调试基础
理解调试
调试是软件开发过程中不可或缺的一部分。它涉及到识别和修复代码中的错误或缺陷，以确保程序按预期运行。有效的调试策略可以大幅减少开发时间，并提高代码质量。
基本调试技巧
最基础的调试方法是使用 print 语句输出变量的值或程序的执行状态。虽然简单，但这种方法在初步诊断问题时非常有效。
def add(a, b):
print(f"a: {a}, b: {b}") # 输出参数值
return a + b
result = add(5, '3')
print(f"结果: {result}")在这个例子中，print 语句帮助我们理解错误发生的原因：尝试将整数和字符串相加。
Python 调试器（pdb）
Python 的内置调试器 pdb 是一个非常强大的交互式调试工具，它允许开发者逐行执行代码，检查当前的变量状态，评估表达式，甚至在运行时修改代码。
基本使用
使用 pdb 的最简单方式是在代码中插入断点。可以通过在代码中添加 import pdb; pdb.set_trace() 来实现这一点。当程序执行到这一行时，它将暂停执行并进入交互式调试模式。
import pdb
def my_function(arg1, arg2):
# 设置断点
pdb.set_trace()
# breakpoint()
return arg1 + arg2
result = my_function(2, 3)当程序运行到 pdb.set_trace() 时，程序将暂停，并出现一个交互式的调试环境。Python 3.8 版本以后可以使用 breakpoint() 替代 import pdb;pdb.set_trace()
调试命令
在 pdb 的调试环境中，有多种命令可用于调试程序：
| 命令 | 描述 |
|---|---|
l (list) | 显示当前位置周围的代码。 |
n (next) | 执行程序的下一行代码。如果当前行调用了一个函数，不会进入该函数内部。 |
c (continue) | 从当前位置继续执行程序，直到遇到下一个断点。 |
b (break) | 在指定的行号处设置断点。例如 b 120 在第 120 行设置断点。 |
s (step) | 执行下一行代码，如果当前行调用了一个函数，则进入该函数内部。 |
p (print) | 打印一个表达式的值。例如 p my_var 打印变量 my_var 的值。 |
q (quit) | 退出调试器。 |
r (return) | 继续执行，直到当前函数返回。 |
a (args) | 打印当前函数的参数列表。 |
j (jump) | 将当前执行位置跳转到指定的行。例如 j 50 跳转到第 50 行。 |
h (help) | 显示命令列表或查找特定命令的帮助信息。 |
! | 执行任意 Python 代码。例如 !x = 5 会设置变量 x 的值为 5。 |
调试流程
在 pdb 中，通常的调试流程包括设置断点、运行程序、在断点处暂停、检查变量值或程序状态、逐步执行代码，并根据需要重复这个过程。
sequenceDiagram
participant P as 程序员
participant I as IDE/调试器
participant C as 代码
P->>+I: 启动调试
I->>+C: 运行到断点
C-->>-I: 暂停执行，显示当前状态
loop 检查和调整
P->>+I: 检查变量和堆栈
I->>+C: 获取信息
C-->>-I: 返回信息
P->>I: 修改代码或断点
end
P->>+I: 继续执行/单步执行
I->>+C: 执行下一步
C-->>-I: 更新状态
P->>I: 停止调试/修复代码
I-->>-P: 结束调试会话
高级使用
pdb 还提供了一些高级功能，比如：
-
条件断点：您可以设置一个条件断点，只有在特定条件满足时才会停止。
pdb.set_trace() # 在命令行中使用 # b 54, x > 100 # b 命令 54 行设置 x 大于 100 停止 -
后期调试：如果程序崩溃，可以使用
pdb.pm()来进行后期调试。
命令行调试
您也可以直接从命令行启动 pdb。这在调试脚本时非常有用。
python -m pdb my_script.py在这种模式下，pdb 将在脚本开始执行之前启动，允许您提前设置断点。
Python 单元测试（unittest）
unittest 是 Python 内置的测试框架，灵感来源于 JUnit。它支持自动化测试，共享测试设置（setup）和关闭代码（teardown），聚集多个测试用例，以及与测试框架的集成等功能。
基本概念
- 测试用例（TestCase）：测试用例是
unittest中的基本单元。每一个测试用例是unittest.TestCase的子类，通常包含多个以test开头的方法，这些方法是实际的测试脚本。 - 测试套件（TestSuite）：测试套件是一系列的测试用例或测试套件。它用于聚合需要一起执行的测试用例。
- 测试运行器（TestRunner）：测试运行器是用于执行和控制测试的组件。默认的运行器会将测试结果输出到标准输出。
- 测试装置（TestFixture）：测试装置指的是执行一系列测试所需的准备工作及相关的清理操作。这通常包括
setUp()和tearDown()方法。
基本的测试用例
使用 unittest 编写测试用例通常涉及创建一个继承自 unittest.TestCase 的类，并在其中定义一系列的测试方法。
import unittest
class MyTest(unittest.TestCase):
def setUp(self):
# 测试前的准备工作
pass
# 类内部 test 开头的方法视为一个测试用例
def test_something(self):
# 实际的测试内容
self.assertEqual(1 + 1, 2)
def tearDown(self):
# 测试后的清理工作
pass
if __name__ == '__main__':
unittest.main()在这个例子中，MyTest 类包含了一个简单的测试方法 test_something，它测试了 1 + 1 是否等于 2。
断言方法
unittest 提供了一系列的断言方法来检查期望和实际结果。常用的断言方法包括：
| 方法 | 描述 |
|---|---|
assertEqual(a, b) | 检查 a 是否等于 b |
assertNotEqual(a, b) | 检查 a 是否不等于 b |
assertTrue(x) | 检查 x 是否为 True |
assertFalse(x) | 检查 x 是否为 False |
assertIs(a, b) | 检查 a 是否是 b （a is b） |
assertIsNot(a, b) | 检查 a 是否不是 b |
assertIsNone(x) | 检查 x 是否为 None |
assertIsNotNone(x) | 检查 x 是否不是 None |
assertIn(a, b) | 检查 a 是否在 b 中 |
assertNotIn(a, b) | 检查 a 是否不在 b 中 |
assertIsInstance(a, b) | 检查 a 是否是 b 类型的实例 |
assertNotIsInstance(a, b) | 检查 a 是否不是 b 类型的实例 |
assertRaises(Error, func, *args, **kwargs) | 检查调用 func 时是否抛出了 Error 异常 |
设置和清理
通过定义 setUp 和 tearDown 方法，可以在每个测试方法执行前后进行设置和清理工作。
class MyTest(unittest.TestCase):
def setUp(self):
# 测试前的设置
self.resource = allocate_resource()
def tearDown(self):
# 测试后的清理
self.resource.release()运行测试
通常有两种方式运行测试：
- 直接运行测试文件：如果
unittest.main()被调用，当 Python 文件被直接运行时，测试将被执行。 - 使用命令行：可以使用 Python 的
-m unittest命令来发现和运行测试。
python -m unittest discover测试驱动开发（TDD）
TDD 概念
测试驱动开发（TDD）是一种软件开发方法，它要求开发人员先编写测试用例，然后编写能够通过这些测试的代码。这种方法强调先有测试，后有实现，有助于创建更可靠、更易维护的代码。
实践 TDD
在 TDD 实践中，开发过程分为三个主要步骤：编写失败的测试、编写通过测试的代码、重构代码。
# 假设我们有一个待实现的函数 add
# 首先编写测试用例
class TestAddFunction(unittest.TestCase):
def test_add_numbers(self):
self.assertEqual(add(1, 2), 3)
# 接着实现函数
def add(a, b):
return a + b
# 最后运行测试，确认通过通过重复这个循环，逐步构建并完善整个程序。
高级测试技巧
集成测试和系统测试
集成测试是指在单元测试的基础上，测试多个模块或组件协同工作的情况。系统测试则是测试整个应用程序的行为。
Mocking 和 Patching
在测试过程中，我们经常需要模拟（Mock）某些对象或函数的行为，以便于在测试环境中替换掉它们。Python 的 unittest.mock 模块提供了强大的工具来进行 Mocking 和 Patching。
from unittest.mock import MagicMock
# 假设我们要测试以下函数
def fetch_data(api_client):
return api_client.get_data()
# 我们可以这样模拟 API 客户端
class TestFetchData(unittest.TestCase):
def test_fetch_data(self):
mock_client = MagicMock()
mock_client.get_data.return_value = 'mock data'
self.assertEqual(fetch_data(mock_client), 'mock data')在这个例子中，我们使用 MagicMock 来模拟 API 客户端的行为。
测试框架和工具
探索其他测试框架
除了 unittest，Python 还有其他流行的测试框架，如 pytest 和 nose。它们提供了更简洁的语法和更丰富的功能。
代码覆盖率工具
代码覆盖率是衡量测试完整性的重要指标。Python 的 coverage.py 工具可以帮助测量代码覆盖率，确保测试覆盖了所有重要的代码路径。
持续集成 (CI)
持续集成简介
持续集成（CI）是一种软件开发实践，开发者经常将代码集成到共享仓库中。每次集成都通过自动化构建来验证，以尽早发现集成错误。
使用 CI 工具
CI 工具如 Jenkins、Travis CI 和 GitHub Actions 可以帮助自动化测试流程，确保代码更改不会破坏现有功能。
# 示例：GitHub Actions 配置文件
name: Python CI
on: [push]
jobs:
build:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v2
- name: Set up Python
uses: actions/setup-python@v2
with:
python-version: 3.8
- name: Install dependencies
run: |
pip install -r requirements.txt
- name: Run tests
run: |
python -m unittest