各位观众老爷们，晚上好！我是今天的讲师，今天咱们聊聊Python测试界两大扛把子：unittest.TestCase 和 pytest。这两个框架就像武林中的少林和武当，各有千秋，今天咱们就好好比划比划，看看谁更适合你。
开场白：测试，代码的保险丝
话说程序员写代码，就像盖房子。房子盖得再漂亮，地基不稳，迟早塌。测试就是给代码上保险，确保它按预期工作，不出幺蛾子。没有测试的代码，就跟没买保险的房子一样，住着心里没底。
第一回合：出身背景大PK
-
unittest.TestCase： Python 内置模块，老牌劲旅，根正苗红。 -
pytest： 第三方库，后起之秀，社区力量强大。
简单来说，unittest 是 Python “亲儿子”，安装完 Python 就能直接用；pytest 是“干儿子”，需要 pip install pytest 才能用。
第二回合：代码风格大比拼
-
unittest.TestCase： 遵循 xUnit 架构，面向对象，继承unittest.TestCase类，使用assert方法进行断言。 -
pytest： 更加灵活，函数式风格，不需要继承，使用assert语句进行断言，配合各种插件，能玩出花来。
咱们上代码，让大家看得更明白：
unittest 的例子：
import unittest
class TestStringMethods(unittest.TestCase):
def test_upper(self):
self.assertEqual('foo'.upper(), 'FOO')
def test_isupper(self):
self.assertTrue('FOO'.isupper())
self.assertFalse('Foo'.isupper())
def test_split(self):
s = 'hello world'
self.assertEqual(s.split(), ['hello', 'world'])
# check that s.split() still works correctly
with self.assertRaises(TypeError):
s.split(2)
if __name__ == '__main__':
unittest.main()pytest 的例子：
def test_upper():
assert 'foo'.upper() == 'FOO'
def test_isupper():
assert 'FOO'.isupper()
assert not 'Foo'.isupper()
def test_split():
s = 'hello world'
assert s.split() == ['hello', 'world']
# pytest 会自动捕捉异常，所以不需要特殊处理
# with pytest.raises(TypeError): # pytest 的写法，但这里不需要
try:
s.split(2)
except TypeError:
pass # 期望的异常
else:
assert False, "TypeError was not raised"代码解读：
unittest需要定义一个类，继承unittest.TestCase，测试方法以test_开头。断言使用self.assertEqual,self.assertTrue等方法。pytest直接定义函数，函数名以test_开头，断言使用简单的assert语句。
结论： pytest 的代码更简洁，更 Pythonic。
第三回合：断言方式大对决
-
unittest.TestCase： 提供一系列assert方法，例如assertEqual,assertTrue,assertRaises等。 -
pytest： 直接使用 Python 的assert语句，更加灵活，可以配合pytest.raises处理异常。
再来个例子：
unittest 的异常处理：
import unittest
def divide(x, y):
if y == 0:
raise ValueError("Cannot divide by zero")
return x / y
class TestDivide(unittest.TestCase):
def test_divide_by_zero(self):
with self.assertRaises(ValueError):
divide(10, 0)
def test_divide_positive(self):
self.assertEqual(divide(10, 2), 5)
if __name__ == '__main__':
unittest.main()pytest 的异常处理：
import pytest
def divide(x, y):
if y == 0:
raise ValueError("Cannot divide by zero")
return x / y
def test_divide_by_zero():
with pytest.raises(ValueError) as excinfo:
divide(10, 0)
assert str(excinfo.value) == "Cannot divide by zero" # 可以验证异常信息
def test_divide_positive():
assert divide(10, 2) == 5代码解读：
unittest使用self.assertRaises上下文管理器来断言异常。pytest使用pytest.raises上下文管理器，并且可以捕获异常信息，进行更详细的断言。
结论： pytest 在异常处理方面更胜一筹，可以验证异常的具体内容。
第四回合：Fixture 大比拼
-
unittest.TestCase： 使用setUp和tearDown方法进行测试环境的准备和清理。 -
pytest： 使用fixture装饰器，更加灵活，可以定义作用域（function, class, module, session），并且可以自动注入到测试函数中。
代码示例：
unittest 的 setup 和 teardown：
import unittest
class TestDatabase(unittest.TestCase):
def setUp(self):
# 连接数据库，创建测试表
self.db_conn = ... # 假设这里是数据库连接代码
print("Setup: Connecting to database and creating test table")
def tearDown(self):
# 删除测试表，关闭数据库连接
self.db_conn.close() # 假设这里是关闭数据库连接的代码
print("Teardown: Dropping test table and closing database connection")
def test_insert_data(self):
# 测试插入数据
print("Testing insert data")
... # 测试代码
def test_query_data(self):
# 测试查询数据
print("Testing query data")
... # 测试代码pytest 的 fixture：
import pytest
@pytest.fixture(scope="module") # module 级别，整个模块只执行一次
def db_conn():
# 连接数据库，创建测试表
conn = ... # 假设这里是数据库连接代码
print("Setup: Connecting to database and creating test table")
yield conn # 将连接对象返回给测试函数
# 删除测试表，关闭数据库连接
conn.close() # 假设这里是关闭数据库连接的代码
print("Teardown: Dropping test table and closing database connection")
def test_insert_data(db_conn): # 自动注入 fixture
# 测试插入数据
print("Testing insert data")
... # 测试代码
def test_query_data(db_conn): # 自动注入 fixture
# 测试查询数据
print("Testing query data")
... # 测试代码代码解读：
unittest的setUp和tearDown只能在测试类的开始和结束时执行，作用域有限。pytest的fixture可以定义不同的作用域（function, class, module, session），并且可以自动注入到测试函数中，代码更简洁，更易于维护。yield关键字实现了setup和teardown的功能。
结论： pytest 的 fixture 机制更加强大，灵活，代码可读性更高。
第五回合：参数化测试大比拼
-
unittest.TestCase： 需要手动循环或者使用第三方库来实现参数化测试。 -
pytest： 内置参数化功能，使用pytest.mark.parametrize装饰器，非常方便。
代码示例：
unittest 实现参数化：
import unittest
class TestAdd(unittest.TestCase):
def test_add(self):
test_cases = [
(1, 2, 3),
(0, 0, 0),
(-1, 1, 0),
]
for a, b, expected in test_cases:
with self.subTest(a=a, b=b):
self.assertEqual(a + b, expected)
if __name__ == '__main__':
unittest.main()pytest 实现参数化：
import pytest
@pytest.mark.parametrize("a, b, expected", [
(1, 2, 3),
(0, 0, 0),
(-1, 1, 0),
])
def test_add(a, b, expected):
assert a + b == expected代码解读：
unittest需要手动循环测试用例，并且使用subTest来区分不同的测试用例。pytest使用pytest.mark.parametrize装饰器，代码更简洁，可读性更高。
结论： pytest 的参数化功能更加方便，易用。
第六回合：插件生态大比拼
-
unittest.TestCase： 插件生态相对较弱，需要自己编写或者寻找第三方库。 -
pytest： 拥有强大的插件生态系统，各种插件应有尽有，例如pytest-cov(代码覆盖率),pytest-django(Django 测试),pytest-xdist(并行测试) 等。
例子：代码覆盖率
使用 pytest-cov 可以轻松生成代码覆盖率报告：
- 安装插件：
pip install pytest-cov - 运行测试：
pytest --cov=. --cov-report term-missing
运行完成后，会生成代码覆盖率报告，告诉你哪些代码被测试覆盖，哪些没有被覆盖。
结论： pytest 的插件生态更加丰富，可以满足各种测试需求。
第七回合：测试发现大比拼
-
unittest.TestCase： 需要手动编写测试套件或者使用unittest.TestLoader来发现测试用例。 -
pytest： 自动发现测试用例，只需要按照约定命名测试文件和函数即可。
代码示例：
假设有以下目录结构：
my_project/
├── src/
│ └── my_module.py
└── tests/
└── test_my_module.pyunittest 需要在 tests/test_my_module.py 中手动加载测试用例：
import unittest
from src import my_module
class TestMyModule(unittest.TestCase):
... # 测试用例
if __name__ == '__main__':
unittest.main()或者使用 unittest.TestLoader：
import unittest
loader = unittest.TestLoader()
suite = loader.discover('tests') # 自动发现 tests 目录下的测试用例
runner = unittest.TextTestRunner()
runner.run(suite)pytest 只需要运行 pytest 命令，它会自动发现 tests 目录下的 test_*.py 和 *_test.py 文件，并执行其中的测试用例。
结论： pytest 的测试发现机制更加简单，方便。
第八回合：兼容性大比拼
-
unittest.TestCase： 兼容性好，Python 内置模块，无需额外安装。 -
pytest： 需要安装，但兼容性也不错，支持 Python 2.7+ 和 Python 3+。
总结：
| 特性 | unittest.TestCase |
pytest |
优势 |
|---|---|---|---|
| 出身 | Python 内置 | 第三方库 | 无需安装 |
| 代码风格 | 面向对象 | 函数式 | 更简洁，更 Pythonic |
| 断言 | assert 方法 |
assert 语句 |
更灵活，可以验证异常信息 |
| Fixture | setUp/tearDown |
fixture 装饰器 |
作用域更灵活，可以自动注入 |
| 参数化 | 手动循环 | pytest.mark.parametrize |
更方便，易用 |
| 插件生态 | 较弱 | 强大 | 各种插件应有尽有 |
| 测试发现 | 手动加载 | 自动发现 | 更简单，方便 |
| 兼容性 | 好 | 好 | 都很好 |
选择建议：
- 新手入门： 如果你是 Python 测试新手，建议从
unittest开始，掌握基本的测试概念和方法。 - 项目迭代： 如果你的项目已经使用了
unittest，并且运行良好，可以继续使用。 - 拥抱社区： 如果你想体验更强大的功能和更丰富的插件生态，或者你喜欢简洁的代码风格，建议选择
pytest。
最后的忠告：
无论选择哪个框架，最重要的是编写高质量的测试代码，确保你的代码稳定可靠。 记住，测试不是负担，而是保障。
好了，今天的讲座就到这里，感谢各位的观看！希望大家都能写出高质量的 Python 代码！