🧪 Тестирование кода

Короткий ответ Отдельная тестовая БД нужна, чтобы тесты не изменяли и не зависели от данных production или окружения разработки; её обычно поднимают через фикстуру, которая создаёт схему перед тестами и удаляет данные после них. Как это работает подробнее Тестовая БД может быть отдельной базой в том же СУБД-инстансе, временным SQLite-файлом или контейнером, поднятым специально для тестового прогона (например, через testcontainers или docker-compose), и полностью независима от БД разработки. Фикстура уровня сессии обычно применяет миграции один раз в начале прогона, а фикстура уровня функции очищает или откатывает данные между тестами. Пример кода Что использовать на практике Практика. Важно, чтобы тестовая БД максимально соответствовала production по диалекту СУБД — если в проде PostgreSQL, тесты на SQLite могут не заметить несовместимые особенности SQL (например, работу с JSON-полями, регистрозависимость строк или ограничениями внешних ключей), которые проявятся только в production. Подводные камни Риск. Исп

Читать полностьюdatabases

Короткий ответ Нужно сначала воспроизвести нестабильность (прогнать тест многократно, в т.ч. в изоляции и в случайном порядке с остальными), а затем искать источник недетерминизма: общее состояние между тестами, зависимость от реального времени/сети, гонки в асинхронном или многопоточном коде, неявный порядок выполнения. Как это работает подробнее Flaky-тест обычно связан со скрытой зависимостью от внешнего или разделяемого состояния: случайных данных без фиксированного seed, реального времени, порядка выполнения тестов (если один тест оставляет данные для следующего), таймаутов в CI с ограниченными ресурсами, гонок между потоками или корутинами, которые не всегда успевают пересечься по времени. Пример кода Что использовать на практике Практика. Полезные инструменты диагностики: запуск теста в цикле (pytest --count=50 с pytest-repeat), запуск тестов в случайном порядке (pytest-randomly) для выявления скрытых зависимостей по порядку, логирование состояния перед падением. Временная карантинная маркировка (@pyte

Читать полностьюdebugging

Короткий ответ factory_boy описывает фабрику для модели с разумными значениями по умолчанию (в том числе случайными через faker), и тест может создать объект, переопределив только те поля, которые важны для конкретного сценария, вместо заполнения всех обязательных полей вручную. Как это работает подробнее Фабрика — это класс, декларативно описывающий, как собрать объект модели (ORM-модели, Pydantic-схемы и т.п.) с значениями по умолчанию; faker генерирует реалистичные случайные данные (имена, email, даты). Вызов Factory() или Factory(field=value) создаёт объект, переопределяя только нужные поля. Пример кода Что использовать на практике Практика. Это особенно полезно, когда модель имеет много обязательных полей, не относящихся к сути теста — тест остаётся сфокусированным на том, что он действительно проверяет, а не на заполнении шаблонного boilerplate. Для БД-ориентированных фабрик (factory_boy с SQLAlchemyModelFactory/DjangoModelFactory) можно сразу сохранять объект в тестовую БД. Подводные камни Риск. Полага

Читать полностьюfactory-boy

Короткий ответ Решение зависит от стоимости и стабильности реальной зависимости: для быстрых и детерминированных зависимостей (своя тестовая БД, внутренний сервис с тестовым окружением) стоит тестировать против реальных инстансов в интеграционных тестах, а для медленных, дорогих, нестабильных или сторонних зависимостей (внешние платёжные шлюзы, сторонние API с лимитами) оправданы моки и контрактные тесты вместо постоянных реальных вызовов в CI. Как это работает подробнее Моки дают скорость, детерминированность и независимость от доступности внешней системы, но верны ровно настолько, насколько верны предположения разработчика о поведении реальной зависимости — если реальный сервис изменит поведение, мок этого не заметит. Реальные зависимости в CI (через контейнеры или тестовые окружения) дают более высокую уверенность, но увеличивают время прогона, хрупкость (сетевые сбои, лимиты) и инфраструктурную сложность пайплайна. Сравнение Компромисс. Больше моков — быстрый и стабильный CI, но риск расхождения мока с ре

Читать полностьюintegration-testing

Короткий ответ Нужно замокать клиент внешнего сервиса так, чтобы он бросал исключение таймаута (или возвращал ответ с кодом 500), и проверить, что код приложения перехватывает это и ведёт себя предсказуемо — например, возвращает понятную ошибку клиенту или делает повторную попытку по заданной политике. Как это работает подробнее В зависимости от HTTP-клиента симулируют конкретное исключение библиотеки (например, httpx.TimeoutException, requests.exceptions.Timeout) через side_effect мока, либо настраивают мок-сервер (responses/respx) так, чтобы он отвечал статусом 500 или зависал дольше настроенного таймаута, точно воспроизводя условия частичного отказа внешней зависимости. Пример кода Что использовать на практике Практика. Важно проверять не просто факт перехвата исключения, а итоговое поведение системы: вернулся ли клиенту корректный код ошибки (502/503), сработал ли circuit breaker или retry с backoff, залогировано ли событие для последующей диагностики. Это особенно важно для сервисов с частичными отказами

Читать полностьюfault-tolerance

Короткий ответ Нужно отдельно проверить успешную валидацию корректных данных, явный отказ при невалидных данных (через pytest.raises(ValidationError)) и граничные значения — минимум/максимум допустимой длины, диапазона, пустые и None значения там, где они формально допустимы или недопустимы. Как это работает подробнее Pydantic при создании экземпляра модели с некорректными данными бросает ValidationError со списком конкретных ошибок по каждому полю отдельно; тест может проверить не только факт ошибки, но и то, что она относится к ожидаемому полю и имеет ожидаемый тип, через анализ e.value.errors(). Пример кода Что использовать на практике Практика. Параметризация (@pytest.mark.parametrize) хорошо подходит для перебора набора граничных и некорректных значений одного поля: пустая строка, строка ровно на границе max_length, отрицательное число для поля с ge=0, неверный формат email. Это системно покрывает значимые классы эквивалентности входных данных. Подводные камни Риск. Тестировать только один успешный приме

Читать полностьюboundary-testing

Короткий ответ Тесты стоит разделить на быстрый этап (unit-тесты, линтеры) и более медленный этап (интеграционные тесты с реальной БД), запускать их параллельно по нескольким воркерам (pytest-xdist) и настраивать кеширование зависимостей, чтобы обратная связь разработчику приходила как можно быстрее при сохранении достаточного покрытия перед мержем. Как это работает подробнее pytest-xdist распределяет тесты по нескольким процессам/ядрам (pytest -n auto), сокращая общее время прогона на многоядерных раннерах. Разделение на job'ы в CI-пайплайне (unit → integration → e2e) с ранним завершением (fail fast) на первом же упавшем быстром этапе экономит время и вычислительные ресурсы. Пример кода Что использовать на практике Практика. Важно учитывать изоляцию при параллельном запуске: каждая параллельная группа тестов с реальной БД должна использовать собственную схему/базу или уникальный namespace, иначе параллельные воркеры будут конфликтовать за одни и те же данные. Кеширование зависимостей (pip/poetry) и Docker-сл

Читать полностьюcontinuous-integration

Короткий ответ Нужно поднимать реальный экземпляр СУБД (контейнер PostgreSQL) перед запуском интеграционных тестов, прогонять на нём миграции и настраивать приложение на подключение к этому контейнеру, а после прогона — останавливать и удалять контейнер. Как это работает подробнее Библиотека testcontainers программно поднимает Docker-контейнер (например, postgres:16) на случайном свободном порту прямо из тестовой фикстуры session-уровня, ждёт готовности БД, после чего тесты подключаются к ней как к обычной тестовой базе; в конце прогона контейнер автоматически останавливается. Пример кода Что использовать на практике Практика. Такой подход даёт более высокую уверенность, чем SQLite-заглушка, так как использует ту же СУБД и версию, что и production, включая специфичные типы данных, ограничения и поведение транзакций. В CI это требует доступности Docker-демона на раннере и добавляет время на старт контейнера, которое стоит минимизировать кешированием образа. Подводные камни Риск. Запускать такие тесты параллель

Читать полностьюcontinuous-integration

Короткий ответ Нужно сочетать явные тесты конкурентного сценария на реальной тестовой БД (запуск нескольких параллельных операций над одной записью и проверка итогового состояния) с осознанным выбором механизма защиты (оптимистичная блокировка через version-поле, пессимистичная блокировка SELECT ... FOR UPDATE, сериализуемый уровень изоляции транзакций) — тест должен проверять именно тот механизм, который реализован, а не абстрактную «защищённость от гонок». Как это работает подробнее Тест запускает несколько потоков или процессов (или два отдельных соединения/сессии к одной тестовой БД), которые одновременно читают одну запись, изменяют её и пытаются сохранить, затем проверяет, что итоговое значение соответствует ожидаемому при выбранной стратегии защиты — например, что при оптимистичной блокировке один из конкурентных апдейтов явно завершается ошибкой конфликта версии, а не молча перезаписывает чужие изменения. Сравнение Компромисс. Тесты с принудительной синхронизацией гонки дают высокую уверенность, но сл

Читать полностьюconcurrency