Python 测试框架: 用 Python 测试框架简化测试

核心提示： 在处理浮点数时，如果希望测试能够灵活地对待 Python 实现，Python 测试框架: 用 Python 测试框架简化测试(6)，允许对浮点数的处理有细小的误差，那么上面检查近似值的例程尤其有意义，但是，在使用 dist=each 时，分布式测试目前，测试的运行频率越来越高了

在处理浮点数时，如果希望测试能够灵活地对待 Python 实现，允许对浮点数的处理有细小的误差，那么上面检查近似值的例程尤其有意义。

分布式测试

目前，测试的运行频率越来越高了。许多团队已经采用了连续测试，也就是对团队版本控制系统的每次签入（check-in）都要运行项目测试。随着测试驱动开发方法越来越流行，许多开发人员在开始编写新模块的代码之前先为模块编写和运行测试。如果测试的运行时间很长，就会严重影响开发人员的生产力。

因此，用尽可能多的计算能力运行测试是很有益处的。对于小规模项目，这可能意味着使用计算机的所有 CPU 核运行多个测试进程。对于更大的项目，要配置完整的测试计算机群，要么使用专用服务器并行地运行测试，要么使用所有开发人员工作站的空闲时间。

在并行和分布式测试方面，本文讨论的三种测试框架有非常显著的差异：

zope.testing 命令行有一个 -j 选项，它指定应该启动多个测试进程，而不是在同一进程中执行所有测试。因为每个进程可以在不同的 CPU 核上运行，所以如果在有四个 CPU 的计算机上运行 -j 4，就可以同时用四个 CPU 运行测试。

nose 项目报告说，他们已经把对并行测试的支持提交到项目 trunk，但是一般用户要等到下一个版本才能试用这个特性。

py.test 工具支持一个多处理选项 (-n)，可以像 zope.testing 一样在多个 CPU 核上运行测试。另外，它还提供管理工具，可以在整个测试服务器群中分布测试。

在这三种框架中，py.test 看起来在并行测试方面明显领先了。可以指定多个 --tx 选项，每个选项描述要运行测试的一个环境或远程服务器。而且，它实际上支持针对两个完全不同的原因分布测试！在使用 --dist=load 时，它将使用服务器群按照传统方式在多台计算机上运行测试，从而减少测试花费的时间。但是，在使用 dist=each 时，它的做法就比较复杂了；它确保每个测试在 py.test 可用的每个测试环境中运行。