Formation : Tester son code Python avec pytest

• Développeurs Python souhaitant structurer et fiabiliser leur code grâce aux tests automatisés.
• Personnes ayant suivi les formations Python : les fondamentaux du langage et Python : programmation orientée objet et traitement de données ou disposant d'une expérience Python équivalente.
• Développeurs back-end voulant intégrer les tests dans leur workflow quotidien et dans une pipeline CI/CD.
• Toute personne souhaitant adopter une approche professionnelle du développement Python avec pytest comme outil central.

• Comprendre les principes fondamentaux du test logiciel et le rôle de pytest dans l'écosystème Python
• Écrire des tests unitaires clairs et expressifs avec pytest
• Utiliser les fixtures pour gérer l'état et les dépendances des tests
• Mocker des dépendances externes avec pytest-mock et unittest.mock
• Paramétrer des tests pour couvrir de multiples cas sans duplication
• Mesurer et améliorer la couverture de code avec pytest-cov
• Organiser une suite de tests maintenable sur un projet réel
• Intégrer pytest dans une pipeline GitHub Actions

• Bonne maîtrise de Python : fonctions, classes, exceptions, modules.
• Les formations Python : les fondamentaux du langage et Python : programmation orientée objet et traitement de données sont recommandées.
• Savoir utiliser le terminal et VS Code.

• Les types de tests : unitaires, intégration, end-to-end
• pytest vs unittest vs doctest : positionnement et choix
• Installer pytest et structurer un projet de test : tests/, conftest.py, pytest.ini
• Conventions de nommage : fichiers test_*.py, fonctions test_*
• Lancer pytest : options essentielles -v, -s, -x, --tb
• Cas pratique : écrire les premiers tests sur un module de calcul simple

• Les assertions pytest : pas besoin de assertEqual, pytest réécrit les assertions
• Tester les exceptions attendues avec pytest.raises
• Tester les warnings avec pytest.warns
• Les messages d'assertion personnalisés
• Cas pratique : tester une classe métier avec cas nominaux et cas d'erreur

• Le décorateur @pytest.fixture : créer une fixture réutilisable
• Injecter une fixture dans un test via le nom du paramètre
• Les scopes de fixture : function, class, module, session
• Les fixtures built-in de pytest : tmp_path, monkeypatch, capsys, caplog
• Cas pratique : fixture de base de données en mémoire avec SQLite

• Fixtures avec yield : setup et teardown dans une seule fonction
• Fixtures paramétrées : tester plusieurs configurations avec une seule fixture
• Dépendances entre fixtures : composer des fixtures complexes
• conftest.py : partager les fixtures entre plusieurs fichiers de test
• Cas pratique : fixtures pour un client HTTP simulé et un utilisateur authentifié

• @pytest.mark.parametrize : tester N cas avec une seule fonction de test
• Paramétrage indirect : passer des paramètres via une fixture
• Combiner plusieurs @parametrize : produit cartésien des cas
• Nommer les cas pour un rapport lisible : ids
• Cas pratique : tester une fonction de validation avec une matrice de cas valides et invalides

• Les marqueurs built-in : @pytest.mark.skip, @pytest.mark.skipif, @pytest.mark.xfail
• Les marqueurs personnalisés : @pytest.mark.slow, @pytest.mark.integration
• Filtrer l'exécution par marqueur : pytest -m "not slow"
• Organiser les tests en classes TestXxx sans héritage obligatoire
• Cas pratique : marquer et filtrer les tests lents d'un projet

• Pourquoi mocker : isoler le code testé de ses dépendances externes
• unittest.mock : Mock, MagicMock, patch
• pytest-mock : le mocker fixture, mocker.patch et mocker.MagicMock
• Mocker une fonction, une méthode, une propriété
• Vérifier les appels : assert_called_once_with, call_args_list
• Cas pratique : mocker un appel HTTP avec requests et vérifier le comportement

• Mocker le système de fichiers avec tmp_path et monkeypatch
• Mocker les variables d'environnement avec monkeypatch.setenv
• Mocker le temps : datetime.now et time.sleep
• Les side_effect : simuler des exceptions ou des retours multiples
• Cas pratique : tester un service qui envoie des emails sans envoyer réellement

• Installer et configurer pytest-cov
• Générer un rapport de couverture : terminal, HTML, XML
• Lire un rapport HTML : identifier les branches non couvertes
• Les directives # pragma: no cover : exclure le code non testable
• Fixer un seuil de couverture minimum avec --cov-fail-under
• Cas pratique : analyser et améliorer la couverture d'un module existant

• Le principe AAA : Arrange, Act, Assert
• Un test, une assertion de comportement : éviter les tests qui font tout
• Nommer les tests comme une documentation : test_should_raise_when
• Éviter les faux positifs : tester le bon comportement, pas l'implémentation
• Les anti-patterns courants : tests qui se dépendent, fixtures trop complexes

• Écrire un workflow GitHub Actions qui installe les dépendances et lance pytest
• Publier le rapport de couverture dans les artefacts du workflow
• Bloquer un merge si les tests échouent ou si la couverture passe sous le seuil
• Matrices de test : lancer les tests sur Python 3.11 et 3.12 en parallèle
• Cas pratique : pipeline CI complète pour un projet Python avec pytest et coverage

• Écriture d'une suite de tests complète sur un module Python fourni : fonctions utilitaires, classe de service avec dépendances externes, endpoint FastAPI ou script d'automatisation
• Couverture des cas nominaux, des cas limites et des cas d'erreur
• Rapport de couverture HTML produit et commenté
• Revue de code collective : lisibilité, isolation, pertinence des assertions
• Retour formateur individualisé sur les tests rendus

• Écrire des tests unitaires et d'intégration robustes avec pytest
• Concevoir des fixtures réutilisables pour isoler les tests et gérer les dépendances
• Mocker efficacement les appels externes : API, base de données, système de fichiers
• Paramétrer les tests pour couvrir les cas nominaux, les cas limites et les cas d'erreur
• Analyser un rapport de couverture et identifier les zones non testées
• Intégrer l'exécution automatique des tests dans une pipeline CI/CD avec GitHub Actions

• En cours de formation : exercices pratiques corrigés à chaque module
• En fin de formation : réalisation d'une suite de tests complète sur un module Python fourni
• Questionnaire d'auto-évaluation des acquis en fin de parcours

• Tests unitaires isolés couvrant les cas nominaux, les cas limites et les cas d'erreur
• Fixtures correctement scopées et réutilisables sans duplication entre fichiers de test
• Mocks ciblant les dépendances externes sans coupler les tests à l'implémentation
• Rapport de couverture HTML généré avec un taux atteignant le seuil défini
• Pipeline CI fonctionnelle qui bloque en cas d'échec ou de couverture insuffisante

Cette formation a été créée en 2026. Les indicateurs de résultats (taux de satisfaction, taux d’atteinte des objectifs, taux d’assiduité) seront publiés sur cette page à l’issue des premières sessions réalisées.

• Support de cours numérique mis à disposition des apprenants
• Dépôt GitHub de démonstration avec les modules à tester et les corrections par étape
• Environnement de développement : VS Code + Python 3.12+ + pytest
• Pour le distanciel : visioconférence (Zoom ou équivalent), partage d'écran, chat en direct
• Accès à la plateforme pédagogique LaPolaris (supports, ressources, émargement)

• Feuilles d'émargement signées par demi-journée (présentiel) ou émargement numérique (distanciel)
• Traçabilité des activités pédagogiques réalisées
• Attestation d'assiduité délivrée en fin de formation
• Suivi individuel via les exercices corrigés et le projet de synthèse