博客
关于我
单元测试的驱动程序和桩程序
阅读量:108 次
发布时间:2019-02-26

本文共 1230 字,大约阅读时间需要 4 分钟。

概念

驱动程序(Driver)和桩程序(Stub)是软件开发中常用的测试辅助工具,它们各有不同的作用和应用场景。

驱动程序(Driver)

驱动程序可以称作驱动模块,是用来模拟被测模块的上级模块,能够调用被测模块。在测试过程中,驱动模块接收测试数据,调用被测模块并把相关的数据传送给被测模块。简单来说,驱动测试就是解决被测模块缺少main()方法入口的问题,通过编写一个带main()的驱动程序来调用被测模块或其方法。

桩程序(Stub)

桩程序是用来模拟被测模块工作过程中所调用的下层模块。桩模块由被测模块调用,它们通常只进行简单的数据处理。打桩的含义是编写或生成桩代码。桩的作用是用代替原函数B,B1就是桩函数。当函数B用B1代替时,B称为原函数,B1称为桩函数。打桩的目的是为了隔离、补齐或控制。

打桩的目的

打桩的主要目的是为了实现以下三方面的需求:

  • 隔离

    将测试任务从产品项目中分离出来,使其能够独立编译、链接并运行。通过打桩,可以将测试任务之外的相关代码替换为桩,从而实现对测试任务的隔离。例如,函数A调用了函数B,而函数B又调用了函数C和D。如果用桩来代替函数B,那么函数A就可以完全脱离与函数C和D的关联。

  • 补齐

    用桩来代替未实现的代码。例如,函数A调用了函数B,而函数B尚未由其他程序员实现。可以通过打桩来代替函数B,使得函数A能够运行并进行测试。这种方法在并行开发中非常常用。

  • 控制

    在测试时,人为设定相关代码的行为,使其符合测试需求。通过控制桩的行为,可以在测试过程中对代码的执行流程进行人为干预,从而更好地满足测试需求。

  • 代码示例

    以下是一个简单的驱动测试示例:

    public static void main(String[] args) {    Attendance a = new Attendance();    a.query();}public void query() {    int value = this.Stub1() + this.Stub2();    System.out.println("我方法的值是:" + value);}public int Stub1() {    int output = 3;    System.out.println("my stub的值是" + output);    return output;}public int Stub2() {    int output = 4;    System.out.println("my stub的值是" + output);    return output;}

    在这个示例中,Attendance类的 query() 方法调用了两个桩方法 Stub1()Stub2(),并将它们的返回值相加并输出结果。Stub1()Stub2() 是简单的桩程序,它们分别返回固定的值3和4,并在控制台打印相应的日志信息。

    转载地址:http://lheu.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 初学者指南 -- 什么是迁移学习?
    查看>>
    OpenCV与AI深度学习 | 十分钟掌握Pytorch搭建神经网络的流程
    查看>>
    OpenCV与AI深度学习 | 基于GAN的零缺陷样本产品表面缺陷检测
    查看>>
    OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
    查看>>
    OpenCV与AI深度学习 | 基于OpenCV实现模糊检测 / 自动对焦
    查看>>
    OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
    查看>>
    OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
    查看>>
    OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
    查看>>
    OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
    查看>>
    OpenCV与AI深度学习 | 基于YoloV11自定义数据集实现车辆事故检测(有源码,建议收藏!)
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8实现高级目标检测和区域计数
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
    查看>>
    OpenCV与AI深度学习 | 基于YoloV8的药丸/片剂类型识别
    查看>>
    OpenCV与AI深度学习 | 基于YOLO和EasyOCR从视频中识别车牌
    查看>>
    OpenCV与AI深度学习 | 基于图像处理的火焰检测算法(颜色+边缘)
    查看>>
    OpenCV与AI深度学习 | 基于拉普拉斯金字塔实现图像融合(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
    查看>>
    OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
    查看>>
    OpenCV与AI深度学习 | 如何使用YOLOv9分割图像中的对象
    查看>>