Pytest в Python-разработке: простое создание и запуск тестов кода

Для кого эта статья:

• Python-разработчики, желающие улучшить качество своих проектов через тестирование.
• Начинающие тестировщики ПО, заинтересованные в освоении инструментов для тестирования на Python.

• Команды разработчиков и QA-специалистов, стремящиеся интегрировать автоматизированное тестирование в CI/CD процессы.

  Когда у вас код разрастается до нескольких сотен или тысяч строк, ошибки становятся неизбежными. Один пропущенный тест — и вместо гениального продукта получаете репутационную катастрофу. Pytest спасает положение, позволяя легко создавать, запускать и поддерживать тесты любой сложности. В отличие от встроенного unittest, он проще в освоении и мощнее в применении — идеально для Python-разработчиков всех уровней. Давайте разберемся, как внедрить pytest в рабочий процесс и превратить тестирование из головной боли в удовольствие. 🚀

Хотите стать востребованным IT-специалистом и научиться писать качественные тесты на Python? Курс тестировщика ПО от Skypro — идеальный старт карьеры в QA. Вы не только освоите pytest и другие фреймворки тестирования, но и получите практические навыки работы с реальными проектами под руководством опытных менторов. 94% выпускников трудоустраиваются в течение 3 месяцев после завершения программы. Инвестируйте в свое будущее прямо сейчас!

Pytest для Python: основы установки и настройки среды

Установка pytest — первый шаг на пути к грамотному тестированию кода. В отличие от встроенного модуля unittest, pytest требует отдельной установки, но предоставляет значительно более мощный и гибкий инструментарий.

Установка выполняется стандартным способом через pip:

pip install pytest

Для проверки корректности установки выполните команду:

pytest --version

Если вы видите версию pytest, установка прошла успешно. 👍

Создание базовой структуры проекта с тестами — важный аспект организации кода. Рекомендуемая структура выглядит так:

• project_root/ — корневая директория проекта
• project_root/src/ или project_root/mypackage/ — исходный код приложения
• project_root/tests/ — директория с тестами
• project_root/tests/conftest.py — файл с общими фикстурами

Для правильной работы импортов необходимо создать файлы __init__.py в директориях с тестами, что позволит pytest корректно обнаруживать модули тестирования.

Настройка среды тестирования часто требует специфических параметров и плагинов. Для этого можно создать файл pytest.ini в корне проекта:

[pytest]
testpaths = tests
python_files = test_*.py
python_classes = Test*
python_functions = test_*
markers = 
slow: marks tests as slow
integration: marks tests as integration tests

Также полезно установить дополнительные плагины, расширяющие функциональность pytest:

Алексей Петров, Lead Python Developer

Помню, как моей команде поручили разработать микросервис для обработки платежей. Мы писали код в спешке, без тестов, думая: "Напишем потом". В пятницу вечером выкатили в продакшн — и понеслось. Посыпались баги, серверы падали, клиенты теряли деньги.

За выходные пришлось переписать систему с нуля, но уже с полным покрытием pytest-тестами. Создали фикстуры для эмуляции платежного шлюза, параметризованные тесты для проверки разных сценариев, настроили CI/CD для автоматического прогона перед каждым деплоем.

Результат? За следующий месяц — ни одного инцидента. Руководство выделило бонусы команде, а тестирование с pytest стало обязательным стандартом для всех проектов компании. Этот опыт убедил меня: час на написание тестов экономит дни на исправление ошибок.

Создание первых тестов с pytest: структура и синтаксис

Создание тестов в pytest отличается изящной простотой по сравнению с другими фреймворками. Базовая структура теста — это обычная функция Python с префиксом test_:

# test_example.py
def test_simple_addition():
assert 1 + 1 == 2

В отличие от unittest, здесь нет необходимости создавать классы или наследовать их от базовых классов тестирования. Pytest автоматически обнаружит и запустит все функции, начинающиеся с test_.

Ключевой элемент тестирования в pytest — оператор assert. В отличие от стандартных ассертов Python, pytest предоставляет расширенную диагностику при сбоях, что упрощает отладку:

def test_complex_data_comparison():
data1 = {'key1': [1, 2, 3], 'key2': 'value'}
data2 = {'key1': [1, 2, 3], 'key2': 'different'}
assert data1 == data2 # Pytest покажет точное различие

Для более сложных тестов вы можете организовать их в классы:

class TestCalculator:
def test_addition(self):
assert 1 + 1 == 2

def test_subtraction(self):
assert 3 – 1 == 2

Организация тестов в классы помогает логически группировать связанные тесты и использовать общие методы и атрибуты.

Фикстуры (fixtures) — мощный механизм pytest для подготовки тестового окружения. Они позволяют создавать и настраивать объекты, которые можно повторно использовать в различных тестах:

# conftest.py
import pytest

@pytest.fixture
def sample_data():
return {'name': 'Test User', 'age': 30}

# test_user.py
def test_user_name(sample_data):
assert sample_data['name'] == 'Test User'

def test_user_age(sample_data):
assert sample_data['age'] == 30

Фикстуры могут иметь различные области действия:

Пример фикстуры с областью действия и функцией очистки:

@pytest.fixture(scope="module")
def database_connection():
# Настройка: подключение к тестовой БД
conn = create_test_db_connection()
yield conn # Предоставляем соединение тестам

# Очистка после использования
conn.close()

Запуск и анализ результатов тестирования в pytest

Запуск тестов с pytest отличается гибкостью и информативностью. Базовый запуск всех тестов в текущей директории выполняется простой командой:

pytest

Для запуска конкретных тестов можно использовать различные селекторы:

• Конкретный тестовый файл: pytest tests/test_calculator.py
• Конкретная тестовая функция: pytest tests/test_calculator.py::test_addition
• Тесты по маркерам: pytest -m "slow" (для тестов, помеченных декоратором @pytest.mark.slow)
• Тесты по ключевым словам: pytest -k "addition" (запустит тесты, содержащие слово "addition" в имени)

Параметры запуска могут значительно улучшить информативность отчетов:

• -v или --verbose: подробный режим с детальной информацией о каждом тесте
• -s: отображение вывода print() из тестов (по умолчанию stdout перехватывается)
• --tb=short: сокращенный вывод трейсбека ошибок
• --cov=mypackage: расчет покрытия кода тестами (требует pytest-cov)

Интерпретация результатов тестирования в pytest интуитивно понятна благодаря цветовой кодировке:

• PASS (.): тест пройден успешно
• FAIL (F): тест завершился с ошибкой (сработал assert)
• ERROR (E): произошла непредвиденная ошибка во время выполнения теста
• SKIP (s): тест пропущен (например, с декоратором @pytest.mark.skip)
• XFAIL (x): ожидаемый провал теста (с @pytest.mark.xfail)
• 🟠 XPASS (X): тест, помеченный как ожидаемый провал, но успешно прошедший

Вот пример вывода запуска тестов:

============================= test session starts ==============================
platform linux -- Python 3.10.0, pytest-7.3.1
rootdir: /home/user/projects/my_project
collected 5 items

tests/test_calculator.py ..F.s [100%]

=================================== FAILURES ===================================
________________________________ test_division _________________________________

def test_division():
> assert 1 / 0 == float('inf')
E ZeroDivisionError: division by zero

tests/test_calculator.py:15: ZeroDivisionError
=========================== short test summary info ===========================
FAILED tests/test_calculator.py::test_division
========================= 1 failed, 3 passed, 1 skipped in 0.12s =============

Для анализа покрытия кода тестами используйте плагин pytest-cov:

pytest --cov=mypackage tests/

Это даст базовую статистику по покрытию. Для более детального отчета:

pytest --cov=mypackage --cov-report=html tests/

Эта команда создаст HTML-отчет в директории htmlcov/, который показывает покрытие с точностью до строки кода. 📊

Продвинутые техники тестирования с использованием pytest

Марина Сидорова, QA Lead

В прошлом году наша команда столкнулась с классической проблемой: тесты работали на локальных машинах, но регулярно падали в CI-среде. Причина оказалась в параллельном запуске, который выявлял гонки данных.

Мы решили применить параметризованные тесты pytest с различными наборами входных данных и сценариями. Создали матрицу тестирования: разные операционные системы, версии Python, конфигурации баз данных. Для каждого случая настроили отдельные фикстуры, а с помощью маркеров разделили тесты на быстрые и медленные.

Особенно помогла техника mock-объектов для эмуляции внешних API. Вместо реальных запросов к платежному шлюзу мы использовали monkeypatch для подстановки тестовых ответов с разными сценариями: успешный платеж, отказ, таймаут.

После внедрения этих практик стабильность нашей CI-системы выросла с 68% до 99,5%. Время прогона всех тестов сократилось с 40 до 12 минут благодаря грамотной параллелизации с pytest-xdist. Главный урок: инвестиции в продвинутые техники тестирования окупаются многократно.

Параметризация тестов — одна из самых мощных функций pytest. Она позволяет запускать один и тот же тест с различными входными данными, что значительно сокращает дублирование кода:

@pytest.mark.parametrize("input_value,expected_output", [
(1, 1), # Факториал 1 равен 1
(2, 2), # Факториал 2 равен 2
(3, 6), # Факториал 3 равен 6
(4, 24), # Факториал 4 равен 24
])
def test_factorial(input_value, expected_output):
from math import factorial
assert factorial(input_value) == expected_output

Использование моков (mocks) и патчей (patches) часто необходимо для изоляции тестируемого кода от внешних зависимостей:

def test_api_call(monkeypatch):
# Создаем имитацию функции запроса к API
def mock_get_json(*args, **kwargs):
return {"status": "success", "data": [1, 2, 3]}

# Заменяем реальную функцию нашей имитацией
monkeypatch.setattr("requests.get", mock_get_json)

# Тестируем функцию, которая внутри вызывает requests.get
result = fetch_data_from_api()
assert result == [1, 2, 3]

Фикстуры с очисткой (teardown) позволяют корректно освобождать ресурсы после тестов:

@pytest.fixture
def temp_file():
# Создаем временный файл
file_path = "temp_test_file.txt"
with open(file_path, "w") as f:
f.write("Test content")

# Передаем путь к файлу тестам
yield file_path

# После завершения теста удаляем файл
import os
os.remove(file_path)

Обработка исключений — важная часть тестирования. Pytest предоставляет удобный способ проверки исключений:

def divide(a, b):
if b == 0:
raise ValueError("Division by zero")
return a / b

def test_divide_by_zero():
with pytest.raises(ValueError) as excinfo:
divide(10, 0)
assert "Division by zero" in str(excinfo.value)

Маркировка тестов помогает категоризировать их и управлять запуском:

@pytest.mark.slow
def test_complex_calculation():
# Длительный тест
pass

@pytest.mark.integration
def test_database_integration():
# Тест с реальной БД
pass

Настройка пропуска тестов при определенных условиях:

@pytest.mark.skipif(sys.version_info < (3, 8), reason="requires Python 3.8 or higher")
def test_new_feature():
# Тест для функции, доступной только в Python 3.8+
pass

Для работы с асинхронным кодом используется плагин pytest-asyncio:

import pytest
import asyncio

@pytest.mark.asyncio
async def test_async_function():
result = await my_async_function()
assert result == expected_value

Интеграция pytest в процесс разработки: автоматизация и CI/CD

Интеграция тестов в процесс непрерывной разработки (CI/CD) значительно повышает качество кода. Настроенные правильно автоматические тесты помогают выявлять проблемы на ранних стадиях, до того как они попадут в продакшн. 🔄

Для интеграции pytest в популярные CI/CD системы используйте следующие конфигурации:

Пример конфигурации для GitHub Actions:

name: Python Tests

on: [push, pull_request]

jobs:
test:
runs-on: ubuntu-latest
strategy:
matrix:
python-version: [3\.8, 3.9, 3.10]

steps:
- uses: actions/checkout@v2
- name: Set up Python ${{ matrix.python-version }}
uses: actions/setup-python@v2
with:
python-version: ${{ matrix.python-version }}
- name: Install dependencies
run: |
python -m pip install --upgrade pip
pip install pytest pytest-cov
if [ -f requirements.txt ]; then pip install -r requirements.txt; fi
- name: Test with pytest
run: |
pytest --cov=mypackage tests/ --cov-report=xml
- name: Upload coverage to Codecov
uses: codecov/codecov-action@v1

Автоматизация запуска тестов при коммитах с помощью pre-commit хуков экономит время и предотвращает отправку нерабочего кода в репозиторий:

# .pre-commit-config.yaml
repos:
- repo: local
hooks:
- id: pytest-check
name: pytest-check
entry: pytest
language: system
pass_filenames: false
always_run: true

Установка и активация pre-commit:

pip install pre-commit
pre-commit install

Оптимизация времени выполнения тестов в CI/CD критична для быстрого получения обратной связи. Стратегии оптимизации включают:

• Параллельное выполнение с помощью pytest-xdist: pytest -n auto
• Приоритизация тестов — запуск быстрых тестов первыми: pytest --run-fast-first
• Инкрементальное тестирование — запуск только тестов, затронутых изменениями
• Кеширование результатов между запусками: pytest --cache-clear для сброса кеша

Интеграция с системами отслеживания ошибок (issue trackers) позволяет автоматически создавать задачи при падении тестов:

pytest --jira-xfail=XYZ-123

Для контроля регрессий полезно настроить тесты с уведомлениями в случае их неожиданного прохождения:

@pytest.mark.xfail(reason="Bug #123 – this will be fixed in next release")
def test_known_failure():
# Если этот тест внезапно начнет проходить, нужно обновить документацию
assert problematic_function() == expected_result

Определение "стоп-факторов" в пайплайне CI/CD помогает предотвратить поставку проблемного кода:

• Падение критических тестов
• Снижение покрытия кода ниже установленного порога
• Обнаружение уязвимостей безопасности
• Превышение порога сложности кода

Непрерывная интеграция тестов в процессе разработки обеспечивает стабильность и высокое качество кода, сокращая затраты на поиск и исправление ошибок в будущем.

Внедрение pytest в рабочий процесс разработки — не просто дополнение, а необходимый фундамент для создания надежного программного обеспечения. Правильно организованные тесты становятся не обузой, а опорой, позволяющей смело вносить изменения в код без страха что-то сломать. Тщательно спроектированные тесты действуют как живая документация, демонстрирующая ожидаемое поведение системы и защищающая от регрессий. Помните: время, потраченное на написание тестов сегодня, окупается десятикратно завтра за счет снижения количества багов и упрощения поддержки кода.