应将生成器转为列表再断言，如 assert list(gen()) == [0, 1, 1]；海量数据时用 next() 或 islice 逐项校验；测试迭代器类需每次新建实例；参数化用 @pytest.mark.parametrize 覆盖不同输入；调试时用 enumerate 或 tee 避免消费后无法重放。
pytest如何断言生成器返回的值
直接用 assert 比较生成器对象本身没意义——它永远是 <generator object ...>，和预期值不匹配。必须消费（consume）它才能拿到实际产出项。
常见错误现象：AssertionError: assert <generator object test_fib at 0x...> == [0, 1, 1]
- 正确做法：转成列表再比，如
assert list(my_generator()) == [0, 1, 1] - 注意性能：若生成器可能产出海量数据，别无脑
list()，改用next()逐项校验或itertools.islice - 若需检查抛出的异常（比如中途
StopIteration或自定义异常），用pytest.raises()包裹消费过程
测试带状态的迭代器类时要注意什么
迭代器协议要求实现 __iter__ 和 __next__，但 pytest 默认不会自动重置实例。同一个实例反复运行测试会因内部状态残留而失败。
使用场景：自定义计数器、文件行读取器、分页迭代器等
立即学习“Python免费学习笔记（深入）”；
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
- 每个测试函数里都新建迭代器实例，不要复用 fixture 中的单例
- 避免在
setup_method或模块级变量中缓存迭代器对象 - 若需共享逻辑，把构造参数抽成 fixture，让每次测试调用
MyIterator(**params)
如何用 pytest 参数化测试不同 yield 模式
生成器行为差异常来自条件分支、空输入、边界长度等，用 @pytest.mark.parametrize 覆盖更清晰。
示例：测试一个根据 n 返回前 n 个斐波那契数的生成器
@pytest.mark.parametrize("n,expected", [
(0, []),
(1, [0]),
(5, [0, 1, 1, 2, 3]),
])
def test_fibonacci(n, expected):
assert list(fibonacci(n)) == expected
- 参数值里别传生成器对象，只传控制参数（如
n、data） - 若某组参数应触发异常，用
pytest.raises(ValueError)+list(...)组合验证 - 避免在
parametrize的ids里写动态表达式，易导致 pytest 收集失败
调试生成器测试失败时为什么看不到中间值
当 list(gen) 断言失败，报错只显示两端差异，看不出哪一项出错。尤其长序列下排查成本高。
容易被忽略的地方：生成器一旦被消费就不可重放，list(gen) 后再想 list(gen) 得到空列表
- 改用
for i, item in enumerate(gen)+ 手动收集并记录索引，出错时打印i和item - 用
itertools.tee()复制生成器用于多次遍历（注意内存开销） - 开发阶段可在生成器内部加
print()或logging.debug()，但记得测试通过后删掉或用if os.getenv("DEBUG"):控制
生成器测试真正的复杂点不在语法，而在状态不可见性和一次性消费特性——所有断言和调试动作都得围绕“如何安全、可重现地展开它”来设计。
