Nano Hash - криптовалюты, майнинг, программирование

как отладить один тест testng с параметрами в intelliJ без использования @Optional?

У меня есть следующий тестовый пример, который я хочу отладить в IntelliJ. Я не хочу использовать аннотацию @Optional("defaultValue"), потому что я хочу отлаживать тест с реальным значением, которое меняется каждый раз, когда я отлаживаю. Неудобно устанавливать значения по умолчанию каждый раз, когда я хочу запустить тесты.

  @Test(parameters = { "param1"})
    public void testExmaple(String param1){
        //do something with param1
    }

Итак, есть ли способ определить тестовые данные где-нибудь в intelliJ, чтобы при щелчке правой кнопкой мыши и отладке он должен был выбрать значение, т.е. param1 ? Или, может быть, есть плагин testng для этого?

ПРИМЕЧАНИЕ: я не хочу использовать командную строку maven+surefire


Ответы:


1

Просто настройте часть parameters средства запуска IntelliJ: https://www.jetbrains.com/help/idea/2016.1/run-debug-configuration-testng.html?origin=old_help#config

02.05.2016
Новые материалы

Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..