之前，我曾轉過一個單元測試框架系列的文章，里面介紹了 unittest、nose/nose2 與 pytest 這三個最受人歡迎的 Python 測試框架。

本文想針對測試中一種很常見的測試場景，即參數化測試，繼續聊聊關于測試的話題，并嘗試將這幾個測試框架串聯起來，做一個橫向的比對，加深理解。

1、什么是參數化測試？

對于普通測試來說，一個測試方法只需要運行一遍，而參數化測試對于一個測試方法，可能需要傳入一系列參數，然后進行多次測試。

比如，我們要測試某個系統的登錄功能，就可能要分別傳入不同的用戶名與密碼，進行測試：使用包含非法字符的用戶名、使用未注冊的用戶名、使用超長的用戶名、使用錯誤的密碼、使用合理的數據等等。

參數化測試是一種“數據驅動測試”（Data-Driven Test），在同一個方法上測試不同的參數，以覆蓋所有可能的預期分支的結果。它的測試數據可以與測試行為分離，被放入文件、數據庫或者外部介質中，再由測試程序讀取。

2、參數化測試的實現思路？

通常而言，一個測試方法就是一個最小的測試單元，其功能應該盡量地原子化和單一化。

先來看看兩種實現參數化測試的思路：一種是寫一個測試方法，在其內部對所有測試參數進行遍歷；另一種是在測試方法之外寫遍歷參數的邏輯，然后依次調用該測試方法。

這兩種思路都能達到測試目的，在簡單業務中，沒有毛病。然而，實際上它們都只有一個測試單元，在統計測試用例數情況，或者生成測試報告的時候，并不樂觀?？蓴U展性也是個問題。

那么，現有的測試框架是如何解決這個問題的呢？

它們都借助了裝飾器，主要的思路是：利用原測試方法（例如 test()），來生成多個新的測試方法（例如 test1()、test2()……），并將參數依次賦值給它們。

由于測試框架們通常把一個測試單元統計為一個“test”，所以這種“由一生多”的思路相比前面的兩種思路，在統計測試結果時，就具有很大的優勢。

3、參數化測試的使用方法？

Python 標準庫中的unittest 自身不支持參數化測試，為了解決這個問題，有人專門開發了兩個庫：一個是ddt ，一個是parameterized 。

ddt 正好是“Data-Driven Tests”（數據驅動測試）的縮寫。典型用法：

import unittestfrom ddt import ddt,data,unpack@ddtclass MyTest(unittest.TestCase):  @data((3, 1), (-1, 0), (1.2, 1.0))  @unpack  def test_values(self, first, second):    self.assertTrue(first > second)unittest.main(verbosity=2)

運行的結果如下：

test_values_1__3__1_ (__main__.MyTest) ... ok
test_values_2___1__0_ (__main__.MyTest) ... FAIL
test_values_3__1_2__1_0_ (__main__.MyTest) ... ok

==================================================
FAIL: test_values_2___1__0_ (__main__.MyTest)
--------------------------------------------------
Traceback (most recent call last):
  File "C:/Python36/lib/site-packages/ddt.py", line 145, in wrapper
    return func(self, *args, **kwargs)
  File "C:/Users/pythoncat/PycharmProjects/study/testparam.py", line 9, in test_values
    self.assertTrue(first > second)
AssertionError: False is not true

----------------------------------------------
Ran 3 tests in 0.001s

FAILED (failures=1)