pytest: Python-Testautomatisierung

• 1. Grundlagen und Test Discovery
  • Konventionen: Wie pytest Tests findet (Dateinamen, Klassen, Funktionen).
  • Assertions: Warum einfache assert-Statements in pytest mächtiger sind als self.assert....
  • CLI-Tricks: Gezieltes Ausführen von Tests mit -k, -m und -x.
• 2. Das Fixture-System: Setup und Teardown
  • Dependency Injection: Ressourcen (DB-Verbindungen, API-Clients) sauber bereitstellen.
  • Scopes: Lebensdauer von Fixtures steuern (function, class, module, session).
  • Autouse & Yield: Automatisches Setup und sauberes Aufräumen nach dem Test.
• 3. Parametrisierung: DRY (Dont Repeat Yourself)
  • @pytest.mark.parametrize: Den gleichen Test mit verschiedenen Datensätzen ausführen.
  • Indirekte Parametrisierung: Fixtures dynamisch über Test-Parameter steuern.
  • Kombinatorik: Massives Testen von Grenzwerten mit minimalem Code-Overhead.
• 4. Marks und Metadata
  • Built-in Marks: skip, xfail (erwartetes Scheitern) und skipif.
  • Custom Marks: Logische Gruppierung von Tests (z.B. @pytest.mark.slow).
  • Filtern: Ausführen von spezifischen Test-Suites basierend auf Markierungen.
• 5. Konfiguration und die conftest.py
  • Zentralisierung: Fixtures und Hooks projektweit zur Verfügung stellen.
  • pytest.ini & pyproject.toml: Standard-Verhalten und CLI-Optionen festlegen.
  • Hooks: Den Test-Lifecycle erweitern (z.B. für benutzerdefinierte Reports).
• 6. Mocking und Monkeypatching
  • pytest-mock: Das mocker-Fixture zur Isolation von Systemkomponenten.
  • Monkeypatch: Temporäres Ändern von Umgebungsvariablen oder Modul-Attributen.
  • Abhängigkeiten: Externe APIs und Datenbanken für deterministische Tests simulieren.
• 7. Testing in modernen Umgebungen
  • pytest-asyncio: Asynchrone Funktionen (async/await) korrekt testen.
  • Integrationstests: Zusammenspiel von Microservices und Datenbanken validieren.
  • API-Testing: Kombination von pytest mit requests oder httpx.
• 8. Performance und Plugins
  • pytest-xdist: Parallele Testausführung zur massiven Zeitersparnis.
  • pytest-cov: Messung und Visualisierung der Testabdeckung (Coverage).
  • Weitere Plugins: pytest-html für grafische Reports, pytest-ordering uvm.
• 9. Praxis-Workshop: "The Bulletproof App"
  • Workshop: Refactoring einer ungetesteten Applikation hin zu 90% Coverage.
  • Refactoring-Task: Komplexe unittest-Strukturen in elegantes pytest transformieren.
  • CI-Challenge: Integration der Test-Suite in eine GitHub Action mit Coverage-Report.
  • Final Roadmap: Aufbau eines Test-Standards für zukünftige Projekte.

LernzieleDie Teilnehmenden erlernen den Aufbau einer strukturierten Testumgebung mit pytest. Ziel ist es, wiederverwendbare Fixtures zu erstellen, Edge-Cases durch Parametrisierung effizient abzudecken und Plugins gezielt einzusetzen, um die Testgeschwindigkeit und die Aussagekraft von Testberichten signifikant zu steigern.Zielgruppen

• Python-Entwickler: Zur Verbesserung der Code-Qualität durch Unit- und Integration-Tests.
• QA-Engineers & Tester: Zur Automatisierung komplexer Test-Szenarien.
• DevOps Engineers: Zur Integration von Test-Metriken in CI-Pipelines.
• Data Scientists: Zur Absicherung von Daten-Pipelines und Analyse-Logik.