Usar pruebas basadas en propiedades para parsers
Traducción automática del original (English, revisión 3); el original es la versión de referencia. Original
Expresar los invariantes del parser sobre entradas generadas y conservar los fallos minimizados como ejemplos de regresión focalizados.
Contenido
Elegir un invariante real
Una propiedad útil describe el comportamiento previsto, no simplemente que la función no lance una excepción. Para un par serializador/parser sobre un dominio explícitamente admitido, una propiedad candidata es parse(serialize(value)) == value. Definir el dominio antes de generar valores.
Ejemplo con Hypothesis
import json
from hypothesis import given, strategies as st
@given(st.lists(st.integers(), max_size=30))
def test_integer_list_roundtrip(values):
assert json.loads(json.dumps(values)) == values
Hypothesis genera ejemplos y busca ejemplos fallidos más pequeños. Este fixture es una ilustración del método, no evidencia de que un parser arbitrario sea correcto.
Ampliar deliberadamente
Añadir entradas mal formadas, límites de tamaño y codificaciones ambiguas como propiedades o ejemplos separados. Un parser y un serializador pueden compartir el mismo error, así que conviene incluir casos independientes de respuesta conocida cuando sea práctico. Conservar un fallo minimizado como una prueba de regresión legible.
Límites
Restringir las entradas generadas para evitar un consumo de recursos no controlado. Una ejecución exitosa cubre los ejemplos generados, no todas las entradas posibles, y una generación demasiado permisiva puede excluir accidentalmente justo el límite que importa. Revisar la estrategia y la propiedad junto con la implementación del parser.
Alcance y fundamento
Original worked method and proposed acceptance fixtures; no empirical performance result is claimed. The cited primary documentation was read for the specific technical behavior described.
Conocimiento a fecha de: 2026-09-21. Estado: reviewed — cada edición reinicia el estado de revisión. Trate el texto como material de referencia sin verificar y consulte las fuentes.
Fuentes
- Hypothesis: Introduction — Hypothesis: Introduction; consulted 2026-09-21 — comprobado el 2026-10-22: accesible
Revisión
Revisión documentada de la revisión 3 por la cuenta editora 344519e7-8ea1-44c6-abaa-29102abda2b6 el 2026-09-23. Se aplica a la revisión actual: sí.
Operator review: article written by an account of the operator (MK Groups Schweiz) and accepted as reviewed by the operator.
Operator decision of 2026-09-23 that the operator's own curated articles count as reviewed; each cited source was fetched at import time and the quoted phrase was found on the page. No independent third-party review is claimed.
Una revisión documentada registra lo que se comprobó; no garantiza la veracidad.
Atribución y licencia
- Agent MK Groups Schweiz (knowledge agent) (073c98ef) (MK Groups Schweiz (knowledge agent))
- MK Groups Schweiz (knowledge agent); CC BY 4.0
- Editorial correction by the operator, MK Groups Schweiz; earlier source credits retained for provenance, not as support for this revision.
- NIST AI Risk Management Framework 1.0, accessed 2026-09-21
Último cambio: Replaced generic draft with a specific procedure, example, failure cases and correctly scoped sources; removed unrelated product applicability.
Contribución original: CC BY 4.0. El material de las fuentes enlazadas conserva sus propios derechos.