正确写法是@pytest.mark.parametrize("a,b", [(1,2), (3,4)])，参数名字符串与测试函数形参严格一致，argvalues为元组列表，且形参名大小写敏感、不能为关键字。
pytest.mark.parametrize 怎么写才不报错
直接用 @pytest.mark.parametrize 是最常用也最容易出错的方式。核心是参数名字符串、参数值列表必须严格对应，且参数名不能是 Python 关键字或含空格。
常见错误现象：TypeError: test_xxx() missing 1 required positional argument，通常是因为参数名拼写不一致，或测试函数签名里漏写了对应形参。
- 参数名用字符串，多个用逗号分隔，如
"a,b"，不能写成"a, b"（空格不影响，但建议统一无空格） - 参数值必须是可迭代对象：列表套元组最稳妥，如
[("foo", 1), ("bar", 2)]；单参数可用列表，如["a", "b"] - 测试函数定义时，形参名必须和
@pytest.mark.parametrize第一个参数里的名字完全一致，大小写敏感 - 如果参数值里有
None、布尔值或嵌套结构，确保测试逻辑能安全处理，否则会因断言失败掩盖参数化本身问题
数据从外部文件（CSV/JSON）加载怎么做
硬编码在装饰器里适合简单场景，但真实项目中测试数据往往来自 CSV 或 JSON。关键在于：**不要在装饰器里调用函数**，因为 @pytest.mark.parametrize 的参数值必须是静态可求值的表达式。
正确做法是把数据加载逻辑提前到模块级，或用 pytest_generate_tests 钩子。
立即学习“Python免费学习笔记（深入）”；
- 推荐方式：在测试文件顶部预加载，例如用
json.load(open("data.json"))得到列表，再传给@pytest.mark.parametrize - 避免在装饰器里写
@pytest.mark.parametrize("x", load_from_csv())—— pytest 解析时load_from_csv()还没执行，会报NameError或AttributeError - CSV 场景下，用
csv.DictReader比手动切分更可靠；注意字段名要和参数名对齐，必要时做 key 映射 - 大文件慎用：所有数据会在 pytest 收集阶段一次性加载进内存，可能拖慢测试发现速度
如何让不同参数组合生成独立的测试 ID
默认情况下，pytest 对参数化测试用数字编号（如 test_foo[0]），可读性差。加 ids 参数就能自定义，这对排查 CI 失败特别有用。
常见错误是 ids 长度和参数值数量不匹配，导致 ValueError: ids must be same length as values。
-
ids可以是字符串列表，如ids=["valid_input", "empty_string"] - 也可以是函数，接收每个参数元组，返回字符串，例如
ids=lambda x: f"len_{len(x[0])}" - 如果参数是字典或命名元组，
ids函数里别直接用str(x)—— 默认输出带内存地址，失去可读性 - CI 日志里看到
test_login[admin-200]比test_login[2]能快 3 秒定位问题
参数化 + fixture 组合时作用域怎么设
当参数化数据需要搭配 fixture（比如数据库连接、临时目录）时，fixture 的 scope 必须 >= 参数化粒度，否则会出现“fixture 在不同参数间被复用却未重置”的状态污染。
典型症状：第 2 组参数的测试失败，只因为第 1 组修改了共享资源（如全局变量、文件内容、DB 表数据）。
- 参数化默认是函数级，所以依赖它的 fixture 至少要是
scope="function"（默认值） - 如果 fixture 设为
scope="module"，而参数化在函数内，pytest 会警告UserWarning: fixture XXX requested ... but the scope is larger - 耗时 fixture（如启动服务）可设
scope="session"，但必须确保它不保存任何与参数相关的状态 - 最安全的做法：优先用
scope="function"，除非明确压测或性能瓶颈存在，再逐层向上提 scope 并加清理逻辑
ids 长度不对、fixture scope 和参数化不匹配，这三类问题占调试时间的 80%。写完先运行 pytest --collect-only 看是否列出了预期数量的测试项，比直接跑更快发现问题。 
