Hypothesis 生成式测试：Python 属性测试库指南

简介

常规测试只能验证函数在特定输入下的表现。但如果你无法预知哪些输入会引发错误呢？Hypothesis 生成式测试能自动解决这个问题。

Hypothesis 是一个强大的 Python 属性测试（property-based testing）库，它彻底改变了测试方式。你无需手动构造测试数据，Hypothesis 会自动生成成千上万种不同的输入值，竭力寻找极端、错误或非典型的边界情况。你只需描述函数的属性和不变性，Hypothesis 就会尝试去破坏它们。

什么是 Hypothesis

Hypothesis 是一种基于属性测试（property-based testing）概念的生成式测试工具。该库旨在解决传统测试的根本问题：无法预见到所有可能的输入数据。

核心工作原理

该库遵循“寻找反例”的原则。当你定义函数的某个属性（例如，两个数相加的结果总是大于每个加数），Hypothesis 会生成大量不同的输入数据，并验证该属性是否对每组数据都成立。

相比传统测试的优势

• 自动覆盖边界情况：Hypothesis 能自主发现罕见且复杂的数据组合
• 错误最小化：一旦发现测试失败，系统会自动将输入简化到最小的可复现示例
• 高性能：快速生成数千个测试用例
• 可复现性：发现的错误可以轻松复现

安装与快速上手

安装库

pip install hypothesis

如需额外功能，可安装扩展版本：

pip install hypothesis[numpy,pandas,django]

基础使用示例

from hypothesis import given
import hypothesis.strategies as st

@given(st.integers(), st.integers())
def test_addition_commutative(a, b):
    assert a + b == b + a

@given(st.integers(), st.integers())
def test_addition_associative(a, b, c):
    assert (a + b) + c == a + (b + c)

运行测试

你可以通过 pytest、unittest 或直接运行测试：

pytest test_file.py
python -m unittest test_file.py
python test_file.py

数据生成基础

@given 装饰器

@given() 装饰器是 Hypothesis 的核心。它指定使用哪些生成策略来创建测试数据。

@given(st.integers())
def test_absolute_value(x):
    assert abs(x) >= 0

@given(st.text(), st.integers(min_value=0))
def test_string_multiplication(s, n):
    result = s * n
    assert len(result) == len(s) * n

hypothesis.strategies 模块

所有数据生成策略都位于 hypothesis.strategies 模块中，通常导入为 st。该模块提供了丰富的预定义策略，适用于各种数据类型。

数据生成策略

基础策略

Hypothesis 提供了大量内置策略，用于生成不同类型的数据：

# 数值类型
st.integers()  # 整数
st.floats()    # 浮点数
st.decimals()  # 十进制数

# 文本数据
st.text()      # Unicode 字符串
st.binary()    # 字节串
st.characters() # 单个字符

# 逻辑