在Python自动化测试中， ddt （Data-Driven Tests）是一个流行的库，允许开发人员通过装饰器轻松创建数据驱动的测试用例。 @ddt 和 @data 装饰器是这个库中常用的工具。

ddt库的概念

ddt 库利用装饰器扩展了Python的unittest测试框架，使得可以在单个测试方法上应用多组参数进行测试。它避免了编写重复的测试代码，并增强了测试用例的可读性和维护性。

@ddt 装饰器

@ddt 装饰器应用于测试类。它是类装饰器，负责动态地向测试类添加测试方法。当你在测试类上应用 @ddt 装饰器时，它会寻找类中用 @data 或其他ddt提供的装饰器标记的测试方法，并为每一组数据生成一个独立的测试方法实例。

@data 装饰器

@data 装饰器用于测试方法。它允许你为一个测试方法提供多组测试数据。这些数据被用来生成随着数据变化而重复执行的测试方法。这意味着你可以仅编写一个测试方法，并通过不同的数据集多次运行这个方法。

@ddt 和 @data 实际上是函数装饰器。在Python中，装饰器主要是依靠闭包来实现对函数或类的包装。

以下是一个简化的 @data 装饰器源码的逻辑示例：

def data(*values):
    def test_decorator(func):
        if not hasattr(func, "__test_params__"):
            func.__test_params__ = []
        func.__test_params__.extend(values)
        return func
    return test_decorator
@data(1, 2, 3)
def test_method(self, value):
    # ...测试逻辑
在这个简化版本中，你可以看到 @data实际上是一个包装函数的包装器。它添加一个特殊的属性 __test_params__到被装饰的函数上，其中包含了所有的测试参数。
 
接着，@ddt装饰器的源码逻辑大概如下：
 
def ddt(cls):
    for name, func in list(cls.__dict__.items()):
        if hasattr(func, "__test_params__"):
            for idx, params in enumerate(func.__test_params__):
                test_name = f"{name}_{idx}"
                test_func = ddt_helper(func, **params)
                setattr(cls, test_name, test_func)
    return cls
def ddt_helper(func, **params):
    def test(self):
        return func(self, **params)
    test.__name__ = func.__name__
    return test
这里的 ddt装饰器查找所有带有 __test_params__属性的测试方法，并且对每一组参数创建一个新的测试方法。
 
综上所述，使用 @ddt和 @data可以大大简化写作测试用例的过程，让我们能专注于测试逻辑的本身，而无需编写重复的测试方法。通过讲解了 @ddt和 @data源码的关键部分，我们可以更深入地理解其背后的工作原理。