【python】从0到1，轻松掌握Pytest自动化测试框架

转载

信息流星 2025-09-30 18:02:10

文章标签 #pytest Python 测试用例数据库连接 文章分类 Html/CSS 前端开发

一、Pytest 是什么？

二、为什么选择 Pytest？

简洁性：化繁为简的优雅

灵活性：适应多变的测试需求

强大的插件生态：拓展无限可能

三、环境搭建

（一）安装 Python

（二）安装 Pytest

四、Pytest 基础语法

（一）测试用例的编写规则

（二）断言的使用

（三）简单示例演示

五、Pytest 进阶用法

（一）fixture 的使用

（二）参数化测试

（三）测试用例的执行控制

1. 命令行参数控制

2. 配置文件控制

六、Pytest 插件扩展

（一）pytest - cov：生成测试覆盖率报告

（二）pytest - html：生成 HTML 测试报告

（三）pytest - xdist：实现多进程并发测试

（四）pytest - rerunfailures：失败用例重试

七、实际项目应用案例

（一）结合项目架构组织测试用例

（二）与持续集成工具集成

八、总结与展望

一、Pytest 是什么？

【python】从0到1，轻松掌握Pytest自动化测试框架_#pytest

在 Python 的测试领域中，Pytest 就如同一位全能型选手，占据着举足轻重的地位。它是一个成熟的全功能 Python 测试工具，凭借简洁、强大和高度可定制的特性，深受广大开发者和测试人员的喜爱。

Pytest 的诞生，为 Python 开发者提供了一个高效、灵活的测试解决方案，无论是简单的单元测试，还是复杂的功能测试，甚至是集成测试，Pytest 都能轻松应对。与 Python 自带的 unittest 测试框架相比，Pytest 更加简洁、直观，让测试代码的编写和维护变得更加容易。例如，使用 unittest 框架编写测试用例时，需要定义测试类并继承 unittest.TestCase，而在 Pytest 中，只需编写以test_开头的函数即可，大大减少了样板代码。

Pytest 支持丰富的测试场景，如参数化测试，通过@pytest.mark.parametrize装饰器，可以为同一个测试函数提供不同的参数组合，一次编写，多次测试，提高测试效率。同时，它还支持跳过某些测试用例、标记预期失败的测试用例等功能，让测试更加灵活可控。此外，Pytest 拥有强大的插件生态系统，通过安装各种插件，如pytest - html生成美观的 HTML 测试报告，pytest - cov计算代码覆盖率，pytest - xdist实现多进程并发测试等，可以满足不同项目的个性化测试需求。

二、为什么选择 Pytest？

在 Python 测试领域，测试框架百花齐放，那为何 Pytest 能脱颖而出，成为众多开发者的心头好呢？下面我们将 Pytest 与其他常见测试框架（如 unittest）进行对比，深入剖析 Pytest 的独特优势。

简洁性：化繁为简的优雅

unittest 作为 Python 标准库自带的测试框架，虽然功能全面，但用例格式相对复杂。使用 unittest 编写测试用例时，需要定义测试类并继承unittest.TestCase ，每个测试方法都需要以test_开头，且断言方法较为繁琐，如assertEqual、assertTrue等，记忆成本较高。例如：

import unittest

class TestMath(unittest.TestCase):

def test_add(self):

result = 2 + 3

self.assertEqual(result, 5)

if __name__ == '__main__':

unittest.main()

而 Pytest 则简洁得多，测试函数只需以test_开头，直接使用 Python 原生的assert语句进行断言，代码量大幅减少，更符合 Python “简洁即美” 的理念。同样的功能，用 Pytest 实现如下：

def test_add():

assert 2 + 3 == 5

运行 Pytest 时，只需在命令行输入pytest ，即可自动发现并执行测试用例，无需额外的运行配置代码，让测试代码的编写和执行都变得轻松愉快。

灵活性：适应多变的测试需求

Pytest 的灵活性体现在多个方面。在测试夹具（fixture）方面，它提供了比 unittest 更强大、更灵活的机制。unittest 主要通过setup、teardown等方法实现测试用例的前置和后置操作，作用域较为有限。而 Pytest 的 fixture 可以定义在函数、类、模块甚至会话级别，通过@pytest.fixture装饰器进行定义，并且可以方便地在不同测试用例之间共享和复用。例如，在测试数据库相关功能时，我们可以定义一个数据库连接的 fixture：

import pytest

import pymysql

@pytest.fixture(scope='module')

def db_connection():

connection = pymysql.connect(host='localhost', user='root', password='password', database='test_db')

yield connection

connection.close()

def test_query(db_connection):

cursor = db_connection.cursor()

cursor.execute('SELECT * FROM users')

result = cursor.fetchall()

assert len(result) > 0

在这个例子中，db_connection fixture 的作用域为模块级别，这意味着在整个模块的测试用例执行期间，只创建一次数据库连接，大大提高了测试效率。而且，yield语句之前的代码在测试用例执行前执行，yield语句之后的代码在测试用例执行后执行，用于清理资源，这种设计非常灵活。

此外，Pytest 还支持丰富的测试标记（mark）功能。通过@pytest.mark装饰器，可以为测试用例添加自定义标记，然后在运行测试时根据标记来筛选执行特定的测试用例。比如，我们可以将一些耗时较长的测试用例标记为slow ，在日常开发测试时跳过这些用例，只在全面测试时执行，提高测试效率。

@pytest.mark.slow

def test_slow_operation():

# 模拟耗时操作

import time

time.sleep(5)

assert True

运行时，使用pytest -m "not slow"命令即可跳过标记为slow的测试用例。

强大的插件生态：拓展无限可能

Pytest 拥有一个庞大且活跃的插件生态系统，这是它的一大显著优势。截至目前，已有上千个各式各样的插件可供使用，这些插件可以轻松扩展 Pytest 的功能，满足各种不同的测试需求。

在测试报告方面，pytest - html插件可以生成美观、详细的 HTML 格式测试报告，报告中不仅包含测试用例的执行结果，还能展示测试用例的执行时间、断言信息等，方便测试人员和开发人员查看和分析测试结果。allure - pytest插件则能生成更加专业、丰富的 Allure 报告，支持多种展示形式和交互功能，如趋势图、错误分析等，在团队协作和项目汇报中非常实用。

在测试效率提升方面，pytest - xdist插件允许并行运行测试用例，充分利用多核 CPU 的优势，大幅缩短测试执行时间，尤其适用于大型项目的测试。pytest - rerunfailures插件可以在测试用例失败时自动重试，对于一些由于环境不稳定或偶尔出现的问题导致的测试失败，非常有用，减少了人为排查和重新运行测试的工作量。

在与其他框架和工具集成方面，Pytest 也表现出色。例如，pytest - django插件专门为 Django 项目提供支持，使得在 Django 项目中使用 Pytest 进行测试变得更加便捷；pytest - selenium插件则将 Pytest 与 Selenium 相结合，方便进行 Web 自动化测试。

三、环境搭建

在开始使用 Pytest 编写测试用例之前，我们需要先搭建好开发环境，主要包括安装 Python 和 Pytest。下面将详细介绍这两个关键步骤。

（一）安装 Python

Python 是 Pytest 运行的基础，因此首先要确保系统中安装了 Python。Python 的下载渠道丰富多样，以下为你推荐几个常用且可靠的下载方式：

Python 官网：这是获取 Python 安装包最直接、最官方的途径。打开浏览器，访问Python 官方网站，在首页中，你会看到醒目的 “Download” 按钮，点击它进入下载页面。在这里，你可以选择适合自己操作系统（Windows、macOS、Linux 等）和系统位数（32 位或 64 位）的 Python 版本。通常情况下，建议选择最新的稳定版本，以获取最新的功能和性能优化。例如，目前最新的 Python 3.12 版本在性能和安全性上都有显著提升。下载完成后，运行安装程序，按照安装向导的提示进行操作。在安装过程中，务必勾选 “Add Python to PATH” 选项，这样可以将 Python 添加到系统环境变量中，方便后续在命令行中直接使用 Python 命令。
Anaconda：如果你主要从事数据科学、机器学习等领域的开发，Anaconda 是一个不错的选择。Anaconda 是一个 Python 的发行版本，它不仅包含了 Python，还集成了大量常用的科学计算库和工具，如 NumPy、Pandas、Matplotlib 等。你可以访问Anaconda 官方网站下载适合自己系统的安装包。安装过程中，同样建议勾选将 Anaconda 添加到系统 PATH 环境变量的选项。安装完成后，Anaconda 会自带一个包管理器 conda，通过 conda 可以方便地创建虚拟环境、安装和管理 Python 包。比如，使用conda create --name myenv python=3.8命令可以创建一个名为myenv，Python 版本为 3.8 的虚拟环境；使用conda install numpy命令可以在当前激活的虚拟环境中安装 NumPy 库。
Microsoft Store（仅适用于 Windows 用户）：对于 Windows 10 和 Windows 11 用户，Microsoft Store 提供了一种便捷的 Python 安装方式。打开 Microsoft Store，在搜索框中输入 “Python”，然后选择适合的 Python 版本，点击 “获取” 按钮即可开始安装。安装完成后，可直接在开始菜单中找到 Python 的相关启动项。这种方式安装的 Python 版本也是官方版本，更新较为及时，并且安装过程无需手动配置环境变量，非常适合新手用户。

（二）安装 Pytest

在安装好 Python 之后，就可以通过 pip 命令来安装 Pytest 了。pip 是 Python 的包管理工具，它可以方便地安装、升级和卸载 Python 包。安装 Pytest 的步骤如下：

打开命令行终端（在 Windows 系统中，可以通过 “开始菜单” 搜索 “命令提示符” 或 “PowerShell”；在 macOS 和 Linux 系统中，直接打开终端应用）。
在命令行中输入以下命令：

pip install pytest

如果你的系统中同时安装了 Python 2 和 Python 3，并且希望使用 Python 3 的 pip 来安装 Pytest，可以使用pip3命令，即pip3 install pytest 。

3. 等待安装完成。在安装过程中，pip 会自动下载 Pytest 及其依赖项，并将它们安装到 Python 的环境中。安装完成后，你会看到类似 “Successfully installed pytest-7.4.3” 的提示信息，表示 Pytest 已成功安装。

在安装过程中，可能会遇到一些问题，以下是常见问题及解决方法：

网络问题：如果在安装过程中出现下载缓慢或下载失败的情况，可能是网络连接不稳定或 pip 源的问题。可以尝试更换 pip 源，使用国内的镜像源，如清华大学的镜像源。在命令行中执行以下命令来临时更换 pip 源：

pip install pytest -i https://pypi.tuna.tsinghua.edu.cn/simple

如果希望永久更换 pip 源，可以在用户主目录下创建一个pip文件夹（如果不存在），在该文件夹中创建一个pip.conf文件（Windows 系统中为pip.ini），然后在文件中添加以下内容：

[global]

index-url = https://pypi.tuna.tsinghua.edu.cn/simple

权限问题：在某些系统中，可能会因为权限不足而导致安装失败。如果遇到权限错误提示，可以尝试使用管理员权限运行命令行终端。在 Windows 系统中，右键点击 “命令提示符” 或 “PowerShell”，选择 “以管理员身份运行”；在 macOS 和 Linux 系统中，在命令前加上sudo，如sudo pip install pytest 。不过，使用sudo命令需要谨慎，因为它会以超级用户权限执行命令，可能会对系统造成潜在风险。
版本冲突：如果系统中已经安装了旧版本的 Pytest，在安装新版本时可能会出现版本冲突问题。可以先使用pip uninstall pytest命令卸载旧版本，然后再重新安装新版本。此外，还可以使用pip install --upgrade pytest命令来升级已安装的 Pytest 到最新版本。

四、Pytest 基础语法

（一）测试用例的编写规则

在 Pytest 中，测试用例的编写遵循一定的命名规则，这有助于 Pytest 自动发现和执行测试。

测试文件命名：测试文件应命名为以test_开头或_test结尾的 Python 文件，例如test_math_operations.py或math_operations_test.py 。这种命名方式让 Pytest 在执行测试时能够轻松识别测试文件，将其纳入测试范围。
测试函数命名：测试函数必须以test_开头，例如test_add()、test_subtract()等。这样 Pytest 在扫描测试文件时，能够准确找到每个测试函数并执行相应的测试逻辑。例如：

def test_add():

result = 2 + 3

assert result == 5

测试类命名：如果使用测试类来组织测试用例，测试类必须以Test开头，且不能包含__init__方法，类中的测试方法同样要以test_开头。例如：

class TestMath:

def test_subtract(self):

result = 5 - 3

assert result == 2

此外，Pytest 还支持使用装饰器来标记测试用例，为测试用例添加额外的元数据或执行条件。例如，@pytest.mark.smoke可以将某个测试用例标记为冒烟测试用例，在执行测试时，可以通过-m参数指定只运行冒烟测试用例：

import pytest

@pytest.mark.smoke

def test_function():

assert True

运行时使用pytest -m smoke命令即可。

（二）断言的使用

断言是测试用例的核心，用于验证测试结果是否符合预期。Pytest 中使用 Python 原生的assert语句进行断言，简单直观，同时 Pytest 还对断言失败时的错误信息进行了优化，使其更易于调试。

基本断言：最常见的断言方式是判断两个值是否相等，使用assert a == b 。例如：

def test_equal():

num1 = 10

num2 = 10

assert num1 == num2

判断真假：使用assert xx判断表达式xx是否为真，assert not xx判断表达式xx是否为假。比如：

def test_true():

condition = True

assert condition

def test_false():

condition = False

assert not condition

包含关系断言：使用assert a in b判断b是否包含a 。例如，判断一个列表中是否包含某个元素：

def test_in():

my_list = [1, 2, 3, 4, 5]

assert 3 in my_list

异常断言：在某些情况下，我们需要验证函数是否会抛出特定的异常，这时可以使用with pytest.raises()上下文管理器。例如，验证一个除法函数在除数为零时是否抛出ZeroDivisionError异常：

def divide(a, b):

return a / b

def test_divide_by_zero():

with pytest.raises(ZeroDivisionError):

divide(10, 0)

断言浮点数：由于浮点数在计算机中的存储存在精度问题，直接使用==判断两个浮点数是否相等可能会得到错误的结果。Pytest 提供了pytest.approx方法来断言两个浮点数是否在一定的误差范围内相等。例如：

def test_float():

result = 0.1 + 0.2

assert result == pytest.approx(0.3)

（三）简单示例演示

下面通过一个简单的加法函数测试，展示完整的测试用例编写过程。假设我们有一个math_operations.py文件，其中定义了一个加法函数add：

# math_operations.py

def add(a, b):

return a + b

然后，我们在test_math_operations.py文件中编写测试用例：

# test_math_operations.py

from math_operations import add

def test_add():

result = add(2, 3)

assert result == 5

def test_add_negative_numbers():

result = add(-1, 1)

assert result == 0

def test_add_zero():

result = add(0, 0)

assert result == 0

在这个示例中，我们定义了三个测试用例，分别测试正常的加法运算、负数相加以及加零的情况。每个测试用例都使用assert语句来验证函数的返回值是否符合预期。运行pytest命令，Pytest 会自动发现并执行这些测试用例，并输出详细的测试结果，帮助我们快速了解测试的通过情况和可能存在的问题。

五、Pytest 进阶用法

（一）fixture 的使用

在 Pytest 中，fixture 是一个强大的功能，它用于在测试执行前进行准备工作，并在测试执行后进行清理工作，极大地提高了测试代码的复用性和可维护性。fixture 可以被多个测试用例共享，就像是为测试用例提供了一个定制化的 “测试环境” 。

例如，在测试一个需要数据库连接的函数时，我们可以使用 fixture 来创建和管理数据库连接。假设我们有一个简单的数据库查询函数query_database ，它从数据库中获取用户信息：

import pymysql

def query_database():

connection = pymysql.connect(host='localhost', user='root', password='password', database='test_db')

cursor = connection.cursor()

cursor.execute('SELECT * FROM users')

result = cursor.fetchall()

connection.close()

return result

现在，我们使用 Pytest 的 fixture 来管理数据库连接，在测试前创建连接，测试后关闭连接。

import pytest

import pymysql

@pytest.fixture

def db_connection():

connection = pymysql.connect(host='localhost', user='root', password='password', database='test_db')

yield connection

connection.close()

def test_query_database(db_connection):

cursor = db_connection.cursor()

cursor.execute('SELECT * FROM users')

result = cursor.fetchall()

assert len(result) > 0

在这个例子中，db_connection是一个 fixture 函数，通过@pytest.fixture装饰器进行定义。在test_query_database测试函数中，将db_connection作为参数传入，Pytest 会自动调用db_connection fixture 函数，并将其返回值（即数据库连接对象）传递给测试函数。yield语句之前的代码（创建数据库连接）会在测试函数执行前执行，yield语句之后的代码（关闭数据库连接）会在测试函数执行后执行，确保了数据库连接的正确管理，避免了在每个测试函数中重复编写连接和关闭数据库的代码。

fixture 还支持不同的作用域（scope），通过scope参数进行设置，常见的作用域有：

function：默认作用域，每个测试函数都会调用一次 fixture，在测试函数执行前创建资源，执行后清理资源。
class：每个测试类调用一次 fixture，在测试类的所有测试方法执行前创建资源，所有测试方法执行后清理资源。例如：

import pytest

@pytest.fixture(scope='class')

def class_fixture():

data = [1, 2, 3]

yield data

# 清理代码，这里省略

class TestClass:

def test_method1(self, class_fixture):

assert sum(class_fixture) == 6

在这个例子中，class_fixture在TestClass类的所有测试方法中只创建一次，提高了测试效率。

module：每个测试模块调用一次 fixture，在模块的第一个测试开始前创建资源，模块中的所有测试完成后清理资源。常用于模块级别的资源管理，如建立和断开与外部服务的连接。
session：整个测试会话中只调用一次 fixture，在测试会话开始前创建资源，测试会话结束后清理资源。适用于开销较大，且所有测试用例都可以共享的准备步骤，如复杂的系统级设置或一次性的资源分配。

（二）参数化测试

参数化测试是 Pytest 的另一个强大功能，通过@pytest.mark.parametrize装饰器，我们可以使用不同的参数组合来运行同一个测试用例，从而提高测试覆盖率和效率。

例如，我们有一个简单的加法函数add ：

def add(a, b):

return a + b

为了测试这个函数在不同输入情况下的正确性，我们可以使用参数化测试：

import pytest

def add(a, b):

return a + b

@pytest.mark.parametrize("a, b, expected", [

(2, 3, 5),

(-1, 1, 0),

(0, 0, 0)

])

def test_add(a, b, expected):

result = add(a, b)

assert result == expected

在这个例子中，@pytest.mark.parametrize装饰器接受两个参数：第一个参数是一个字符串，包含了测试函数中的参数名，多个参数名用逗号隔开；第二个参数是一个列表，列表中的每个元素都是一个元组，每个元组对应一组参数值。Pytest 会根据参数值列表，自动运行测试函数多次，每次使用一组参数值进行测试。

参数化测试还支持更复杂的参数组合和动态生成参数。比如，我们可以使用嵌套的@pytest.mark.parametrize装饰器来测试两个字符串连接后的结果：

import pytest

def concat(s1, s2):

return s1 + s2

@pytest.mark.parametrize("s1", ["hello", "world"])

@pytest.mark.parametrize("s2", ["python", "pytest"])

def test_concat(s1, s2):

result = concat(s1, s2)

assert result == s1 + s2

在这个例子中，s1有两个取值，s2也有两个取值，通过嵌套的参数化装饰器，Pytest 会自动生成 4 种参数组合，运行测试函数 4 次，全面地测试了concat函数在不同字符串组合下的正确性。

（三）测试用例的执行控制

在实际测试过程中，我们常常需要灵活控制测试用例的执行，Pytest 提供了丰富的方式来满足这一需求，通过命令行参数和配置文件，我们可以轻松实现对测试用例执行顺序、选择执行部分测试用例等操作。

1. 命令行参数控制

指定执行部分测试用例：

按模块执行：使用pytest test_module.py命令可以只执行test_module.py模块中的测试用例。例如，项目中有test_math.py和test_db.py两个测试模块，如果只想执行test_math.py中的测试用例，在命令行中输入pytest test_math.py即可。
按类执行：pytest test_module.py::TestClass可以执行test_module.py模块中TestClass类的所有测试用例。假设test_math.py中有一个TestMathOperations类，要执行该类的测试用例，命令为pytest test_math.py::TestMathOperations 。
按函数执行：pytest test_module.py::TestClass::test_method可以精确到执行test_module.py模块中TestClass类里的test_method测试函数。如执行test_math.py中TestMathOperations类的test_add方法，命令是pytest test_math.py::TestMathOperations::test_add 。
按关键字匹配执行：使用-k参数，后面跟关键字，Pytest 会执行包含该关键字的测试用例。比如pytest -k "add and test"会执行所有包含 “add” 和 “test” 关键字的测试用例，对于快速筛选特定功能的测试用例非常方便。还可以使用逻辑运算符，如pytest -k "not slow"表示不执行包含 “slow” 关键字的测试用例，常用于跳过一些耗时较长的测试。

控制测试用例执行顺序：可以使用pytest -ordering插件来控制测试用例的执行顺序。安装插件后，通过@pytest.mark.run(order=X)装饰器来指定测试用例的执行顺序，X为数字，数字越小越先执行。例如：

import pytest

@pytest.mark.run(order=1)

def test_first():

assert True

@pytest.mark.run(order=2)

def test_second():

assert True

在这个例子中，test_first会先于test_second执行。

2. 配置文件控制

Pytest 支持通过配置文件pytest.ini来改变默认的测试行为。pytest.ini一般放在项目的根目录，编码格式必须是 ANSI 格式（可以使用 notepad++ 等工具修改编码格式）。以下是一些常见的配置项：

设置命令行参数：使用addopts配置项可以设置默认的命令行参数。例如：

[pytest]

addopts = -vs

这表示每次运行pytest命令时，都会默认带上-v（详细输出）和-s（显示测试函数中的打印信息）参数。

指定测试用例路径：通过testpaths配置项指定测试用例所在的目录。比如：

[pytest]

testpaths = tests

这样 Pytest 只会在tests目录及其子目录中查找测试用例，忽略其他目录的测试文件。

指定测试文件、类和函数命名规则：

[pytest]

python_files = test_*.py

python_classes = Test*

python_functions = test_*

上述配置表示 Pytest 会查找文件名以test_开头的 Python 文件，类名以Test开头的测试类，以及函数名以test_开头的测试函数，方便统一管理和组织测试用例。通过合理配置pytest.ini文件，可以让 Pytest 的测试执行更加符合项目的需求和规范。

六、Pytest 插件扩展

Pytest 之所以如此强大和受欢迎，很大程度上得益于其丰富的插件生态系统。通过插件，我们可以轻松扩展 Pytest 的功能，满足各种复杂的测试需求。下面为大家介绍一些常用的 Pytest 插件及其安装和使用方法。

（一）pytest - cov：生成测试覆盖率报告

在软件开发中，测试覆盖率是衡量测试质量的重要指标之一，它反映了代码中被测试覆盖的比例。pytest - cov插件可以帮助我们方便地生成测试覆盖率报告，让我们清楚地了解哪些代码被测试覆盖，哪些还没有，从而有针对性地改进测试用例。

安装插件：使用 pip 命令进行安装：

pip install pytest - cov

使用方法：假设我们有一个简单的 Python 项目，结构如下：

my_project/

│

├── my_module.py

└── tests/

└── test_my_module.py

在my_module.py中定义了一个函数：

# my_module.py

def add(a, b):

return a + b

在test_my_module.py中编写测试用例：

# test_my_module.py

from my_project.my_module import add

def test_add():

result = add(2, 3)

assert result == 5

运行测试并生成覆盖率报告，在命令行中执行：

pytest --cov=my_project

执行后，会在终端输出详细的覆盖率信息，类似如下：

---------- coverage: platform win32, python 3.10.8-final-0 -----------

Name Stmts Miss Cover

---------------------------------------

my_project\my_module.py 3 0 100%

---------------------------------------

TOTAL 3 0 100%

这表明my_module.py中的代码被测试完全覆盖。如果希望生成 HTML 格式的覆盖率报告，以便更直观地查看，可以使用如下命令：

pytest --cov=my_project --cov - report=html

执行后，会在当前目录下生成一个htmlcov文件夹，里面包含了 HTML 格式的覆盖率报告，使用浏览器打开htmlcov/index.html文件，即可看到详细的覆盖率报告，报告中会用不同颜色标识出被覆盖和未被覆盖的代码行，非常直观。

（二）pytest - html：生成 HTML 测试报告

Pytest 默认的测试结果输出相对简单，在实际项目中，我们常常需要一份更直观、详细的测试报告，方便向团队成员或客户展示测试结果。pytest - html插件可以将测试结果生成美观的 HTML 报告，报告中包含测试用例的执行结果、执行时间、断言信息等详细内容。

安装插件：使用 pip 安装：

pip install pytest - html

使用方法：还是以上述项目为例，运行测试并生成 HTML 报告，在命令行中执行：

pytest --html=report.html

执行后，会在当前目录下生成一个report.html文件，用浏览器打开该文件，即可看到生成的 HTML 测试报告。报告的头部会显示测试的基本信息，如测试时间、测试环境等；中间部分是测试用例的详细执行情况，包括每个测试用例的名称、状态（通过、失败、跳过等）、执行时间等；底部还会有测试结果的汇总信息，如通过的用例数、失败的用例数、跳过的用例数等。如果测试用例失败，报告中还会详细显示失败的原因和堆栈跟踪信息，方便我们定位问题。此外，还可以通过--self - contained - html参数生成自包含的 HTML 报告，即报告中包含了所有的样式和资源，方便分享和查看，命令如下：

pytest --html=report.html --self - contained - html

（三）pytest - xdist：实现多进程并发测试

在测试用例较多时，测试执行时间可能会很长，这在一定程度上影响了开发效率。pytest - xdist插件允许我们将测试用例分发到多个 CPU 核心或远程主机上并行执行，充分利用多核 CPU 的优势，大大缩短测试执行时间。

安装插件：使用 pip 安装：

pip install pytest - xdist

使用方法：假设我们有多个测试用例，例如：

# test_example.py

import pytest

import time

def test_case1():

time.sleep(2)

assert 1 + 1 == 2

def test_case2():

time.sleep(2)

assert 2 + 2 == 4

def test_case3():

time.sleep(2)

assert 3 + 3 == 6

在命令行中使用-n参数指定并行执行的进程数，例如使用 4 个进程并行执行测试：

pytest -n 4 test_example.py

或者使用-n auto参数让插件自动检测 CPU 核心数并使用所有核心：

pytest -n auto test_example.py

通过这种方式，原本按顺序执行需要较长时间的测试用例，在并行执行的情况下可以大幅缩短执行时间，提高测试效率。需要注意的是，使用多进程并发测试时，测试用例之间应尽量保持独立性，避免共享资源带来的并发问题。

（四）pytest - rerunfailures：失败用例重试

在测试过程中，有时会遇到一些非确定性的错误，例如由于网络波动、环境不稳定等原因导致测试用例失败，但再次运行时可能又能通过。pytest - rerunfailures插件可以帮助我们在测试用例失败时自动重试，减少因这类偶发性问题导致的测试误报。

安装插件：使用 pip 安装：

pip install pytest - rerunfailures

使用方法：在命令行中使用--reruns参数指定失败后重试的次数，例如重试 3 次：

pytest --reruns 3 test_example.py

如果希望在每次重试之间添加延迟，可以使用--reruns - delay参数指定延迟时间（单位为秒），例如重试 3 次，每次重试间隔 1 秒：

pytest --reruns 3 --reruns - delay 1 test_example.py

此外，也可以在测试函数上使用@pytest.mark.flaky(reruns = 次数, reruns_delay = 延迟时间)装饰器来单独指定某个测试用例的重试策略，例如：

import pytest

@pytest.mark.flaky(reruns = 2, reruns_delay = 0.5)

def test_flaky():

import random

assert random.randint(1, 10) != 5

在这个例子中，test_flaky测试用例如果失败，会自动重试 2 次，每次重试间隔 0.5 秒。

七、实际项目应用案例

（一）结合项目架构组织测试用例

在一个基于 Django 框架的 Web 项目中，我们使用 Pytest 进行测试用例的编写和管理。项目结构如下：

my_django_project/

│

├── my_django_project/

│ ├── settings.py

│ ├── urls.py

│ └──...

│

├── apps/

│ ├── users/

│ │ ├── models.py

│ │ ├── views.py

│ │ └── tests/

│ │ ├── test_models.py

│ │ └── test_views.py

│ └── products/

│ ├── models.py

│ ├── views.py

│ └── tests/

│ ├── test_models.py

│ └── test_views.py

│

└── tests/

├── conftest.py

└── test_utils.py

根据项目架构，我们将测试用例按应用（app）进行分组，每个 app 的测试用例放在各自的tests目录下。例如，users app 的模型测试用例放在users/tests/test_models.py中，视图测试用例放在users/tests/test_views.py中。

在test_models.py中，使用 fixture 来创建测试数据：

import pytest

from apps.users.models import User

@pytest.fixture

def user_data():

return {

'username': 'testuser',

'password': 'testpassword',

'email': 'test@example.com'

}

@pytest.fixture

def create_user(user_data):

user = User.objects.create_user(**user_data)

return user

def test_user_creation(create_user):

assert create_user.username == 'testuser'

在test_views.py中，测试视图函数时，使用pytest - django插件提供的client fixture 来模拟 HTTP 请求：

import pytest

from django.urls import reverse

def test_user_login(client, user_data):

url = reverse('users:login')

response = client.post(url, data=user_data)

assert response.status_code == 200

通过这种方式，将测试用例与项目架构紧密结合，使得测试代码的组织清晰、易于维护，并且方便定位和排查问题。

（二）与持续集成工具集成

与 Jenkins 集成：Jenkins 是一款广泛使用的持续集成工具，将 Pytest 与 Jenkins 集成，可以实现代码提交后自动触发测试，并生成详细的测试报告。

安装插件：在 Jenkins 的插件管理中，搜索并安装 “Publish JUnit test result report” 插件（用于展示测试结果）和 “Allure Jenkins Plugin” 插件（用于生成 Allure 测试报告，如果需要）。
配置项目：新建一个 Jenkins 项目，在 “源码管理” 中配置项目的 Git 仓库地址和认证信息，以便 Jenkins 能够拉取最新代码。在 “构建” 步骤中，添加一个执行 Shell 脚本（如果是 Linux 系统）或 Windows 批处理命令（如果是 Windows 系统）的步骤，用于运行 Pytest 测试。例如：

#!/bin/bash

# 进入项目目录

cd /path/to/my_project

# 激活虚拟环境（如果使用虚拟环境）

source venv/bin/activate

# 运行Pytest测试并生成JUnit格式的测试报告

pytest --junitxml=test-results.xml

# 生成Allure报告（如果安装了Allure插件）

allure generate --clean allure-results -o allure-report

配置后操作：在 “构建后操作” 中，添加 “Publish JUnit test result report” 步骤，指定测试报告文件路径（test-results.xml），这样 Jenkins 会在构建完成后展示测试结果的汇总信息，包括通过、失败和跳过的测试用例数量等。如果使用 Allure 报告，添加 “Allure Report” 步骤，指定 Allure 报告的结果目录（allure-results）和报告输出目录（allure-report），构建完成后可以在 Jenkins 界面中点击查看 Allure 报告，报告中包含详细的测试用例执行信息、趋势图等，方便团队成员了解测试情况。

与 GitLab CI/CD 集成：GitLab CI/CD 是 GitLab 提供的持续集成和持续交付服务，与 GitLab 仓库无缝集成。在项目根目录下创建一个.gitlab-ci.yml文件，用于配置 CI/CD 流程。

stages:

- test

test:

stage: test

image: python:3.10

script:

- pip install -r requirements.txt

- pytest --cov=my_project --cov-report=xml

- allure generate --clean allure-results -o allure-report

artifacts:

when: always

paths:

- allure-report

- coverage.xml

在这个配置中，定义了一个test阶段，使用python:3.10镜像，安装项目依赖后运行 Pytest 测试，并生成覆盖率报告和 Allure 报告。artifacts部分配置了在构建完成后保留 Allure 报告和覆盖率报告文件，方便在 GitLab 界面中查看。每次代码推送到 GitLab 仓库时，GitLab CI/CD 会自动触发构建和测试流程，开发者可以在 GitLab 的 CI/CD 页面中查看测试结果和报告，及时了解代码的质量情况，确保每次代码变更都经过充分的测试。

八、总结与展望

通过本文的学习，相信大家对 Pytest 已经有了较为全面和深入的了解。从基础语法到进阶用法，再到插件扩展和实际项目应用，Pytest 展现出了其强大的功能和灵活性，无论是初学者还是有经验的开发者，都能在 Pytest 的世界中找到适合自己的应用场景。

在基础语法部分，我们掌握了测试用例的编写规则，包括测试文件、函数和类的命名规范，以及使用 Python 原生assert语句进行断言的方法，这些是编写 Pytest 测试用例的基石。

进阶用法中的 fixture 让我们能够高效地管理测试资源，实现测试环境的复用；参数化测试则极大地提高了测试覆盖率，减少了重复代码；通过命令行参数和配置文件对测试用例执行的灵活控制，使我们能够根据不同的需求定制测试执行策略。

Pytest 丰富的插件生态系统进一步拓展了其功能边界，pytest - cov帮助我们分析代码覆盖率，pytest - html生成直观的 HTML 测试报告，pytest - xdist实现多进程并发测试加速，pytest - rerunfailures处理失败用例的重试，这些插件在实际项目中都发挥着重要作用。

在实际项目应用中，我们学会了结合项目架构组织测试用例，使其结构清晰、易于维护；还了解了如何将 Pytest 与 Jenkins、GitLab CI/CD 等持续集成工具集成，实现自动化测试流程，及时发现代码中的问题，保证软件质量。

然而，Pytest 的功能远不止于此，它还有许多高级特性和应用场景等待我们去探索。例如，自定义插件以满足特定项目的需求，深入研究 fixture 的复杂依赖关系和动态生成，以及在分布式测试环境中的进一步优化等。希望大家在今后的工作和学习中，能够不断实践和探索 Pytest 的更多功能，将其更好地应用到自动化测试中，提升测试效率和质量，为软件开发的质量保障贡献自己的力量。

本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。