如何处理Android JUnit测试中的日志记录?

时间:2017-03-06 19:15:58

标签: android unit-testing junit android-testing

我想在模型类中记录信息 - 不一定是出于单元测试目的,而是出于我试图调试的现实场景。

但是,如果我尝试使用android.util.Log方法,运行JUnit测试时会出现以下错误:

java.lang.RuntimeException: Method d in android.util.Log not mocked. See http://g.co/androidstudio/not-mocked for details.

我理解为什么会发生这种情况,我不应该在设计为独立于框架的模型类中使用Android框架代码!我并没有真正反对这个错误,而是试图找到解决这个问题的方法。

我有一个想法,这有意义吗?

按以下方式创建CustomLog课程:

public class CustomLog {
    private static ILogger mLogger;

    public static void setLogger(ILogger logger) {
        mLogger = logger;
    }

    public static void e(String tag, String message) {
        mLogger.e(tag, message);
    }
}

其中ILogger是具有执行日志功能所需方法的接口(e,d等方法......)

我可以创建一个使用ILoggerImpl方法的android.util.Log,以及一个只打印到MockLogger和/或什么都不做的System.out.println类(或其他任何内容! )。

我认为这完全符合我的需求(我需要在生命周期的早期设置我的CustomLog课程,但这并不是一件大事。“

但是,如果我需要将第三方库/外部代码添加到我的模型类中,如果新库/代码使用android.util.Log方法,则可能会以相同方式再次中断。

那么,是否有一个"赶上所有"我可以使用的类型行为?你觉得怎么样?

1 个答案:

答案 0 :(得分:0)

解决&#34;未嘲笑的一种方法&#34;你引用的例外是use PowerMockito to mock the Logging methods。您可以从this获取灵感,并使用PowerMockito来replace() Android.util Log.v,而不是按照关联答案中的说明调用Log.dLog.iLog.e&amp; System.out.println使用将运行String[] logMethods = {"v", "d", "i", "e"}; InvocationHandler systemOutPrintln = new InvocationHandler() { @Override public Object invoke(Object proxy, Method method, Object[] args) throws Throwable { StringBuilder messageBuilder = new StringBuilder(); for (int i = 0; i < args.length; i++) { String arg = args[i].toString(); messageBuilder.append(arg); // add separators, ASCII art, ... } System.out.println(messageBuilder); return messageBuilder.toString().length(); } }; for (String logMethod : logMethods) { replace(method(Log.class, logMethod, String.class, String.class)).with(systemOutPrintln); replace(method(Log.class, logMethod, String.class, String.class, Throwable.class)).with(systemOutPrintln); } 的方法。这允许您在Android Studio的“运行”窗口中查看记录的消息。

model = Sequential()
model.add(LSTM(64, input_shape=(50, 500), return_sequences=True,dropout=0.2, recurrent_dropout=0.2))
model.add(Dense(units = 10,activation='sigmoid'))
model.compile(loss='categorical_crossentropy', optimizer='adam')
model.fit(input, output, epochs=1, batch_size=64)

免责声明:我不确定以上是否是最惯用的实施方式。