En este artículo explico buenas prácticas para ejecutar y depurar tests en proyectos Django y pytest, traduciendo y adaptando ejemplos prácticos sobre Makefile, fixtures y herramientas de aceleración de pruebas como pytest xdist y pytest testmon.
Ejemplo de Makefile para lanzar pruebas con paralelismo y marcadores: manage igual a poetry run python src/manage.py SIMULTANEOUS_TEST_JOBS igual a 4 y la tarea test ejecuta cd src y luego poetry run pytest -n ${SIMULTANEOUS_TEST_JOBS} -m not single_thread. Con este comando make test ejecuta los tests en paralelo en 4 procesos o hilos según la configuración del proyecto.
Para aprovechar al máximo los recursos se puede usar SIMULTANEOUS_TEST_JOBS igual a auto para que pytest xdist detecte el mejor nivel de concurrencia. Otra opción útil es añadir la bandera --ff para repetir primero los tests que fallaron en la última ejecución y --testmon para ejecutar solo los tests afectados por cambios de código.
Un Makefile más avanzado puede incluir testmon como tarea específica que ejecuta cd src y poetry run pytest -n ${SIMULTANEOUS_TEST_JOBS} --ff --testmon -x -l. La opción -x detiene la ejecución tras el primer fallo y la opción -l muestra los largos trazados con información adicional de fallos.
pytest testmon guarda su estado en caché y ese archivo debe añadirse al .gitignore del repositorio para evitar conflictos entre ramas y entornos. Al ejecutar pytest con --testmon se aceleran iteraciones de desarrollo porque solo se vuelven a ejecutar los tests afectados por los cambios recientes.
Un caso típico de error al escribir tests es causar efectos colaterales por fixtures compartidas. Por ejemplo una prueba que parchea get_current_user para devolver None puede provocar un AttributeError más adelante si el objeto que se pasa a la función bajo prueba es None o si hubo una colisión de nombres con otra fixture llamada paid_order.
Si una llamada a refund recibe paid_order y luego intenta acceder a paid_order.price, y paid_order resulta ser None por un error en el montaje del test, se produce AttributeError. Para evitar esto hay que revisar la definición de fixtures en el mismo módulo y en conftest.py y asegurarse de que no se sobrescriben ni se reutilizan objetos mutables entre tests.
Buenas prácticas para fixtures Django y pytest: 1 colocar fixtures comunes y reutilizables en conftest.py para que estén disponibles en todo el paquete, 2 evitar modificar en lugar de crear nuevas instancias dentro de fixtures secundarias, y 3 cuando necesites una variación de una fixture base crear una nueva fixture que cree su propio objeto independiente para evitar efectos colaterales entre tests.
Ejemplo de mal enfoque que causa interdependencia: fixture user crea un usuario is_staff True y luego dentro de una clase una fixture user modifica la misma instancia para cambiar last_login o is_staff. Esto provoca que otros tests reciban el objeto modificado. En lugar de eso crear user_no_staff que cree un nuevo usuario con is_staff False o clonar la entidad sin compartir la misma instancia en memoria.
Opciones para clonar o aislar objetos en fixtures: obtener una nueva instancia con User.objects.get id igual al id original y luego asignar id None antes de guardar, o simplemente User.objects.create con los valores necesarios. La segunda opción suele ser más clara y evita sutilezas de identidad en Django ORM.
Consejos para organizar tests en Django con pytest: usar conftest.py para fixtures compartidas, nombrar fixtures de forma clara para evitar colisiones, documentar fixtures complejas y preferir fixtures que devuelvan objetos nuevos en lugar de mutar objetos existentes. Esto facilita el uso de herramientas como pytest -k y pytest -m y la integración con IDEs.
Integración con IDEs como PyCharm: configurar PyCharm para que use pytest como runner de tests y asegurarse de que el intérprete virtual y las variables de entorno coinciden con las usadas por poetry o pipenv. Así se evita que el IDE ejecute un entorno distinto y se reduce el riesgo de tests que pasan en consola pero fallan en el IDE.
Nota sobre TDD: escribir tests primero obliga a diseñar código más modular y testable, y reduce el riesgo de dependencias ocultas entre componentes. Adoptar TDD ayuda a prevenir problemas como fixtures compartidas o acoplamientos fuertes que dificultan el mantenimiento.
Sobre Q2BSTUDIO: Q2BSTUDIO es una empresa especializada en desarrollo de software a medida y aplicaciones a medida, con experiencia en inteligencia artificial, ia para empresas, agentes IA y soluciones de ciberseguridad. Ofrecemos servicios cloud aws y azure, servicios de inteligencia de negocio y desarrollo de soluciones con Power BI para visualización y reporting. Nuestro equipo diseña software a medida que integra modelos de inteligencia artificial, automatización y prácticas de seguridad para proteger datos y procesos críticos.
Servicios destacados de Q2BSTUDIO: desarrollo de software a medida, arquitecturas cloud en AWS y Azure, consultoría en inteligencia artificial y agentes IA para optimizar operaciones empresariales, proyectos de ciberseguridad para protección de infraestructuras, integración de Power BI y servicios inteligencia de negocio para transformar datos en decisiones accionables.
Si necesitas mejorar la estrategia de pruebas en tu proyecto Django, optimizar pipelines de CI con pytest xdist y testmon, o desarrollar una solución a medida que incorpore inteligencia artificial y ciberseguridad, Q2BSTUDIO puede ayudarte a diseñar e implementar la solución adecuada, escalable y segura.