Методическая разработка «Тестирование данных с помощью библиотеки Pytest»

МУНИЦИПАЛЬНОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ДОПОЛНИТЕЛЬНОГО ОБРАЗОВАНИЯ

«ЦЕНТР ДЕТСКОГО ТЕХНИЧЕСКОГО ТВОРЧЕСТВА»

Методическая разработка

«Тестирование данных с помощью библиотеки Pytest»

к дополнительной общеобразовательной

общеразвивающей программе

технической направленности

«Программирование на Python»

Возраст детей: 10-17 лет

Автор: Костычев Вадим Александрович

г. Заречный Пензенской области

2025 г.

В рамках изучения Python мы углубляемся в тему тестирования программного обеспечения с помощью библиотеки pytest — одного из самых мощных и гибких инструментов для автоматизации тестирования. pytest позволяет эффективно проверять корректность работы кода, от простых функций до сложных приложений, что делает его незаменимым в современной разработке.

Тестирование является важнейшим этапом разработки программного обеспечения, так как помогает:

• Обнаруживать ошибки на ранних этапах.

• Убедиться, что изменения в коде не нарушают существующий функционал.

• Документировать требования к системе через тесты.

Изучение pytest станет важным шагом на пути к освоению профессиональной разработки, где качество кода и надежность системы играют ключевую роль.

Целью данной методической разработки является обучение написанию и использованию автоматических тестов с помощью библиотеки pytest . Учащиеся должны освоить:

• Создание базовых тестов с использованием утверждений (assert).

• Использование фикстур для подготовки данных.

• Параметризацию тестов для проверки множества сценариев.

Данная методическая разработка используется как обучающий пример для работы по дополнительной общеобразовательной общеразвивающей программе технической направленности «Программирование на Python». С их помощью учащиеся смогут применить теоретические знания на практике, научатся писать качественные и надежные программы, а также подготовятся к работе в команде над реальными проектами.

В современном мире программирования надежность и качество кода играют ключевую роль. Программное обеспечение становится все сложнее, а требования к его стабильности — строже. Именно поэтому тестирование является неотъемлемой частью процесса разработки. Оно позволяет разработчикам быть уверенными в том, что их код работает корректно, обнаруживать ошибки на ранних этапах и предотвращать их появление в будущем.

В рамках изучения Python мы углубляемся в тему тестирования с использованием библиотеки pytest — одного из самых мощных и гибких инструментов для автоматизации тестирования. pytest выделяется среди других фреймворков своей простотой, удобством использования и широким набором функций. Он позволяет писать как простые тесты для отдельных функций, так и сложные сценарии для проверки взаимодействия различных компонентов системы.

Тестирование с помощью pytest помогает:

• обнаруживать ошибки: тесты позволяют быстро находить проблемы в коде до того, как они попадут в продакшен.

• защищать код от регрессий: при внесении изменений тесты гарантируют, что существующий функционал продолжает работать корректно.

• документировать требования: тесты служат живой документацией, которая показывает, как должен работать код.

• ускорять разработку: автоматизированные тесты экономят время, которое могло бы быть потрачено на ручную проверку.

Изучение pytest станет важным шагом на пути к освоению профессиональной разработки. Это особенно актуально для тех, кто планирует работать с большими проектами, где качество кода напрямую влияет на успех продукта. Библиотека pytest используется во множестве компаний и проектов, что делает ее навык ценным для будущих разработчиков.

Автоматическое обнаружение тестов

pytest автоматически находит тесты в файлах, которые начинаются с test_ или заканчиваются на _test.py. Например:

• test_example.py

• example_test.py

Тестовые функции также должны начинаться с test_.

# test_example.py

def test_addition():

assert 1 + 1 == 2

Запуск:

pytest

Простой тест

Простые тесты — это основа тестирования. Они проверяют корректность работы отдельных функций или методов. В данном случае мы тестируем функцию add, которая выполняет сложение двух чисел.
Такие тесты важны для:

• Проверки базовой функциональности.

• Обнаружения ошибок в простых операциях.

• Убедиться, что изменения в коде не ломают существующий функционал.

Мы используем утверждения (assert) для проверки ожидаемого результата. Например:

• assert add(2, 3) == 5 проверяет, что сумма 2 и 3 равна 5.

• Для чисел с плавающей точкой используется pytest.approx, так как они могут содержать небольшие погрешности из-за особенностей хранения данных.

import pytest

def add(a, b):
# Функция для сложения двух чисел
return a + b

def test_add():
# Тест проверяет корректность работы функции add
assert add(2, 3) == 5 # Проверяем, что 2 + 3 = 5
assert add(-1, 1) == 0 # Проверяем, что -1 + 1 = 0
assert add(0.1, 0.2) == pytest.approx(0.3) # Для чисел с плавающей точкой используем pytest.approx

if __name__ == '__main__':
pytest.main([t]) # Запускаем тесты в этом файле

Тестирование исключений

Тестирование исключений позволяет убедиться, что программа корректно обрабатывает ошибки. Например, деление на ноль — это типичная ошибка, которая может возникнуть в реальных приложениях.

В этом тесте мы проверяем:

1. Корректное выполнение операции (например, divide(10, 2) должно вернуть 5).

2. Проверку, что при делении на ноль вызывается исключение ValueError.

Использование pytest.raises позволяет нам убедиться, что исключение действительно возникает, и программа не завершается с ошибкой. Это важно для написания надежного кода, который может корректно обрабатывать ошибки.

import pytest

def divide(a, b):
# Функция деления. Вызывает исключение при делении на ноль
if b == 0:
raise ValueError("Деление на ноль")
return a / b


def test_divide():
# Тест проверяет корректность деления
assert divide(10, 2) == 5 # Проверяем, что 10 / 2 = 5

# Проверяем, что при делении на ноль вызывается исключение ValueError
with pytest.raises(ValueError): # pytest.raises проверяет, что указанное исключение было вызвано
divide(10, 0)


if __name__ == '__main__':
import pytest

pytest.main([f]) # Запускаем тесты в этом файле

Фикстуры

Теория

Фикстуры — это функции, которые подготавливают данные или ресурсы для тестов. Они помогают:

• Упростить повторяющиеся операции (например, создание списка или подключение к базе данных).

• Очистить ресурсы после выполнения теста (например, удалить временные файлы).

В данном примере фикстура sample_data возвращает список чисел [1, 2, 3]. Этот список используется в тесте test_sum для проверки суммы элементов.

Фикстуры особенно полезны в более сложных сценариях, таких как работа с базами данных или внешними API, где нужно подготовить данные перед тестированием.

import pytest

@pytest.fixture
def sample_data():
# Фикстура возвращает список чисел для тестов
return [1, 2, 3]

def test_sum(sample_data):
# Тест проверяет сумму элементов списка
assert sum(sample_data) == 6 # Проверяем, что сумма [1, 2, 3] равна 6

if __name__ == '__main__':
import pytest
pytest.main([f]) # Запускаем тесты в этом файле

Фикстуры с настройкой и очисткой

Теория

Фикстуры с настройкой и очисткой позволяют выполнять дополнительные действия до и после теста. Это важно для:

• Создания временных файлов, баз данных или других ресурсов.

• Очистки ресурсов после завершения теста, чтобы не оставлять "мусор" (например, временные файлы).

В данном примере фикстура temp_file:

1. Создает временный файл с данными.

2. Возвращает имя файла для использования в тесте.

3. Удаляет файл после завершения теста.

Этот подход гарантирует, что тесты не зависят друг от друга и не влияют на состояние системы.

import pytest

@pytest.fixture
def temp_file():
# Создаем временный файл с данными
file_name = "temp.txt"
with open(file_name, "w") as f:
f.write("Test data")

# Возвращаем имя файла для использования в тесте
yield file_name # yield позволяет выполнить код после теста

# Очистка: удаляем временный файл после завершения теста
import os
os.remove(file_name)

def test_file_read(temp_file):
# Тест проверяет содержимое временного файла
with open(temp_file, "r") as f:
assert f.read() == "Test data" # Проверяем, что файл содержит "Test data"

if __name__ == '__main__':
import pytest
pytest.main([f]) # Запускаем тесты в этом файле

Параметризация тестов

Параметризация позволяет запускать один тест с разными входными данными. Это полезно для:

• Сокращения дублирования кода.

• Проверки множества сценариев без написания отдельных тестов.

В данном примере тест test_add проверяет сложение чисел для трех различных случаев:

1. Положительные числа (2 + 3 = 5).

2. Числа с разными знаками (-1 + 1 = 0).

3. Числа с плавающей точкой (0.1 + 0.2 ≈ 0.3).

Параметризация делает тесты более гибкими и масштабируемыми, особенно когда нужно протестировать большое количество входных данных.

import pytest

@pytest.mark.parametrize("a, b, expected", [
(2, 3, 5), # Проверяем, что 2 + 3 = 5
(-1, 1, 0), # Проверяем, что -1 + 1 = 0
(0.1, 0.2, 0.3), # Проверяем, что 0.1 + 0.2 ≈ 0.3
])
def test_add(a, b, expected):
# Тест проверяет функцию add с разными параметрами
assert a + b == pytest.approx(expected) # pytest.approx используется для сравнения чисел с плавающей точкой

if __name__ == '__main__':
import pytest
pytest.main([f]) # Запускаем тесты в этом файле

Моки и патчи

Теория

Моки (mocks) используются для имитации объектов или функций, которые взаимодействуют с внешними системами (например, базами данных, API). Это важно для:

• Изоляции тестируемого кода от внешних зависимостей.

• Ускорения тестов (внешние системы могут быть медленными).

• Тестирования сценариев, которые сложно воспроизвести в реальной среде.

В данном примере мы мокаем функцию get_current_user, чтобы она возвращала заранее заданный результат. Это позволяет протестировать функцию, не обращаясь к реальной базе данных.

from unittest.mock import patch


# Функция, которую мы будем тестировать
def get_current_user():
"""
Сложная функция, которая обращается к базе данных.
В реальном приложении она могла бы выполнять запрос к БД или внешнему API.
"""
return {"id": 1, "name": "Alice"}


def test_get_current_user():
"""
Тест проверяет, что функция get_current_user возвращает ожидаемый результат.
Мы используем мок, чтобы заменить реальную функцию на имитацию (mock), которая возвращает заранее заданный результат.
"""
# Создаем мок-ответ для функции get_current_user
mock_user = {"id": 2, "name": "Bob"}

# Используем patch для замены функции get_current_user на мок
with patch("t.get_current_user", return_value=mock_user): # Заменяем реальную функцию на мок
# Вызываем функцию
user = get_current_user()

# Проверяем результат
assert user["name"] == "Bob" # Проверяем, что имя пользователя равно "Bob"


if __name__ == '__main__':
import pytest

pytest.main([f]) # Запускаем тесты в этом файле

Тестирование API

Тестирование API — это проверка взаимодействия с внешними сервисами через HTTP-запросы. Это важно для:

• Убедиться, что API работает корректно.

• Проверить статус-коды, заголовки и формат данных в ответе.

В данном примере мы тестируем запрос к GitHub API:

1. Проверяем, что статус-код ответа равен 200 (OK).

2. Проверяем, что в заголовках указан тип контента JSON.

Такие тесты помогают убедиться, что ваше приложение корректно взаимодействует с внешними сервисами.

import requests

def test_github_api():
# Тест проверяет ответ от GitHub API
response = requests.get("https://api.github.com") # Отправляем GET-запрос к GitHub API

# Проверяем статус-код ответа
assert response.status_code == 200 # Ожидаем статус-код 200 (OK)

# Проверяем, что в заголовках указан тип контента JSON
assert "application/json" in response.headers["Content-Type"]


if __name__ == '__main__':
import pytest
pytest.main([f]) # Запускаем тесты в этом файле