Testar software não é apenas uma etapa técnica do desenvolvimento é uma estratégia de qualidade, confiança e sustentabilidade. Sistemas sem testes tendem a quebrar com frequência, gerar medo de mudanças e aumentar drasticamente o custo de manutenção.
Neste post, vamos focar 100% na teoria, explicando conceitos fundamentais de testes automatizados usando Pytest, o framework de testes mais popular do ecossistema Python.
👉 No próximo post da série, aplicaremos tudo isso em um projeto Flask real consumindo a API pública do GitHub.
O que é Pytest?
Pytest é um framework de testes para Python que facilita a criação de testes simples, legíveis e escaláveis. Ele permite testar desde funções isoladas até sistemas completos.
Por que Pytest é tão usado?
- Sintaxe simples (baseada em
assert) - Descoberta automática de testes
- Sistema poderoso de fixtures
- Excelente suporte a plugins
- Escala bem para projetos grandes
Comparado ao unittest, o Pytest é mais expressivo, menos verboso e mais produtivo.
Qual é o objetivo dos testes?
Testes existem para reduzir incerteza.
Eles ajudam a:
- Garantir que o código funciona como esperado
- Detectar erros rapidamente
- Evitar regressões
- Permitir refatorações seguras
- Servir como documentação viva do sistema
Um código sem testes pode até funcionar hoje, mas é frágil amanhã.
Quando escrever testes?
- Ao criar novas funcionalidades
- Ao corrigir bugs (especialmente regressões)
- Antes de refatorar código existente
- Em código crítico para o negócio
E quando NÃO escrever testes?
- Provas de conceito muito rápidas (POCs)
- Scripts totalmente descartáveis
Mesmo nesses casos, testes ainda podem trazer benefícios.
Tipos de Testes
Entender os tipos de testes é essencial para criar uma estratégia equilibrada.
Testes Unitários
- Testam funções ou métodos isolados
- Não acessam banco, rede ou sistema de arquivos
- São rápidos e baratos
✔️ Base da pirâmide de testes
Testes de Integração
- Testam a comunicação entre componentes
- Exemplo: aplicação + banco, aplicação + API externa
✔️ Detectam falhas reais de integração ❌ Mais lentos
Testes Funcionais
- Testam fluxos completos da aplicação
- Simulam o comportamento do usuário
✔️ Alta confiança ❌ Mais complexos
Testes de Sistema / End-to-End (E2E)
- Testam o sistema como um todo
- Incluem múltiplas camadas
✔️ Simulam uso real ❌ Lentos e frágeis
Testes de Regressão
- Garantem que bugs corrigidos não voltem
- Normalmente surgem após incidentes reais
✔️ Protegem contra erros reincidentes
Testes de Performance
- Avaliam tempo de resposta e consumo de recursos
- Identificam gargalos
✔️ Importantes em sistemas críticos ❌ Devem ser usados com critério
A Pirâmide de Testes
Uma boa estratégia de testes segue a pirâmide:
- Muitos testes unitários
- Alguns testes de integração
- Poucos testes E2E
Isso garante velocidade, confiança e custo controlado.
O padrão AAA (Arrange, Act, Assert)
AAA é um padrão de organização de testes que melhora drasticamente a legibilidade.
Arrange
Preparar dados, mocks e contexto.
Act
Executar a ação que está sendo testada.
Assert
Validar o resultado.
Benefícios
- Testes mais claros
- Menos ambiguidade
- Manutenção mais fácil
Fixtures no Pytest
Fixtures são funções reutilizáveis responsáveis por preparar e limpar o ambiente de testes.
Por que usar fixtures?
- Evitam duplicação de código
- Centralizam setup/teardown
- Tornam os testes mais legíveis
Escopos de fixtures
function: padrão (executa a cada teste)module: uma vez por arquivosession: uma vez por execução
Pytest Marks
Marks permitem classificar e controlar testes.
parametrize
Permite rodar o mesmo teste com vários dados.
Benefícios:
- Menos código
- Mais cobertura
- Testes mais expressivos
skip
Ignora testes conscientemente.
Quando usar:
- Dependência externa indisponível
- Funcionalidade desativada
xfail
Marca testes que devem falhar.
Benefícios:
- Documenta bugs conhecidos
- Não quebra o pipeline
slow
Marca testes lentos.
Benefícios:
- Execução seletiva
- Feedback rápido no dia a dia
O que é Mock?
Mock é uma técnica usada para simular dependências externas.
Quando usar mock?
- APIs externas
- Banco de dados
- Serviços de terceiros
Quando NÃO usar?
- Para testar lógica interna
- Em excesso (overmocking)
unittest.mock vs pytest-mock
unittest.mock
- Biblioteca padrão do Python
- Mais verbosa
- Usa context managers
✔️ Não depende de plugins ❌ Código mais difícil de ler
pytest-mock
- Plugin do Pytest
- Integração com fixtures
- Sintaxe mais limpa
✔️ Mais produtivo ✔️ Mais legível
Plugins Essenciais do Pytest
pytest-cov
- Mede cobertura de código
- Ajuda a identificar áreas não testadas
⚠️ Cobertura alta ≠ código de qualidade
pytest-mock
- Facilita criação de mocks
- Reduz boilerplate
Boas Práticas Gerais
- Testes devem ser simples
- Um comportamento por teste
- Nomes claros e descritivos
- Evite lógica complexa nos testes
- Testes devem ser determinísticos
Conclusão
Testes automatizados não são um luxo, são uma necessidade profissional. Pytest fornece as ferramentas certas para escrever testes claros, escaláveis e confiáveis.
No próximo post da série, vamos aplicar todos esses conceitos em um projeto Flask real, consumindo a API pública do GitHub, com testes unitários, de integração, funcionais e de performance.
👉 Continue para o Post 2: Pytest na Prática com Flask e API do GitHub