4. 参数化测试框架入门：pytest参数化与unittest参数化

说到参数化测试，我刚开始带团队的时候，发现很多同学还在用最笨的办法——复制粘贴测试用例，改几个参数就当成新用例。你想想看，一个登录功能要测10组数据，就得写10个几乎一模一样的函数。维护起来简直是噩梦。

参数化测试说白了就是：同一个测试逻辑，用不同的数据跑多遍。今天我们就来聊聊Python里最主流的两种实现方式——pytest的@pytest.mark.parametrize和unittest的ddt库。

4.1 为什么需要参数化？

先看一个反面教材。假设我们要测试一个加法函数：

def test_add_positive():
    assert add(1, 2) == 3

def test_add_negative():
    assert add(-1, -2) == -3

def test_add_zero():
    assert add(0, 0) == 0

def test_add_mixed():
    assert add(-1, 1) == 0

这才4组数据，已经写了4个函数。如果是20组呢？100组呢？而且你发现没有——测试逻辑完全一样，只是输入和期望输出不同。这就是参数化要解决的问题。

我个人习惯把参数化理解成「数据驱动」的雏形。测试代码只写一次，数据单独管理。这样改数据不用改代码，改代码也不会影响数据。

4.2 pytest参数化：@pytest.mark.parametrize

pytest的参数化是我用得最多的方式。语法非常简洁，一行装饰器就能搞定。

4.2.1 基本用法

import pytest

def add(a, b):
    return a + b

@pytest.mark.parametrize("a, b, expected", [
    (1, 2, 3),
    (-1, -2, -3),
    (0, 0, 0),
    (-1, 1, 0),
    (100, 200, 300),
])
def test_add(a, b, expected):
    assert add(a, b) == expected

你看，一个函数覆盖了5组数据。跑起来pytest会自动生成5条测试记录，哪条失败一目了然。

4.2.2 组合参数化

有时候我们需要测试多个参数的笛卡尔积。比如测试一个登录接口，要测不同的用户名和密码组合：

@pytest.mark.parametrize("username", ["admin", "user", "guest"])
@pytest.mark.parametrize("password", ["123456", "password", ""])
def test_login(username, password):
    # 测试逻辑
    pass

这样会生成3×3=9条用例。嗯，这里要注意：多个@parametrize叠加时，是笛卡尔积，不是一一对应。如果你想要一一对应，得用zip或者把数据放在一个列表里。

4.2.3 标记单个参数化用例

我在项目中遇到过一种情况：某组数据预期会抛异常，其他组正常。这时候可以用pytest.param加标记：

@pytest.mark.parametrize("a, b, expected", [
    (1, 2, 3),
    pytest.param("a", 2, None, marks=pytest.mark.xfail),
    (0, 0, 0),
])
def test_add(a, b, expected):
    assert add(a, b) == expected

这样第二组数据会被标记为「预期失败」，不会影响整体测试结果。

4.3 unittest参数化：ddt库

如果你还在用unittest框架，别担心，也有解决方案。ddt（Data-Driven Tests）就是专门为unittest设计的参数化库。

4.3.1 安装与基本用法

pip install ddt

用法也很直接：

import unittest
from ddt import ddt, data

@ddt
class TestAdd(unittest.TestCase):

    @data((1, 2, 3), (-1, -2, -3), (0, 0, 0))
    def test_add(self, case):
        a, b, expected = case
        self.assertEqual(add(a, b), expected)

注意看，类上要加@ddt装饰器，方法上用@data。ddt会自动把每组数据拆成独立的测试用例。

4.3.2 使用@unpack解包

@ddt
class TestAdd(unittest.TestCase):

    @data((1, 2, 3), (-1, -2, -3), (0, 0, 0))
    @unpack
    def test_add(self, a, b, expected):
        self.assertEqual(add(a, b), expected)

加上@unpack后，ddt会自动把元组解包成独立的参数。这样代码更清晰，也更容易定位问题。

4.3.3 从外部文件加载数据

ddt支持从JSON或YAML文件加载数据。我个人比较喜欢这种方式，因为测试数据和代码彻底分离了。

import json
from ddt import ddt, file_data

@ddt
class TestAdd(unittest.TestCase):

    @file_data("test_data.json")
    def test_add(self, a, b, expected):
        self.assertEqual(add(a, b), expected)

对应的test_data.json文件：

[
    {"a": 1, "b": 2, "expected": 3},
    {"a": -1, "b": -2, "expected": -3},
    {"a": 0, "b": 0, "expected": 0}
]

4.4 pytest vs ddt：怎么选？

我经常被问到这个问题。直接给结论：

对比维度	pytest参数化	ddt
语法简洁度	★★★★★ 装饰器一行搞定	★★★☆☆ 需要@ddt+@data+@unpack
数据来源	支持列表、元组、pytest.param	支持列表、元组、JSON/YAML文件
组合参数	支持笛卡尔积（多个装饰器叠加）	不支持原生组合，需手动构造
报告可读性	★★★★★ 自动生成有意义的用例名	★★★☆☆ 默认显示参数值，可自定义
框架兼容	仅pytest	仅unittest

说白了，如果你能选框架，无脑上pytest。如果项目强制用unittest，ddt是唯一靠谱的选择。

4.5 参数化测试的核心流程

为了让你更直观地理解参数化测试在整个测试流程中的位置，我画了一张图：

这张图想表达的核心思想是：数据、框架、逻辑三者分离。你只需要维护数据和逻辑，框架自动帮你生成多条用例并汇总结果。

4.6 实战建议

最后给几个我在项目中总结出来的建议：

• 数据量大的时候，别写在代码里。用外部文件（JSON/YAML/Excel）管理，方便非技术人员修改。
• 参数化不是越多越好。我见过有人把100组数据塞进一个测试函数，结果跑一次要10分钟。合理分组，按功能模块拆分。
• 命名要清晰。pytest会自动生成用例名，但如果你用ddt，建议自定义__repr__或者加@data的label参数，方便定位失败用例。
• 边界值要单独拎出来。参数化适合覆盖常规场景，但边界值、异常值我建议单独写测试函数，方便加特殊标记和注释。

好了，参数化测试的基础就聊到这里。记住一句话：写一次测试逻辑，跑多组数据，这才是高效测试该有的样子。