议升级到6.0+并检查pyproject.toml中[tool.coverage.run]的source和omit配置是否覆盖新路径。

最易忽略的是隐式依赖unittest内部状态的代码,比如手动调用TestCase.__init__或修改_outcome属性。这类代码必须重写,pytest不提供对应钩子,强行兼容只会拖慢迁移节奏。

本篇关于《Python3.12弃用unittest,pytest重构教程》的介绍就到此结束啦,但是学无止境,想要了解学习更多关于文章的相关知识,请关注golang学习网公众号!

菜鸟取件码查询方法及步骤菜鸟取件码查询方法及步骤
上一篇
菜鸟取件码查询方法及步骤
Golang TLS证书配置指南
下一篇
Golang TLS证书配置指南
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    286次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    340次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    339次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    305次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    126次使用