Rivalry2

HTML Diff

0 added 0 removed

Original 2026-01-01

Modified 2026-03-10

1 <ul><li><a>Датаклассы в Python</a></li>

2 <li><a>Функционал библиотеки Pydantic</a><ul><li><a>Возможности Pydantic</a></li>

3 <li><a>Недостатки </a></li>

4 </ul></li>

5 <li><a>Функционал библиотеки Faker</a><ul><li><a>Формат JSON</a></li>

6 <li><a>Faker легко установить и использовать</a></li>

7 <li><a>Дополнительно</a></li>

8 </ul></li>

9 </ul>По материалам открытых уроков и выступлений Светланы Лебедевой, старшего инженера по тестированию ПО и преподавателя OTUS

10 <h2>Датаклассы в Python</h2>

11 Словари и дата-классыПеред тем как перейти к обзору библиотек, рассмотрим различия словарей и датаклассов.

12 Словарь (dictionary):структура данных, которая позволяет хранить пары "ключ-значение". Ключ - неизменяемый тип данных, обычно - строка, но ключом может быть и целое число, число с точкой или даже "кортеж". Данные из словаря мы извлекаем по ключу. Скажем сразу: в этой статье речь идёт о базовом словаре (dict), а не о более продвинутой структуре данных TypedDict.

13 Обычно инженеры по автоматизации тестирования работают со структурой JSON, которая проще всего конвертируется в обычный dict. У dict нет чёткой структуры и валидации типов данных; значения могут быть самых разных типов: как изменяемых, так и неизменяемых, и при инициализации словаря мы не можем задать ограничения по добавляемым в него типам данным.

14 Датаклассы: сравнительно новая фича в Python. Как видно из названия, эти классы представляют набор инструментов для хранения и обработки данных.

15 Вот основные отличия датаклассов от обычных классов:

16 <ul><li>При использовании датаклассов не нужно думать о методе __init__ (метод, который вызывается при создании объекта класса).</li>

17 <li>Не нужно думать о методах, которые позволяют сравнивать два объекта одного класса.</li>

18 <li>Код становится чище и красивее.</li>

19 <li>Чтобы создать датакласс, нужно просто использовать декоратор @dataclass.</li>

20 <li>Есть метод __post_init__, который позволяет добавить данные уже после инициализации объекта этого класса.</li>

21 </ul>Модуль dataclasses также включает в себя функцию field, которая позволяет более гибко настраивать поля датаклассов. С помощью field можно задавать параметры по умолчанию, функции для создания значений по умолчанию (или "фабрики") и параметры, которые влияют на генерацию методов.

22 Пример использования датакласса и функции field:

23 from dataclasses import dataclass, field from typing import List @dataclass class Student: name: str age: int grades: List[int] = field(default_factory=list)Здесь мы создаём класс для хранения данных ученика, где поле grades по умолчанию - пустой список.

24 Для валидации данных в датаклассах можно использовать метод __post_init__, который вызывается сразу после генерации __init__. Это позволяет выполнять дополнительную логику. Например, проверку типов и значений:

25 from dataclasses import dataclass, field @dataclass class Product: name: str price: float quantity: int = field(default=0) def __post_init__(self): if self.price <= 0: raise ValueError("Цена должна быть больше 0") if self.quantity < 0: raise ValueError("Количество должно быть больше 0") # Правильное использование product = Product(name="Laptop", price=1000.0, quantity=5) # Неправильное использование вызовет исключение try: product_with_negative_price = Product(name="Laptop", price=-1000.0) except ValueError as e: print(e) # Цена должна быть больше 0Библиотеки Faker и Pydantic упрощают процесс валидации и генерации данных, а потому - очень полезны в процессе автоматизации тестирования.

26 <h2>Функционал библиотеки Pydantic</h2>

27 Pydantic - библиотека, в основе которой лежит концепция датаклассов или "моделей". Библиотека позволяет удобно хранить и валидировать данные прямо в момент создания объекта класса. Кроме того, в Pydantic можно превращать данные, как из модели данных - в JSON, так и наоборот: из JSON - в модель данных.

28 Pydantic широко используется не только в автоматизированном тестировании, но и в бэкенд-разработке для валидации данных с сервера. Поэтому у Pydantic огромное сообщество: всегда найдётся кто-то, кто поможет вам решить вопрос.

29 <h3>Возможности Pydantic</h3>

30 Поддержка аннотаций типов: в Pydantic можно управлять валидацией схем и сериализацией. Это упрощает изучение, уменьшает количество кода и обеспечивает интеграцию с IDE.

31 Скорость:логика валидации Pydantic написана на Rust. Поэтому Pydantic - одна из самых быстрых библиотек для валидации данных в Python.

32 JSON Schema:модели Pydantic могут генерировать JSON Schema, что облегчает интеграцию с другими инструментами.

33 Строгий и гибкий режимы:Pydantic может работать в строгом режиме (strict=True), где данные не преобразуются, или в гибком режиме (strict=False), где Pydentic при необходимости пытается привести данные к правильному типу.

34 Настройка:Pydantic позволяет применять пользовательские валидаторы и сериализаторы для изменения обработки данных разными способами.

35 Экосистема:около 8000 пакетов на PyPI используют Pydantic.

36 Распространение:Pydantic скачивается более 70 миллионов раз в месяц; используется всеми компаниями FAANG и 20 из 25 крупнейших компаний NASDAQ

37 Подробнее о возможностях библиотеки Pydantic:<a>смотреть фрагмент конференции "OTUS CONF: Тестирование" </a>

38 <h3>Недостатки </h3>

39 <ul><li>Не входит в стандартную библиотеку Python</li>

40 <li>Требует много времени на освоение из-за обширной документации</li>

41 </ul>Чтобы использовать модель Pydantic, достаточно "унаследовать" новый класс от класса BaseModel, после чего обширный функционал библиотеки станет доступен.

42 Пример:

43 from pydantic import BaseModel, Field, field_validator from typing import List class Product(BaseModel): name: str price: float = Field(..., gt=0, description="Price must be greater than zero") quantity: int = Field(default=0, ge=0, description="Quantity must be greater than zero") tags: List[str] = [] @field_validator('name') @classmethod def name_must_not_be_empty(cls, v): if not v.strip(): raise ValueError('Name must not be empty') return v @field_validator('tags') @classmethod def tags_must_be_non_empty(cls, v): if not v: raise ValueError('Tags must not be empty') return v # Правильное использование try: product = Product(name="Laptop", price=1000.0, quantity=5, tags=["electronics", "computers"]) print(product) except ValueError as e: print(e) # Неправильное использование вызовет исключение try: invalid_product = Product(name=" ", price=-1000.0, quantity=-1, tags=[]) except ValueError as e: print(e)В этом примере:

44 <ul><li>Класс Product наследуется от BaseModel Pydantic.</li>

45 <li>Поля price и quantity используют встроенные валидаторы gt (greater than) и ge (greater or equal) для проверки значений.</li>

46 <li>Пользовательский валидатор для поля name проверяет, что имя не пустое.</li>

47 <li>Пользовательский валидатор для поля tags проверяет, что каждый тег не пустой.</li>

48 </ul><h2>Функционал библиотеки Faker</h2>

49 Faker - библиотека, которая генерирует реалистичные тестовые данные с разной локализацией. У этой библиотеки много провайдеров: провайдер адреса, провайдер номеров автомобилей, банковской информации, штрихкодов, эмоджи, текстовый провайдер, провайдер для генерации географических данных и проч.

50 Также у Faker много локализаций с данными, специфичными для конкретной страны.

51 <h3>Формат JSON</h3>

52 Часто в проекте нужно сгенерировать какой-то JSON, который должен содержать данные о пользователе. И вам приходится придумывать фамилию, имя, отчество, номер карты, адрес, email. Чтобы не тратить время, вы можете сделать всё это с помощью библиотеки Faker. Кроме того, с помощью Faker можно наполнять базы данных и делать тестовые файлы.

53 Подробнее про использование Faker:<a>смотреть запись вебинара на Youtube</a>

54 <h3>Faker легко установить и использовать</h3>

55 ->стандартная команда !pip install Faker Пишем код с использованием Faker: from faker import Faker faker = Faker() print(f'name: {faker.name()}') # name: Arthur Patton print(f'address: {faker.address()}') # address: 0638 Larsen Way, Tylermouth, CA 48344 print(f'text: {faker.sentence()}') # text: While per budget up technology design.Теперь объединим две библиотеки, чтобы сгенерировать простой JSON-объект:

56 from pydantic import BaseModel, Field from faker import Faker from typing import List # Инициализация Faker faker = Faker() # Функции для генерации данных с помощью Faker def fake_name(): return faker.name() def fake_age(): return faker.random_int(min=18, max=25) def fake_grades(): return [faker.random_int(min=60, max=100) for _ in range(5)] # Определение модели данных с использованием Pydantic class Student(BaseModel): name: str = Field(default_factory=fake_name) age: int = Field(default_factory=fake_age) grades: List[int] = Field(default_factory=fake_grades) # Создание экземпляра модели Student с автоматической генерацией данных и их валидация try: student = Student() print(student) except ValueError as e: print(e) # Конвертация объекта Pydantic в JSON student_json = student.model_dump() print(student_json) >>> {'name': 'Maria Riddle', 'age': 23, 'grades': [81, 87, 74, 92, 92]}<h3>Дополнительно</h3>

57 <ul><li>В качестве функции-аргумента для default_factory нужно использовать функцию, не принимающую аргументы. Если аргументы всё-таки нужно передать, можно воспользоваться lambda-функцией. Например: Field(default_factory=lambda: faker.random_int(min=60, max=100))</li>

58 <li>Датакласс можно превратить в словарь с помощью функции asdict. В модели Pydantic для этого используется метод model_dump()</li>

59 <li>Faker и Pydantic не входят в стандартный пакет Python</li>

60 </ul>Больше о полезных библиотеках для автоматизации тестирования - на курсе<a>Python QA Engineer</a>