Integración de fixtures y mocks en pruebas

Resumen: En el desarrollo de software moderno, las pruebas automatizadas son esenciales para garantizar la calidad y la confiabilidad del código. Entre las técnicas más utilizadas destacan las fixtures y los mocks, herramientas complementarias que permiten aislar componentes y simular comportamientos externos. A continuación exploraremos cómo integrarlas eficazmente.

1. ¿Qué son las fixtures

Fixtures son conjuntos de datos o estados predefinidos que preparan el entorno de pruebas. Se usan para:

Inicializar bases de datos con registros de ejemplo.
Configurar servicios externos en estado conocido.
Definir variables globales o configuraciones específicas.

Tipos de fixtures

Tipo	Uso común
Unitarias	Datos en memoria, objetos ligeros.
De integración	Bases de datos temporales, colas de mensaje.
De sistema	Entorno completo, microservicios reales.

2. ¿Qué son los mocks

Un mock es un objeto simulado que imita el comportamiento de componentes externos con el fin de aislar la unidad de código bajo prueba. Permiten definir:

Expectativas sobre llamadas a métodos.
Retornos específicos según los argumentos.
Verificaciones de interacciones (cuántas veces se invocó un método).

Ventajas y limitaciones

Ventaja: Pruebas rápidas, sin dependencias externas.
Limitación: Riesgo de over-mocking: pruebas demasiado acopladas a la implementación.

3. Estrategias de integración

Combinar fixtures y mocks puede maximizar la cobertura y la fiabilidad. Aquí algunas prácticas recomendadas:

Fixture base mocks selectivos: utiliza fixtures para crear un estado general y mocks para aislar servicios críticos.
Herencia de fixtures: crea fixtures modulares que hereden configuraciones comunes y se especialicen con mocks.
Scopes adecuados: define el alcance (scope) de cada fixture: function, class, module o session.

Ejemplo en pytest

# con pytest y pytest-mock
import pytest

@pytest.fixture(scope=module)
def db_connection():
    # Configura una base de datos temporal
    conn = connect(:memory:)
    initialize_schema(conn)
    yield conn
    conn.close()

@pytest.fixture
def api_client(mocker):
    # Mock de un cliente HTTP
    client = RealHttpClient()
    mocker.patch.object(client, get, return_value=MockResponse(status=200, json={data: []}))
    return client

def test_fetch_data(db_connection, api_client):
    # Usa fixture y mock en la misma prueba
    service = DataService(db_connection, api_client)
    result = service.fetch_and_store()
    assert result == True

4. Buenas prácticas

Documentar claramente el propósito de cada fixture y mock.
Evitar fixtures demasiado pesadas segmenta responsabilidades.
Revisar periódicamente pruebas para detectar flakiness (inestabilidad).
Usar herramientas de cobertura (coverage.py) para identificar código no probado.

5. Conclusión

El uso combinado de fixtures y mocks optimiza el ciclo de desarrollo, reduce el tiempo de ejecución de las pruebas y mejora la calidad general del software. Adoptar una estrategia equilibrada entre datos reales controlados y simulaciones precisas es clave para mantener pruebas robustas y significativas.

Integración de fixtures y mocks en pruebas