Hypothesis 属性测试入门指南（Python）
Hypothesis 是 Python 的属性测试（Property-based Testing）库，能自动生成海量测试用例并自动缩小反例。本文讲解 @given、strategies、与 pytest 集成及有状态测试的用法。
本文依据官方文档整理，未执行运行验证或性能基准。代码片段展示局部用法，业务函数、数据和环境需按项目补齐；版本与配置以所引文档为准。
直接回答：Hypothesis 是 Python 生态中最知名的属性测试库：你不再手写一个个具体用例，而是描述"输入应该满足什么约束、输出应该满足什么性质"，由库自动生成成百上千个用例去验证，一旦发现反例还会自动缩小到较简单的形式。
从例子测试到属性测试
传统单元测试是"举例式"的：给 add(1, 2) 断言等于 3。问题在于你只能验证想到的那几个例子。属性测试换了个思路——断言性质：
- 对任意两个数，
add(a, b) == add(b, a)（交换律） - 对任意列表，
sorted(sorted(xs)) == sorted(xs)（幂等性） - 对任意合法输入，解析再序列化应当等价（往返一致性）
快速上手
pip install hypothesis
from hypothesis import given, strategies as st
@given(st.lists(st.integers()))
def test_sort_idempotent(xs):
assert sorted(sorted(xs)) == sorted(xs)
运行时 Hypothesis 会自动生成空列表、单元素、极大极小整数、重复元素等各种"刁钻"输入。如果断言失败，它会不断简化输入，尝试给出较小反例；受测试预算和策略影响，不保证数学意义的全局最小。
strategies：描述输入空间
常用策略：
| 策略 | 含义 |
|---|---|
st.integers(min_value=0, max_value=100) |
限定范围的整数 |
st.text(alphabet="abc", max_size=10) |
限定字符集与长度的字符串 |
st.datetimes(timezones=st.timezones()) |
带时区的日期时间；默认 st.datetimes() 生成 naive datetime |
st.builds(MyClass, field=st.integers()) |
构造自定义对象 |
st.one_of(a, b) / s.filter(...) / s.map(...) |
组合、过滤、变换策略 |
策略定义得越贴近真实数据分布，测试价值越高。
与 pytest 集成
Hypothesis 天然兼容 pytest，@given 装饰的函数可以像普通测试一样被收集；配合 @settings(max_examples=500, deadline=None) 可以控制用例预算和 deadline 检查（不是强制中断死循环的硬超时）。函数级 fixture 不会为每个生成样本重新初始化；数据库资源须在每个样本内创建/回滚，避免状态污染：
from hypothesis import settings
@settings(max_examples=200)
@given(email=st.emails())
def test_create_user(email):
# isolated_test_db 是项目实现的上下文管理器，退出时回滚/清理。
with isolated_test_db() as db:
assert create_user(db, email).email == email
有状态测试（Rule-based）
对于"一连串操作"的系统（缓存、队列、状态机），Hypothesis 提供 RuleBasedStateMachine：定义若干操作规则和不变量，库会自动生成随机操作序列，尝试把系统搞坏——这是普通参数化测试很难覆盖的维度。
常见问题（FAQ）
Q：属性测试会不会很慢？
A：比单条用例慢是肯定的，但 max_examples 可调，默认 max_examples 通常为100，是否足够取决于输入空间；CI 可增加预算。它不是穷举，也不保证覆盖率固定倍数提升。
Q：找不到"性质"可断言怎么办？
A：最常见的万能性质是"不抛异常"和"往返一致"（parse∘serialize = identity）。从这两个入手，慢慢就能发现更多业务不变量。
Q：Hypothesis 发现的反例能固定下来吗？
A：可以。库自带 example 数据库会记住失败用例，修复后建议顺手补一条普通的参数化测试做回归。
官方参考
资料核对日期：2026-09-29。
