آموزش تست مدرن پایتون با pytest - آخرین آپدیت

دانلود Modern Python Testing with pytest

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: تست واحد (Unit Testing) در پایتون را با pytest به صورت سریع، مؤثر و با مثال‌های واقعی بیاموزید. - نوشتن تست‌های خودکار، واضح و قابل نگهداری با استفاده از pytest - سازماندهی مجموعه‌های تست با ساختار پروژه مقیاس‌پذیر - استفاده از fixtures برای مدیریت آماده‌سازی، پاک‌سازی و وابستگی‌های تست - به‌کارگیری تکنیک‌های Mocking برای ایزوله‌سازی کد و تست مسیرهای مختلف اجرا - اندازه‌گیری و اعمال استانداردهای پوشش کد (Code Coverage) برای برنامه‌های قابل اعتماد - پیکربندی pytest برای استفاده بلندمدت در توسعه حرفه‌ای و جریان‌های کاری CI پیش نیازها: شما باید با برنامه‌نویسی پایه پایتون، از جمله توابع، ماژول‌ها و اجرای کد پایتون از طریق خط فرمان (Command Line) آشنا باشید. توانایی نصب نرم‌افزار روی سیستم و کار با محیط ترمینال الزامی است. هیچ تجربه قبلی در مورد pytest یا سایر فریم‌ورک‌های تست نیاز نیست.

Pytestیک فریم‌ورک مدرن و محبوب برای تست در پایتون است که برای نوشتن و اجرای تست‌های خودکارمورد استفاده قرار می‌گیرد. این ابزار تست کردن را سادهو مقیاس‌پذیرمی‌کند و به شما اجازه می‌دهد با کمترین کدنویسی تکراری، تست‌های واضحی ایجاد کنید و در عین حال از ویژگی‌های پیشرفته‌ای مانند fixtures، parameterisationو mockingبهره‌مند شوید.

Pytest به توسعه‌دهندگان کمک می‌کند تا با ساده و کارآمدکردن تست‌های خودکار، باگ‌ها را زودتر شناسایی کرده و کدها را با اطمینان کامل بازنویسی (Refactor) کنند.

بیاموزید که چگونه تست‌های خودکار را با pytest بنویسید، سازماندهی کنید و اجرا کنید تا اپلیکیشن‌های پایتونی قابل‌اعتمادتر و قابل‌نگهداری‌تری بسازید.

  • مبانی تستو نوشتن اولین تست‌های pytest

  • سازماندهیو ساختاربندیمجموعه‌های تست

  • استفاده از fixturesبرای آماده‌سازی و پاک‌سازی مجدد تست‌ها

  • پارامتری کردنتست‌ها برای پوشش سناریوهای متعدد

  • کار با markersبرای گروه‌بندی و کنترل اجرای تست‌ها

  • Mockingو patchingوابستگی‌ها با ابزارهای pytest

  • تست استثناها (exceptions)و موارد خاص (edge cases)

  • تولید و تحلیل گزارش‌های پوشش کد (coverage reports)

  • اعمال استانداردهایحداقل پوشش تست

  • پیکربندیتنظیمات pytest و coverage برای پروژه‌های واقعی

  • بهترین روش‌ها (Best Practices)برای نوشتن تست‌های مؤثر و قابل نگهداری

  • ساخت یک گردش کار تست کامل مناسب برای توسعه حرفه‌ای و خط لوله‌های CI

توسعه اپلیکیشن‌های پایتونی بسیار راحت‌تر و کمتر خطا می‌شود، وقتی بتوانید به سرعت تأیید کنید که کد شما طبق انتظار کار می‌کند.

محتوا و بررسی کلی

این دوره برای توسعه‌دهندگان پایتون طراحی شده است که می‌خواهند با ایجاد یک پایه محکم در تست خودکار با pytest، کدهایی قابل اعتمادو قابل نگهداریبنویسند. من این دوره را برای کسانی طراحی کردم که می‌خواهند از تست‌های دستی فراتر رفته و اعتماد به کد خود را از طریق تست خودکارافزایش دهند.

این دوره شما را از نوشتن کدهای بدون تست، به ساخت، سازماندهی و نگهداری اپلیکیشن‌های آماده برای محیط عملیاتی (Production-ready)می‌رساند. گام به گام یاد می‌گیرید که چگونه اپلیکیشن‌ها را تست کنید و بهترین متدهارا برای ساخت کدی پایداربه کار ببرید.

  • مناسب برای تمامی توسعه‌دهندگان پایتون؛ شما با یادگیری ویژگی‌های اصلیpytest شروع خواهید کرد.

  • یاد می‌گیرید که چگونه تست‌های خود را به سبک pytest سازماندهیکنید و بهینهبا آن کار کنید.

  • در هر مرحله از مثال‌های واقعیاستفاده شده تا کاربرد pytest در توسعه عملی پایتون نشان داده شود.

  • در طول دوره از تکنیک‌هایی استفاده می‌کنیم که در تمامی پروژه‌های خود قابل استفاده مجددباشند.

  • تمامی سورس کدهاتدریس شده در دروس قابل دانلودهستند.

  • در تمام مدت، ما به استانداردهای صنعتو بهترین روش‌هاپایبند خواهیم بود.

در پایان دوره، شما قادر خواهید بود با اطمینان تست‌های pytest را بنویسید و اجرا کنید تا اپلیکیشن‌های پایتونی قابل اعتمادی بسازید.

با دسترسی به تمام کدهای دروس، می‌توانید همگام با مدرس پیش برویدو پس از اتمام دوره، یک گواهینامه معتبردریافت کنید.

همچنین در تمام مدت دوره، از طریق بخش پرسش و پاسخ به مدرس دسترسی داریدتا در مورد هر موضوعی راهنمایی بگیرید.

همین حالا ثبت‌نام کنیدو با تست‌های عملی و واقعی، اعتماد به کدهای پایتون خود را افزایش دهید.


سرفصل ها و درس ها

مقدمه و آماده‌سازی Introduction and Setup

  • مقدمه و خوش‌آمدگویی Introduction and Welcome

  • راه‌اندازی محیط توسعه Set Up Your Development Environment

مبانی تست: شروع کار با pytest Testing Basics: Getting Started with pytest

  • نوشتن اولین تست Write Your First Test

  • سازماندهی فایل‌های تست در پوشه اختصاصی Organise Test Files in Their Own Folder

  • تعریف توابع تست با تمرکز بر یک رفتار خاص Define Test Functions Focused on One Specific Behaviour

  • نوشتن اولین تست‌های pytest Write Your First pytest Tests

  • تأیید ایجاد استثنا و پیام درست توسط کد Assert that Code Raises the Right Exception and Message

فیکسچرها: آماده‌سازی و پاک‌سازی مجدد تست Fixtures: Reusable Test Setup and Teardown

  • حذف تکرارها با استفاده از Fixtures Eliminate Repetition with Fixtures

  • فیکسچرهای سطح تابع در مقابل سطح ماژول: درک ایزوله‌سازی تست Function- vs Module-Scope Fixtures: Understanding Test Isolation

  • استفاده از فیکسچرهای سطح ماژول برای به اشتراک‌گذاری آماده‌سازی‌های سنگین Using Module-Scope Fixtures to Share Expensive Test Setup

  • پاک‌سازی محیط پس از تست با Teardown Cleaning Up After Your Tests with Teardown

مارکرها: پارامتری کردن، نادیده گرفتن و خطاهای مورد انتظار Markers: Parameterisation, Skipping, and Expected Failures

  • کاهش تکرار تست‌ها با پارامتری کردن Reducing Test Duplication with Parameterisation

  • حذف موقت تست‌ها از اجرا Temporarily Exclude Tests from Runs

  • نادیده گرفتن شرطی تست‌ها Conditionally Skip Tests

  • مدیریت خطاهای مورد انتظار Handle Expected Failures

  • سازماندهی مجموعه تست‌ها با مارکرهای سفارشی Organising Your Test Suite with Custom Markers

ماکینگ: جایگزینی وابستگی‌ها در تست‌ها Mocking: Replacing Dependencies in Tests

  • ماکینگ در pytest: معرفی monkeypatch Mocking in pytest: An Introduction to monkeypatch

  • تست فراخوانی‌های وابستگی و آرگومان‌ها با monkeypatch Testing Dependency Calls and Arguments with monkeypatch

  • تست مسیرهای مختلف اجرا با monkeypatch Testing Different Execution Paths with monkeypatch

  • استفاده از MagicMock برای ماکینگ تمیزتر Using MagicMock for Cleaner Mocking

  • انتخاب ابزار مناسب: patch در مقابل monkeypatch Choosing the Right Mocking Tool: patch vs monkeypatch

  • ماکینگ بهینه با پلاگین pytest-mock Cleaner Mocking with the pytest-mock Plugin

تولید و تحلیل گزارش‌های پوشش کد Generating and Interpreting Coverage Reports

  • مقدمه‌ای بر پوشش تست با pytest-cov An Introduction to Test Coverage with pytest-cov

  • یافتن کدهای تست‌نشده با گزارش‌های Coverage Finding Untested Code with Coverage Reports

  • پوشش خطی در مقابل پوشش شاخه‌ای (Line vs Branch) Line Coverage vs Branch Coverage

  • الزام به حداقل پوشش تست Enforcing Minimum Test Coverage

  • متمرکز کردن تنظیمات پوشش در فایل‌های پیکربندی Centralising Coverage Settings in Configuration Files

جمع‌بندی Conclusion

  • جمع‌بندی Conclusion

نمایش نظرات

آموزش تست مدرن پایتون با pytest
جزییات دوره
1.5 hours
27
(آخرین آپدیت)
72
4.8 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dave Hollingworth Dave Hollingworth

مربی فناوری اطلاعات