🐍 آموزش جامع Python — پست ۲۳۵
استفاده از sqlite3 با contextlib.closing
در پست‌های قبل یاد گرفتیم اتصال دیتابیس را با close() ببندیم و از with connection: برای مدیریت تراکنش استفاده کنیم.
اما یک نکته مهم وجود دارد:
with connection: اتصال SQLite را نمی‌بندد؛ فقط تراکنش را مدیریت می‌کند.
برای بستن خودکار اتصال می‌توانیم از closing() در ماژول contextlib استفاده کنیم.
🔹 استفاده از closing()

import sqlite3
from contextlib import closing

with closing(sqlite3.connect("app.db")) as connection:
    connection.execute("""
        CREATE TABLE IF NOT EXISTS users (
            id INTEGER PRIMARY KEY,
            name TEXT NOT NULL
        )
    """)

    connection.commit()

وقتی از بلوک with خارج شویم، connection.close() به‌صورت خودکار فراخوانی می‌شود.
🔹 مدیریت هم‌زمان اتصال و تراکنش
برای مدیریت هر دو مورد می‌توانیم closing() را با with connection: ترکیب کنیم:

import sqlite3
from contextlib import closing

with closing(sqlite3.connect("app.db")) as connection:
    with connection:
        connection.execute(
            "INSERT INTO users (name) VALUES (?)",
            ("Ali",)
        )

در این مثال:
with connection: تراکنش را Commit یا Rollback می‌کند.
closing(connection) اتصال را هنگام خروج می‌بندد.
🔹 چرا ترتیب مهم است؟
ابتدا باید تراکنش تمام شود و سپس اتصال بسته شود.
در کد بالا، با خروج از بلوک داخلی، تراکنش مدیریت می‌شود؛ سپس با خروج از بلوک خارجی، اتصال بسته خواهد شد.

شروع اتصال
    ↓
اجرای Queryها
    ↓
مدیریت تراکنش
    ↓
بستن اتصال

⚠️ نکته مهم
اگر عملیات داخل بلوک داخلی با Exception مواجه شود، تراکنش Rollback می‌شود. سپس بلوک خارجی نیز خارج شده و اتصال بسته می‌شود.
همچنین closing() به‌تنهایی تراکنش را مدیریت نمی‌کند؛ فقط متد close() را هنگام خروج فراخوانی می‌کند.
🧠 خلاصه

with connection:
    → مدیریت تراکنش

closing(connection):
    → بستن خودکار اتصال

🎯 تمرین
برنامه‌ای بنویس که:
به دیتابیس school.db متصل شود.
جدولی به نام students بسازد.
نام یک دانش‌آموز را با Query پارامتری ثبت کند.
تراکنش را مدیریت کند.
اتصال را با closing() به‌صورت خودکار ببندد.
پست ۲۳۵ از دوره جامع Python 🐍

🐍 آموزش جامع Python — پست ۲۳۶
ساخت لایه دسترسی به داده با Repository Pattern در Python
در پروژه‌های کوچک ممکن است تمام Queryهای SQLite را داخل یک فایل بنویسیم؛ اما با بزرگ‌تر شدن پروژه، نگهداری و تست کد دشوارتر می‌شود.
یکی از روش‌های سازمان‌دهی کد، Repository Pattern است.
در این الگو، عملیات مربوط به دریافت و ذخیره اطلاعات را در یک کلاس جداگانه قرار می‌دهیم.
🔹 ساختار پروژه

project/
├── database.py
├── user_repository.py
└── main.py

database.py مسئول ایجاد اتصال است.
user_repository.py عملیات مربوط به کاربران را مدیریت می‌کند.
main.py منطق اصلی برنامه را اجرا می‌کند.
🔹 فایل database.py

import sqlite3


def get_connection():
    connection = sqlite3.connect("app.db")
    connection.row_factory = sqlite3.Row
    return connection

با row_factory می‌توانیم مقادیر هر ردیف را با نام ستون نیز بخوانیم.
🔹 فایل user_repository.py

class UserRepository:

    def __init__(self, connection):
        self.connection = connection

    def create_table(self):
        self.connection.execute("""
            CREATE TABLE IF NOT EXISTS users (
                id INTEGER PRIMARY KEY,
                name TEXT NOT NULL
            )
        """)

    def add_user(self, name):
        cursor = self.connection.execute(
            "INSERT INTO users (name) VALUES (?)",
            (name,)
        )
        return cursor.lastrowid

    def get_all(self):
        return self.connection.execute(
            "SELECT id, name FROM users ORDER BY id"
        ).fetchall()

این کلاس مسئول اجرای Queryهای مربوط به کاربران است؛ اما خودش اتصال دیتابیس را ایجاد نمی‌کند.
🔹 فایل main.py

from contextlib import closing
from database import get_connection
from user_repository import UserRepository


with closing(get_connection()) as connection:
    with connection:
        users = UserRepository(connection)

        users.create_table()
        user_id = users.add_user("Ali")

        print("New user ID:", user_id)

        for user in users.get_all():
            print(user["id"], user["name"])

خروجی نمونه:

New user ID: 1
1 Ali

اگر دیتابیس از قبل کاربر داشته باشد، شناسه جدید ممکن است عدد دیگری باشد.
🔹 چرا این روش مفید است؟
Queryها از منطق اصلی برنامه جدا می‌شوند.
کد قابل‌خواندن‌تر و نگهداری آن ساده‌تر می‌شود.
می‌توانیم عملیات دیتابیس را مستقل‌تر تست کنیم.
در صورت تغییر ساختار ذخیره‌سازی، تغییرات در یک بخش متمرکز می‌شوند.
⚠️ نکته مهم
Repository Pattern به‌خودی‌خود تراکنش یا اتصال را مدیریت نمی‌کند. در مثال ما، main.py مسئول مدیریت تراکنش و بستن اتصال است.
همچنین در پروژه‌های بزرگ‌تر می‌توانیم اعتبارسنجی ورودی‌ها، مدیریت خطاها و عملیات بیشتری مانند get_by_id() و delete_user() را به Repository اضافه کنیم.
🧠 خلاصه

main.py
   ↓
UserRepository
   ↓
SQLite

Repository عملیات دسترسی به داده را متمرکز می‌کند و منطق اصلی برنامه را از جزئیات Queryها جدا نگه می‌دارد.
🎯 تمرین
کلاس UserRepository را گسترش بده و متدی به نام get_by_id(user_id) بساز که کاربر موردنظر را با شناسه پیدا کند.
اگر کاربری با آن شناسه وجود نداشت، باید None برگردانده شود.
پست ۲۳۶ از دوره جامع Python 🐍

🐍 آموزش جامع Python — پست ۲۳۷
پیاده‌سازی CRUD با Repository Pattern در SQLite
در پست قبل با Repository Pattern آشنا شدیم و عملیات دریافت و ذخیره کاربران را داخل یک کلاس قرار دادیم.
حالا می‌خواهیم چهار عملیات اصلی مدیریت داده را کامل کنیم که به آن‌ها CRUD می‌گویند.
Create: ایجاد رکورد
Read: خواندن رکورد
Update: ویرایش رکورد
Delete: حذف رکورد
🔹 تکمیل کلاس UserRepository
در فایل user_repository.py:

class UserRepository:

    def __init__(self, connection):
        self.connection = connection

    def create_table(self):
        self.connection.execute("""
            CREATE TABLE IF NOT EXISTS users (
                id INTEGER PRIMARY KEY,
                name TEXT NOT NULL
            )
        """)

    # Create
    def add_user(self, name):
        cursor = self.connection.execute(
            "INSERT INTO users (name) VALUES (?)",
            (name,)
        )
        return cursor.lastrowid

    # Read
    def get_by_id(self, user_id):
        return self.connection.execute(
            "SELECT id, name FROM users WHERE id = ?",
            (user_id,)
        ).fetchone()

    def get_all(self):
        return self.connection.execute(
            "SELECT id, name FROM users ORDER BY id"
        ).fetchall()

    # Update
    def update_user(self, user_id, new_name):
        cursor = self.connection.execute(
            "UPDATE users SET name = ? WHERE id = ?",
            (new_name, user_id)
        )
        return cursor.rowcount > 0

    # Delete
    def delete_user(self, user_id):
        cursor = self.connection.execute(
            "DELETE FROM users WHERE id = ?",
            (user_id,)
        )
        return cursor.rowcount > 0

🔹 استفاده از عملیات CRUD
در فایل main.py:

from contextlib import closing
from database import get_connection
from user_repository import UserRepository


with closing(get_connection()) as connection:
    with connection:
        users = UserRepository(connection)

        users.create_table()

        user_id = users.add_user("Ali")
        print("Created:", user_id)

        user = users.get_by_id(user_id)
        print("Read:", dict(user) if user else None)

        updated = users.update_user(user_id, "Reza")
        print("Updated:", updated)

        deleted = users.delete_user(user_id)
        print("Deleted:", deleted)

خروجی نمونه:

Created: 1
Read: {'id': 1, 'name': 'Ali'}
Updated: True
Deleted: True

شناسه ممکن است در دیتابیس موجود شما متفاوت باشد.
🔹 چرا متدهای Update و Delete مقدار bool برمی‌گردانند؟
در این دو متد:

return cursor.rowcount > 0

اگر حداقل یک ردیف تغییر کرده یا حذف شده باشد، نتیجه True است؛ در غیر این صورت False خواهد بود.
به این ترتیب، برنامه می‌تواند تشخیص دهد آیا رکورد موردنظر پیدا شده و عملیات روی آن انجام شده است یا خیر.
⚠️ نکته مهم
تمام Queryها از Placeholder یعنی ? استفاده می‌کنند. این کار از ترکیب مستقیم ورودی کاربر با رشته SQL جلوگیری می‌کند.
همچنین with connection: تراکنش را مدیریت می‌کند و closing() اتصال را پس از خروج از بلوک می‌بندد.
🧠 خلاصه

Create → add_user()
Read   → get_by_id(), get_all()
Update → update_user()
Delete → delete_user()

این چهار عملیات پایه بسیاری از برنامه‌های واقعی مانند مدیریت کاربران، محصولات و سفارش‌ها هستند.
🎯 تمرین
متدی به نام rename_user(user_id, new_name) طراحی کن که:
کاربر را بر اساس شناسه پیدا کند.
نام او را تغییر دهد.
مشخص کند آیا رکوردی تغییر کرده است یا خیر.
می‌توانی از متد update_user() استفاده مجدد کنی، بدون اینکه Query تکراری بنویسی.
پست ۲۳۷ از دوره جامع Python 🐍

🐍 آموزش جامع Python — پست ۲۳۸
اعتبارسنجی ورودی‌ها در Repository
در پست قبل عملیات CRUD را پیاده‌سازی کردیم.
اما یک Repository خوب نباید هر داده‌ای را بدون بررسی وارد دیتابیس کند. برای مثال، نام کاربر نباید خالی یا فقط شامل فاصله باشد.
در این پست یاد می‌گیریم چگونه پیش از اجرای Query، ورودی‌ها را اعتبارسنجی کنیم.
🔹 اعتبارسنجی نام کاربر
در فایل user_repository.py، متد add_user() را به این شکل تغییر بده:

def add_user(self, name):
    if not isinstance(name, str):
        raise TypeError("Name must be a string")

    name = name.strip()

    if not name:
        raise ValueError("Name cannot be empty")

    cursor = self.connection.execute(
        "INSERT INTO users (name) VALUES (?)",
        (name,)
    )

    return cursor.lastrowid

در این کد:
isinstance() نوع داده را بررسی می‌کند.
strip() فاصله‌های ابتدا و انتهای نام را حذف می‌کند.
اگر نام خالی باشد، ValueError ایجاد می‌شود.
فقط پس از اعتبارسنجی، دستور SQL اجرا می‌شود.
🔹 اعتبارسنجی شناسه
برای متدهای ویرایش و حذف نیز می‌توانیم شناسه را بررسی کنیم:

def validate_user_id(self, user_id):
    if isinstance(user_id, bool) or not isinstance(user_id, int):
        raise TypeError("User ID must be an integer")

    if user_id <= 0:
        raise ValueError("User ID must be positive")

سپس در متد ویرایش:

def update_user(self, user_id, new_name):
    self.validate_user_id(user_id)

    if not isinstance(new_name, str):
        raise TypeError("Name must be a string")

    new_name = new_name.strip()

    if not new_name:
        raise ValueError("Name cannot be empty")

    cursor = self.connection.execute(
        "UPDATE users SET name = ? WHERE id = ?",
        (new_name, user_id)
    )

    return cursor.rowcount > 0

نکته: در Python، مقدار bool زیرنوع int است؛ بنابراین برای رد کردن True و False باید آن‌ها را جداگانه بررسی کنیم.
🔹 مدیریت خطا هنگام استفاده
در فایل main.py:

try:
    user_id = users.add_user("   ")

except (TypeError, ValueError) as error:
    print("Invalid input:", error)

خروجی:

Invalid input: Name cannot be empty

با مدیریت خطا، برنامه می‌تواند به‌جای متوقف شدن ناگهانی، پیام مناسبی نمایش دهد.
⚠️ نکته مهم
اعتبارسنجی در Repository به کیفیت داده‌ها کمک می‌کند؛ اما جایگزین محدودیت‌های دیتابیس مانند NOT NULL و CHECK نیست.
بهتر است از هر دو استفاده کنیم:
اعتبارسنجی Python برای ارائه خطاهای واضح.
محدودیت‌های SQLite برای محافظت از یکپارچگی داده‌ها.
🧠 خلاصه

ورودی
  ↓
بررسی نوع
  ↓
بررسی مقدار
  ↓
اجرای Query پارامتری
  ↓
ثبت یا دریافت نتیجه

🎯 تمرین
متد delete_user() را طوری تغییر بده که:
شناسه باید از نوع int باشد.
مقدارهای True و False پذیرفته نشوند.
شناسه باید بزرگ‌تر از صفر باشد.
در صورت معتبر بودن، رکورد حذف شود.
پست ۲۳۸ از دوره جامع Python 🐍

🐍 آموزش جامع Python — پست ۲۳۹
مدیریت خطاهای سفارشی در پروژه‌های Python
در پست قبل یاد گرفتیم ورودی‌های Repository را اعتبارسنجی کنیم.
حالا می‌خواهیم به‌جای استفاده از خطاهای عمومی در تمام بخش‌های برنامه، Exceptionهای اختصاصی برای پروژه خودمان بسازیم.
این روش باعث می‌شود مدیریت خطاها دقیق‌تر و کد خواناتر شود.
🔹 ساخت Exception اختصاصی
در Python می‌توانیم با ارث‌بری از Exception، خطای مخصوص پروژه بسازیم:

class UserError(Exception):
    pass


class InvalidUserError(UserError):
    pass


class UserNotFoundError(UserError):
    pass

در اینجا:
UserError خطای پایه مربوط به کاربران است.
InvalidUserError برای ورودی نامعتبر است.
UserNotFoundError برای کاربر پیدا نشده است.
چون دو خطای آخر از UserError ارث‌بری می‌کنند، می‌توانیم همه آن‌ها را با گرفتن UserError مدیریت کنیم.
🔹 استفاده در Repository
در فایل user_repository.py:

class UserRepository:

    def __init__(self, connection):
        self.connection = connection

    def add_user(self, name):
        if not isinstance(name, str):
            raise InvalidUserError("Name must be a string")

        name = name.strip()

        if not name:
            raise InvalidUserError("Name cannot be empty")

        cursor = self.connection.execute(
            "INSERT INTO users (name) VALUES (?)",
            (name,)
        )

        return cursor.lastrowid

    def get_by_id(self, user_id):
        cursor = self.connection.execute(
            "SELECT id, name FROM users WHERE id = ?",
            (user_id,)
        )

        user = cursor.fetchone()

        if user is None:
            raise UserNotFoundError(
                f"User with ID {user_id} was not found"
            )

        return user

در این مثال فرض شده کلاس‌های Exception در همین فایل تعریف شده‌اند.
🔹 مدیریت خطا در برنامه اصلی
در main.py:

try:
    user = users.get_by_id(999)

except UserNotFoundError as error:
    print("User error:", error)

except UserError as error:
    print("Invalid operation:", error)

اگر کاربر با شناسه 999 وجود نداشته باشد، پیام مناسب نمایش داده می‌شود.
🔹 چرا ترتیب except مهم است؟
فرض کنیم:

class UserError(Exception):
    pass


class UserNotFoundError(UserError):
    pass

اگر ابتدا بنویسیم:

except UserError:
    ...
except UserNotFoundError:
    ...

خطای UserNotFoundError ابتدا توسط UserError گرفته می‌شود؛ بنابراین بخش دوم اجرا نخواهد شد.
به همین دلیل، ابتدا خطاهای اختصاصی‌تر و سپس خطاهای عمومی‌تر را بنویس.
⚠️ نکته مهم
Exception اختصاصی را برای خطاهایی بساز که معنای مشخصی در پروژه دارند. لازم نیست برای هر شرط ساده یک کلاس جدید ایجاد کنیم.
همچنین خطاهای دیتابیس، مانند sqlite3.IntegrityError، همچنان ممکن است رخ دهند و باید متناسب با نیاز پروژه مدیریت شوند.
🧠 خلاصه

Exception
    ↓
UserError
    ├── InvalidUserError
    └── UserNotFoundError

با Exceptionهای اختصاصی می‌توانیم خطاهای پروژه را بهتر دسته‌بندی و مدیریت کنیم.
🎯 تمرین
یک Exception به نام DuplicateUserError بساز که از UserError ارث‌بری کند.
سپس آن را در Repository به کار ببر تا اگر نام کاربری تکراری بود، خطای مشخصی ایجاد شود.
پست ۲۳۹ از دوره جامع Python 🐍

🐍 آموزش جامع Python — پست ۲۴۰
ثبت خطاها با ماژول logging
در پست قبل با Exceptionهای اختصاصی آشنا شدیم.
حالا می‌خواهیم یاد بگیریم چگونه اتفاقات مهم برنامه و خطاها را ثبت کنیم تا هنگام عیب‌یابی بتوانیم آن‌ها را بررسی کنیم.
برای این کار از ماژول استاندارد logging استفاده می‌کنیم.
🔹 اولین Log

import logging

logging.basicConfig(level=logging.INFO)

logging.info("Application started")
logging.warning("Low disk space")
logging.error("Database connection failed")

خروجی نمونه:

INFO:root:Application started
WARNING:root:Low disk space
ERROR:root:Database connection failed

سطح‌های مهم Log عبارت‌اند از:
سطح
کاربرد
DEBUG
اطلاعات جزئی برای عیب‌یابی
INFO
رویدادهای عادی برنامه
WARNING
وضعیت غیرمنتظره اما قابل ادامه
ERROR
خطا در یک عملیات
CRITICAL
مشکل بسیار جدی
🔹 ثبت Exception
فرض کنیم هنگام اتصال به دیتابیس خطایی رخ می‌دهد:

import logging
import sqlite3

logging.basicConfig(level=logging.INFO)

try:
    connection = sqlite3.connect("app.db")
    connection.execute("SELECT * FROM missing_table")

except sqlite3.Error:
    logging.exception("Database operation failed")

finally:
    if "connection" in locals():
        connection.close()

متد logging.exception() پیام خطا را همراه با اطلاعات Exception و Traceback ثبت می‌کند.
این متد را معمولاً داخل بلوک except استفاده می‌کنیم.
🔹 ذخیره Log در فایل
برای ثبت گزارش در فایل:

import logging

logging.basicConfig(
    filename="app.log",
    level=logging.INFO,
    format="%(asctime)s - %(levelname)s - %(message)s",
    encoding="utf-8"
)

logging.info("Application started")
logging.error("Operation failed")

اکنون پیام‌ها در فایل app.log ذخیره می‌شوند.
گزینه encoding="utf-8" برای ثبت درست متن فارسی مفید است.
🔹 چرا print() کافی نیست؟
print() برای نمایش خروجی مناسب است، اما logging امکانات بیشتری دارد:
سطح‌بندی پیام‌ها
ثبت زمان رویداد
ذخیره گزارش در فایل
ثبت Traceback خطاها
کنترل میزان جزئیات گزارش
در برنامه‌های واقعی، Logging به عیب‌یابی و نگهداری بهتر کمک می‌کند.
⚠️ نکته مهم
logging.basicConfig() معمولاً فقط زمانی تنظیمات اصلی را اعمال می‌کند که Root Logger از قبل Handler نداشته باشد.
همچنین رمز عبور، کلید API و اطلاعات حساس کاربران را در Log ثبت نکن؛ فایل‌های گزارش نیز باید از نظر دسترسی محافظت شوند.
🧠 خلاصه

DEBUG
INFO
WARNING
ERROR
CRITICAL

برای ثبت Exception همراه با Traceback:

logging.exception("Operation failed")

و برای ذخیره گزارش در فایل:

logging.basicConfig(filename="app.log")

🎯 تمرین
برنامه‌ای بنویس که:
گزارش‌ها را در فایل database.log ذخیره کند.
شروع برنامه را با INFO ثبت کند.
یک خطای آزمایشی ValueError ایجاد کند.
خطا را با logging.exception() ثبت کند.
اجرای برنامه را با یک پیام INFO گزارش دهد.
پست ۲۴۰ از دوره جامع Python 🐍

🐍 آموزش جامع Python — پروژه عملی شماره ۱
ساخت سیستم مدیریت کاربران با SQLite
در این پروژه قرار است یک برنامه نسبتاً واقعی بسازیم که کاربران را در دیتابیس ذخیره کند، اطلاعاتشان را مدیریت کند و خطاها را ثبت کند.
🎯 هدف پروژه: ترکیب مفاهیمی که تا اینجا یاد گرفته‌ایم در یک برنامه کاربردی.
🔹 امکانات برنامه
برنامه باید بتواند:
کاربر جدید ثبت کند.
تمام کاربران را نمایش دهد.
کاربر را با شناسه پیدا کند.
اطلاعات کاربر را ویرایش کند.
کاربر را حذف کند.
ورودی‌ها را اعتبارسنجی کند.
خطاها را مدیریت و در فایل ثبت کند.
اطلاعات را در SQLite نگهداری کند تا با بستن برنامه از بین نروند.
🔹 ساختار پروژه

user_manager/
│
├── main.py
├── database.py
├── user_repository.py
├── exceptions.py
└── app.log

وظیفه هر فایل:
main.py — منوی برنامه و دریافت ورودی
database.py — ایجاد اتصال به دیتابیس
user_repository.py — عملیات CRUD
exceptions.py — تعریف خطاهای اختصاصی
app.log — ذخیره گزارش خطاها و رویدادها
🔹 مرحله اول: طراحی جدول
جدول users باید این ستون‌ها را داشته باشد:
ستون
نوع
محدودیت
id
INTEGER
کلید اصلی
username
TEXT
اجباری و یکتا
age
INTEGER
بین ۱ تا ۱۲۰
از محدودیت‌های PRIMARY KEY، NOT NULL، UNIQUE و CHECK استفاده کن.
🔹 مرحله دوم: پیاده‌سازی Repository
در کلاس UserRepository این متدها را پیاده‌سازی کن:

create_table()
add_user(username, age)
get_all()
get_by_id(user_id)
update_user(user_id, username, age)
delete_user(user_id)

قوانین:
نام کاربری نباید خالی باشد.
نام کاربری تکراری نباید ثبت شود.
سن باید عدد صحیح بین ۱ تا ۱۲۰ باشد.
شناسه باید عدد صحیح مثبت باشد.
برای تمام Queryهای دارای ورودی از Placeholder یعنی ? استفاده کن.
🔹 مرحله سوم: مدیریت خطا
در فایل exceptions.py دست‌کم این خطاها را تعریف کن:

class UserError(Exception):
    pass


class InvalidUserError(UserError):
    pass


class UserNotFoundError(UserError):
    pass


class DuplicateUserError(UserError):
    pass

خطاها باید متناسب با شرایط ایجاد شوند و در main.py به شکل مناسب مدیریت شوند.
برای خطای تکراری بودن نام کاربری می‌توانی از sqlite3.IntegrityError استفاده کنی؛ اما فقط زمانی آن را به DuplicateUserError تبدیل کن که علت نقض محدودیت واقعاً تکراری بودن نام باشد.
🔹 مرحله چهارم: ثبت گزارش
با logging رویدادهای مهم را در app.log ثبت کن:

INFO     User created
INFO     User updated
INFO     User deleted
WARNING  Invalid input
ERROR    Database operation failed

اطلاعات حساس را در گزارش‌ها ذخیره نکن.
🔹 مرحله پنجم: منوی برنامه
منوی زیر را پیاده‌سازی کن:

===== User Manager =====

1. Add user
2. Show all users
3. Find user
4. Update user
5. Delete user
0. Exit

برنامه باید تا زمانی که کاربر گزینه خروج را انتخاب نکرده، به اجرای منو ادامه دهد.
⚠️ قوانین مهم پروژه
کد را بین فایل‌های مشخص‌شده تقسیم کن.
از try/except برای مدیریت خطاهای مورد انتظار استفاده کن.
اتصال دیتابیس را به‌درستی ببند.
تراکنش‌ها را مدیریت کن تا تغییرات ناقص ثبت نشوند.
از تکرار بی‌دلیل Queryها جلوگیری کن.
اعتبارسنجی Python را در کنار محدودیت‌های SQLite انجام بده.
🎯 معیار تکمیل پروژه
پروژه زمانی کامل است که بتوانی:
دو کاربر متفاوت ثبت کنی.
کاربر تکراری را رد کنی.
اطلاعات یک کاربر را تغییر بدهی.
کاربر مشخصی را حذف کنی.
شناسه نامعتبر را مدیریت کنی.
برنامه را ببندی و دوباره اجرا کنی، بدون اینکه اطلاعات قبلی از بین بروند.
گزارش خطاها را در app.log مشاهده کنی.
پست پروژه‌ای از دوره جامع Python 🐍

هیچ صحنه ای توی دنیا
اندازه این صحنه که چیزی در حال لود شدن یا هر چیز دیگه ای روی اعصابم راه نمیره

📢 اطلاعیه درباره روند انتشار آموزش‌های Python 🐍
دوستان عزیز، همراهان دوره جامع Python،
با توجه به حجم مطالبی که تا اینجا در دوره منتشر شده، تصمیم گرفتیم فعلاً سرعت انتشار آموزش‌های جدید را کمی کاهش دهیم تا فرصت کافی برای مطالعه، مرور و تمرین مطالب قبلی داشته باشید.
🎯 هدف ما فقط انتشار مطالب بیشتر نیست؛ هدف این است که مطالب را به‌خوبی یاد بگیرید و بتوانید در پروژه‌های واقعی از آن‌ها استفاده کنید.
پیشنهاد می‌کنیم در این مدت:
🔹 پست‌های قبلی را با دقت مرور کنید.
🔹 مثال‌های کد را خودتان اجرا کنید.
🔹 تمرین‌های هر بخش را حل کنید.
🔹 سعی کنید بدون نگاه کردن به آموزش، کدها را دوباره بنویسید.
🔹 اگر بخشی را خوب متوجه نشده‌اید، به همان قسمت برگردید و دوباره مطالعه کنید.
⏳ این کاهش سرعت موقتی است و به معنی توقف دوره نیست. آموزش‌ها ادامه خواهند داشت؛ فقط می‌خواهیم فرصت بیشتری برای یادگیری عمیق‌تر و تثبیت مطالب داشته باشید.
از همراهی و حمایت شما سپاسگزاریم. ❤️
آرام‌تر پیش رفتن، اما عمیق‌تر یاد گرفتن؛ اصل مهم این مسیر است.
🐍 آموزش جامع Python

🔥 یه کانال پیدا کردم که از بچه‌های همین کانال خودمونه! 😎

داخلش هم چیزای خوب و کاربردی پیدا میشه، هم یه سری چیزای عجیب و باحال 🤯

مثلاً تو یکی از پست‌هاش نوشته: «آموزش داشتن دو تا سیستم‌عامل برای کامپیوتر» 😳
مگه همچین چیزی داریم؟! 😅

شاید داشته باشیم… 😏
خواستید یه سر بزنید، ضرر نمی‌کنید 👇
https://t.me/whyitinfo

هر چی تو عمرم ندیده بودم اینجا دیدم 😁
🐍 آموزش جامع Python

🐍 آموزش جامع Python — پست ۲۴۱
ساخت تست‌های یکپارچه برای Repository در SQLite
در پست‌های قبلی یاد گرفتیم چطور با Repository Pattern عملیات دیتابیس را از منطق اصلی برنامه جدا کنیم و با unittest تست بنویسیم.
حالا می‌خواهیم بررسی کنیم که آیا چند بخش برنامه، وقتی با هم کار می‌کنند، درست عمل می‌کنند یا نه. به این روش Integration Testing می‌گوییم.
🔹 تفاوت تست واحد و تست یکپارچه
Unit Test: یک بخش کوچک از برنامه را به‌صورت مستقل بررسی می‌کند.
Integration Test: تعامل چند بخش را با یکدیگر بررسی می‌کند؛ مثلاً Repository و دیتابیس SQLite.
🔹 مثال عملی
فرض کنیم فایل user_repository.py شامل کلاس زیر است:

class UserRepository:

    def __init__(self, connection):
        self.connection = connection

    def create_table(self):
        self.connection.execute("""
            CREATE TABLE IF NOT EXISTS users (
                id INTEGER PRIMARY KEY,
                name TEXT NOT NULL
            )
        """)

    def add_user(self, name):
        cursor = self.connection.execute(
            "INSERT INTO users (name) VALUES (?)",
            (name,)
        )
        return cursor.lastrowid

    def get_by_id(self, user_id):
        return self.connection.execute(
            "SELECT id, name FROM users WHERE id = ?",
            (user_id,)
        ).fetchone()

حالا یک فایل به نام test_user_repository.py بساز:

import sqlite3
import unittest

from user_repository import UserRepository


class TestUserRepository(unittest.TestCase):

    def setUp(self):
        self.connection = sqlite3.connect(":memory:")
        self.connection.row_factory = sqlite3.Row

        self.repository = UserRepository(self.connection)
        self.repository.create_table()

    def tearDown(self):
        self.connection.close()

    def test_add_and_get_user(self):
        user_id = self.repository.add_user("Ali")

        user = self.repository.get_by_id(user_id)

        self.assertIsNotNone(user)
        self.assertEqual(user["id"], user_id)
        self.assertEqual(user["name"], "Ali")


if __name__ == "__main__":
    unittest.main()

🔹 این تست چه کاری انجام می‌دهد؟
۱. یک دیتابیس موقت در حافظه ایجاد می‌کند.
۲. جدول کاربران را می‌سازد.
۳. کاربر جدیدی اضافه می‌کند.
۴. همان کاربر را با شناسه‌اش می‌خواند.
۵. بررسی می‌کند که شناسه و نام بازیابی‌شده صحیح باشند.
۶. پس از پایان تست، اتصال را می‌بندد.
استفاده از :memory: باعث می‌شود تست به دیتابیس واقعی برنامه وابسته نباشد و اطلاعات آزمایشی در فایل اصلی ذخیره نشوند.
🔹 اجرای تست
در ترمینال، از پوشه پروژه اجرا کن:

python -m unittest -v

اگر تست موفق باشد، نتیجه‌ای مشابه زیر مشاهده می‌کنی:

test_add_and_get_user ... ok

Ran 1 test
OK

⚠️ نکته مهم
این تست فقط تعامل Repository با SQLite را بررسی می‌کند. اگر بعداً منطق اصلی برنامه، اعتبارسنجی یا مدیریت خطاها را نیز اضافه کردی، بهتر است برای آن‌ها تست‌های جداگانه بنویسی.
🧠 خلاصه
در تست یکپارچه، به‌جای بررسی صرف یک تابع، چند بخش واقعی برنامه را کنار هم آزمایش می‌کنیم.
🎯 تمرین
یک تست جدید به نام test_missing_user بنویس که شناسه‌ای ناموجود را به get_by_id() بدهد و بررسی کند که نتیجه None است.
پست ۲۴۱ از دوره جامع Python 🐍

🐍 آموزش جامع Python — پست ۲۴۲
استفاده از unittest.mock برای شبیه‌سازی وابستگی‌ها
در پست قبل تست یکپارچه برای Repository و SQLite نوشتیم.
اما گاهی می‌خواهیم یک بخش از برنامه را بدون اجرای وابستگی‌های واقعی آن آزمایش کنیم. برای این کار می‌توانیم از ماژول استاندارد unittest.mock استفاده کنیم.
به این روش، شبیه‌سازی وابستگی‌ها یا Mocking می‌گوییم.
🔹 چرا Mock لازم است؟
فرض کنید تابعی داریم که برای دریافت اطلاعات به یک سرویس خارجی متصل می‌شود. هنگام تست، شاید نخواهیم واقعاً به آن سرویس متصل شویم.
با Mock می‌توانیم نتیجه مورد انتظار را شبیه‌سازی کنیم و رفتار تابع خودمان را مستقل آزمایش کنیم.
🔹 اولین Mock با Mock

from unittest.mock import Mock

service = Mock()

service.get_username.return_value = "Ali"

result = service.get_username()

print(result)

خروجی:

Ali

در این مثال:
Mock() یک شیء شبیه‌سازی‌شده می‌سازد.
return_value نتیجه‌ای را تعیین می‌کند که فراخوانی متد برمی‌گرداند.
بدون نیاز به پیاده‌سازی واقعی سرویس، می‌توانیم رفتار آن را آزمایش کنیم.
🔹 تست با unittest
فرض کنیم تابع زیر در فایل user_service.py قرار دارد:

def get_display_name(repository, user_id):
    user = repository.get_by_id(user_id)

    if user is None:
        return "Unknown user"

    return user["name"]

این تابع به یک Repository وابسته است، اما برای تست آن نیازی به دیتابیس واقعی نداریم.
فایل test_user_service.py:

import unittest
from unittest.mock import Mock

from user_service import get_display_name


class TestUserService(unittest.TestCase):

    def test_existing_user(self):
        repository = Mock()
        repository.get_by_id.return_value = {
            "id": 1,
            "name": "Ali"
        }

        result = get_display_name(repository, 1)

        self.assertEqual(result, "Ali")
        repository.get_by_id.assert_called_once_with(1)

    def test_missing_user(self):
        repository = Mock()
        repository.get_by_id.return_value = None

        result = get_display_name(repository, 99)

        self.assertEqual(result, "Unknown user")


if __name__ == "__main__":
    unittest.main()

🔹 متد assert_called_once_with()
این متد بررسی می‌کند که یک متد دقیقاً یک بار و با آرگومان‌های مشخص فراخوانی شده باشد:

repository.get_by_id.assert_called_once_with(1)

اگر متد اصلاً فراخوانی نشده باشد، چند بار اجرا شده باشد یا آرگومان دیگری دریافت کرده باشد، تست شکست می‌خورد.
⚠️ نکته مهم
Mock جایگزین تمام تست‌های واقعی نیست. در این مثال بررسی می‌کنیم که منطق get_display_name() درست کار می‌کند؛ اما صحت Queryهای SQLite را بررسی نمی‌کنیم.
بنابراین:
برای منطق مستقل، از Unit Test و Mock استفاده کن.
برای بررسی تعامل واقعی با SQLite، از Integration Test استفاده کن.
🧠 خلاصه
Mock به ما اجازه می‌دهد وابستگی‌های یک تابع را شبیه‌سازی کنیم و رفتار خود تابع را بدون اجرای واقعی آن وابستگی‌ها آزمایش کنیم.
🎯 تمرین
تابعی به نام delete_user_if_exists(repository, user_id) بنویس که:
با repository.get_by_id(user_id) وجود کاربر را بررسی کند.
اگر کاربر وجود داشت، repository.delete_user(user_id) را فراخوانی کند و True برگرداند.
اگر کاربر وجود نداشت، هیچ حذفی انجام ندهد و False برگرداند.
سپس با Mock برای هر دو حالت تست بنویس.
پست ۲۴۲ از دوره جامع Python 🐍

🐍 آموزش جامع Python — پست ۲۴۳
تست‌کردن خطاها با assertRaises
در پست‌های قبلی با Exceptionهای اختصاصی و تست‌نویسی با unittest آشنا شدیم.
اما تست موفقیت‌آمیز بودن یک عملیات کافی نیست؛ گاهی باید مطمئن شویم برنامه هنگام دریافت ورودی نامعتبر، خطای درست را ایجاد می‌کند.
برای این کار از assertRaises() استفاده می‌کنیم.
🔹 مثال ساده

import unittest


def divide(a, b):
    if b == 0:
        raise ValueError("Divisor cannot be zero")

    return a / b


class TestDivide(unittest.TestCase):

    def test_divide_by_zero(self):
        with self.assertRaises(ValueError):
            divide(10, 0)


if __name__ == "__main__":
    unittest.main()

در این مثال، تست زمانی موفق است که فراخوانی divide(10, 0) خطای ValueError ایجاد کند.
اگر تابع هیچ خطایی ایجاد نکند، تست شکست می‌خورد.
🔹 بررسی متن خطا
گاهی فقط نوع خطا کافی نیست و می‌خواهیم پیام آن را هم بررسی کنیم:

def test_error_message(self):
    with self.assertRaises(ValueError) as context:
        divide(10, 0)

    self.assertEqual(
        str(context.exception),
        "Divisor cannot be zero"
    )

متغیر context اطلاعات Exception رخ‌داده را در اختیارمان قرار می‌دهد.
ویژگی context.exception خود شیء خطاست و با str() می‌توانیم پیام آن را بخوانیم.
🔹 کاربرد در پروژه SQLite
فرض کنیم تابعی برای اعتبارسنجی سن کاربران داریم:

def validate_age(age):
    if not isinstance(age, int) or isinstance(age, bool):
        raise TypeError("Age must be an integer")

    if not 1 <= age <= 120:
        raise ValueError("Age must be between 1 and 120")

    return age

حالا می‌توانیم حالت‌های نامعتبر را تست کنیم:

class TestAgeValidation(unittest.TestCase):

    def test_invalid_type(self):
        with self.assertRaises(TypeError):
            validate_age("twenty")

    def test_invalid_range(self):
        with self.assertRaises(ValueError):
            validate_age(150)

    def test_boolean_is_rejected(self):
        with self.assertRaises(TypeError):
            validate_age(True)

در این تست‌ها بررسی می‌کنیم که ورودی نامعتبر با نوع خطای مورد انتظار رد شود.
🔹 تفاوت assertRaises و try/except
try/except برای مدیریت خطا در اجرای عادی برنامه استفاده می‌شود.
assertRaises بررسی می‌کند که هنگام تست، یک عملیات خطای مشخصی ایجاد کند.
⚠️ نکته مهم
نوع خطای مورد انتظار را دقیق انتخاب کن. اگر انتظار ValueError داری اما برنامه به‌جای آن TypeError ایجاد کند، تست نباید موفق محسوب شود.
همچنین فقط همان دستوری را داخل بلوک assertRaises قرار بده که انتظار داری خطا ایجاد کند؛ در غیر این صورت ممکن است خطای بخش دیگری از کد باعث قبولی اشتباه تست شود.
🧠 خلاصه

with self.assertRaises(ValueError):
    some_function()

این الگو برای تست اعتبارسنجی ورودی‌ها، خطاهای اختصاصی و رفتارهای نامعتبر در پروژه‌های Python کاربرد زیادی دارد.
🎯 تمرین
برای تابع validate_age() سه تست بنویس:
۱. سن 25 باید پذیرفته شود.
۲. سن 0 باید ValueError ایجاد کند.
۳. مقدار "25" باید TypeError ایجاد کند.
پست ۲۴۳ از دوره جامع Python 🐍

🐍 آموزش جامع Python — پست ۲۴۴
استفاده از patch() برای شبیه‌سازی وابستگی‌ها در تست
در پست ۲۴۲ با Mock آشنا شدیم. حالا می‌خواهیم از ابزار patch() استفاده کنیم تا هنگام اجرای تست، یک تابع واقعی را موقتاً با یک نمونه ساختگی جایگزین کنیم.
این کار زمانی مفید است که تابع مورد آزمایش به سرویس ایمیل، API خارجی یا بخش دیگری از برنامه وابسته باشد.
🔹 مثال عملی
فرض کنیم دو فایل داریم.
فایل notifications.py

def send_email(address, message):
    print(f"Sending email to {address}")

فایل registration.py

from notifications import send_email


def register_user(email):
    # ثبت‌نام کاربر در این قسمت انجام می‌شود
    send_email(email, "Welcome!")

تابع register_user() برای ارسال ایمیل به send_email() وابسته است. در تست نمی‌خواهیم ایمیلی واقعاً ارسال شود؛ فقط می‌خواهیم بررسی کنیم که تابع ارسال ایمیل به‌درستی فراخوانی شده است.
🔹 نوشتن تست با patch()
فایل test_registration.py

import unittest
from unittest.mock import patch

from registration import register_user


class TestRegistration(unittest.TestCase):

    @patch("registration.send_email")
    def test_register_sends_email(self, mock_send_email):
        register_user("user@example.com")

        mock_send_email.assert_called_once_with(
            "user@example.com",
            "Welcome!"
        )


if __name__ == "__main__":
    unittest.main()

🔍 این کد چگونه کار می‌کند؟
patch() تابع send_email را در ماژول registration موقتاً جایگزین می‌کند.
متغیر mock_send_email نمونه ساختگی ایجادشده را دریافت می‌کند.
assert_called_once_with() بررسی می‌کند که تابع دقیقاً یک بار و با آرگومان‌های مورد انتظار فراخوانی شده باشد.
پس از پایان تست، جایگزینی موقت برداشته می‌شود.
⚠️ نکته بسیار مهم
در این مثال باید بنویسیم:

@patch("registration.send_email")

نه:

@patch("notifications.send_email")

چرا؟ چون در registration.py تابع با دستور from notifications import send_email وارد شده است؛ بنابراین هنگام اجرای register_user()، نام send_email از فضای نام ماژول registration خوانده می‌شود.
قاعده اصلی: چیزی را که کد مورد آزمایش از آن استفاده می‌کند، در همان محل استفاده جایگزین کن.
🎯 تمرین
تابع زیر را در فایل user_service.py در نظر بگیر:

from notifications import send_email


def notify_user(email):
    send_email(email, "Your account is ready!")

یک تست بنویس که با patch() ارسال واقعی ایمیل را متوقف کند و بررسی کند که send_email دقیقاً یک بار با آرگومان‌های زیر فراخوانی شده است:
email: مقدار admin@example.com
message: مقدار Your account is ready!
پست ۲۴۴ از دوره جامع Python 🐍

🐍 آموزش جامع Python — پست ۲۴۵
تفاوت setUp() و tearDown() در تست‌نویسی
وقتی تعداد تست‌ها زیاد می‌شود، ممکن است چند تست به داده‌ها یا منابع اولیه یکسانی نیاز داشته باشند. در کتابخانه unittest می‌توانیم از setUp() و tearDown() برای مدیریت آماده‌سازی و پاک‌سازی هر تست استفاده کنیم.
۱. متد setUp()
این متد پیش از اجرای هر متد تست اجرا می‌شود و برای آماده‌سازی شرایط تست کاربرد دارد.
۲. متد tearDown()
این متد پس از اجرای هر متد تست، در صورت موفقیت یا شکست آن، اجرا می‌شود و برای پاک‌سازی منابع کاربرد دارد؛ البته اگر اجرای setUp() با خطا مواجه شود، tearDown() اجرا نمی‌شود.
🔹 مثال عملی

import unittest


class TestCalculator(unittest.TestCase):

    def setUp(self):
        self.numbers = [10, 20, 30]
        print("Preparing test")

    def tearDown(self):
        print("Cleaning up test")

    def test_sum(self):
        self.assertEqual(sum(self.numbers), 60)

    def test_length(self):
        self.assertEqual(len(self.numbers), 3)


if __name__ == "__main__":
    unittest.main()

🔍 ترتیب اجرا
برای هر تست، ترتیب کلی به این شکل است:

setUp()
   ↓
اجرای متد تست
   ↓
tearDown()

بنابراین، برای دو متد تست بالا، setUp() و tearDown() هرکدام دو بار اجرا می‌شوند.
نکته: ترتیب اجرای متدهای تست را نباید بدون دلیل مشخص، ترتیب نوشتن آن‌ها در کلاس فرض کنید.
🔹 چرا این روش مفید است؟
فرض کنید چند تست به یک فهرست اولیه نیاز دارند. به‌جای تکرار ساخت فهرست در هر تست، آن را در setUp() تعریف می‌کنیم.
همچنین هر تست، نمونه جداگانه‌ای از کلاس تست دریافت می‌کند؛ بنابراین تغییر self.numbers در یک تست، به‌طور معمول روی تست دیگر تأثیر نمی‌گذارد.
🔸 تفاوت با setUpClass()
اگر بخواهیم آماده‌سازی فقط یک بار برای کل کلاس تست انجام شود، می‌توانیم از setUpClass() استفاده کنیم. این متد باید با @classmethod تعریف شود.

@classmethod
def setUpClass(cls):
    cls.shared_data = [1, 2, 3]

این روش برای منابع پرهزینه‌ای مناسب است که قرار است بین تست‌های یک کلاس مشترک باشند؛ البته باید مراقب تغییر داده‌های مشترک باشیم.
🎯 تمرین
کلاسی به نام TestShoppingCart بساز که:
۱. در setUp() یک سبد خرید با دو محصول ایجاد کند.
۲. در یک تست، تعداد محصولات را بررسی کند.
۳. در تست دیگر، مجموع قیمت محصولات را بررسی کند.
۴. در tearDown() یک پیام برای پایان هر تست چاپ کند.
پست ۲۴۵ از دوره جامع Python 🐍

چالش برنامه نویسی بدون جایزه! 🔥

یه برنامه بنویسید که یه کد دریافت کنه و تشخیص بده که اجرای اون برنامه بالاخره تموم می‌شه یا برای همیشه ادامه پیدا می‌کنه

مثلا برنامتون باید بین این 2 تا کد تفاوت قائل بشه:

#1
print("Hello Dev FA")


#2
while True:
    pass

اما داستان به همینجا ختم نمی‌شه
کدتون باید برای هر برنامه و ورودی دلخواه جواب درست بده و خودشم همیشه تو زمان محدود به جواب برسه

🐍 آموزش جامع Python — پست ۲۴۶
مدیریت منابع تست با addCleanup()
در پست قبل با setUp() و tearDown() آشنا شدیم. حالا می‌خواهیم روش دیگری در unittest یاد بگیریم: متد addCleanup().
این متد برای ثبت عملیات پاک‌سازی استفاده می‌شود؛ عملیاتی که پس از پایان تست باید اجرا شوند، مانند بستن فایل یا آزادسازی یک منبع.
🔹 مثال عملی
فرض کنید تست ما یک فایل موقت باز می‌کند. می‌خواهیم مطمئن شویم فایل پس از پایان تست بسته می‌شود.

import unittest


class TestFileHandling(unittest.TestCase):

    def setUp(self):
        self.file = open("test.txt", "w", encoding="utf-8")

        self.addCleanup(self.file.close)

    def test_file_is_open(self):
        self.assertFalse(self.file.closed)

    def test_write_to_file(self):
        self.file.write("Hello Python")


if __name__ == "__main__":
    unittest.main()

🔍 کد چگونه کار می‌کند؟
open() فایل را باز می‌کند.
self.addCleanup(self.file.close) تابع بستن فایل را برای مرحله پاک‌سازی ثبت می‌کند.
پس از پایان هر تست، تابع ثبت‌شده اجرا می‌شود؛ حتی اگر تست با شکست مواجه شود یا اجرای آن با خطا متوقف شود.
از آنجا که setUp() برای هر تست اجرا می‌شود، هر تست فایل خودش را باز می‌کند و عملیات پاک‌سازی مربوط به همان فایل را ثبت می‌کند.
🔸 تفاوت addCleanup() با tearDown()
ویژگی
tearDown()
addCleanup()
روش استفاده
بازنویسی یک متد
ثبت یک یا چند تابع
تعداد عملیات پاک‌سازی
می‌توان چند عملیات را در آن نوشت
می‌توان چند تابع جداگانه ثبت کرد
ترتیب اجرا
پس از تست، در صورت موفقیت setUp()
توابع ثبت‌شده با ترتیب معکوس ثبت اجرا می‌شوند
خطا در setUp()
ممکن است اجرا نشود
توابعی که پیش از خطا ثبت شده‌اند، اجرا می‌شوند
نکته مهم: توابع addCleanup() حتی اگر متد تست شکست بخورد یا tearDown() با خطا مواجه شود، اجرا می‌شوند. اگر setUp() قبل از ثبت عملیات پاک‌سازی با خطا مواجه شود، طبیعتاً پاک‌سازی ثبت‌نشده‌ای وجود ندارد.
🎯 تمرین
کلاسی برای تست یک منبع فرضی بساز که:
۱. در setUp() یک فهرست ایجاد کند.
۲. با addCleanup() تابعی را برای پاک‌سازی ثبت کند.
۳. در تابع پاک‌سازی، یک پیام چاپ کند.
۴. بررسی کند که داده‌ها در زمان اجرای تست در دسترس هستند.
هدف این است که تفاوت آماده‌سازی تست و پاک‌سازی خودکار منابع را در عمل درک کنید.
پست ۲۴۶ از دوره جامع Python 🐍

🐍 آموزش جامع Python — پست ۲۴۷
مدیریت منابع در تست‌ها با setUpClass() و tearDownClass()
در تست‌نویسی، بعضی منابع برای هر تست به‌صورت جداگانه آماده می‌شوند؛ اما بعضی دیگر، مانند یک منبع مشترک یا داده‌های پرهزینه برای آماده‌سازی، بهتر است فقط یک بار برای کل کلاس ایجاد شوند.
در unittest دو متد ویژه برای این کار داریم:
setUpClass() برای آماده‌سازی مشترک پیش از اجرای تست‌های کلاس
tearDownClass() برای پاک‌سازی مشترک پس از پایان اجرای تست‌های کلاس
۱. ساختار اصلی

import unittest


class TestExample(unittest.TestCase):

    @classmethod
    def setUpClass(cls):
        print("Class setup")

    @classmethod
    def tearDownClass(cls):
        print("Class cleanup")

    def test_first(self):
        self.assertEqual(2 + 3, 5)

    def test_second(self):
        self.assertTrue(10 > 3)


if __name__ == "__main__":
    unittest.main()

در این مثال، setUpClass() یک بار پیش از اجرای تست‌های این کلاس اجرا می‌شود و tearDownClass() پس از پایان اجرای تست‌های کلاس اجرا خواهد شد.
۲. چرا از @classmethod استفاده می‌کنیم؟
این دو متد به‌جای یک نمونه از کلاس تست، خود کلاس را دریافت می‌کنند؛ بنابراین پارامتر آن‌ها cls است.

@classmethod
def setUpClass(cls):
    cls.shared_data = [10, 20, 30]

اکنون داده از طریق کلاس قابل دسترسی است:

self.assertEqual(sum(self.shared_data), 60)

۳. تفاوت با setUp() و tearDown()
متد
زمان اجرا
setUp()
پیش از هر تست
tearDown()
پس از هر تست، اگر setUp() با موفقیت تمام شده باشد
setUpClass()
یک بار پیش از تست‌های کلاس
tearDownClass()
پس از پایان اجرای تست‌های کلاس
برای مثال، اگر کلاس سه متد تست داشته باشد، در اجرای معمول هر چهار متد مربوط به چرخه عمر به این صورت رفتار می‌کنند:
setUpClass() یک بار اجرا می‌شود.
setUp() سه بار اجرا می‌شود.
tearDown() سه بار اجرا می‌شود.
tearDownClass() یک بار اجرا می‌شود.
البته اگر راه‌اندازی با خطا مواجه شود یا اجرای تست‌ها به شکل غیرمعمول متوقف شود، این ترتیب ممکن است کامل نشود.
۴. مثال کاربردی با داده‌های مشترک

import unittest


class TestProducts(unittest.TestCase):

    @classmethod
    def setUpClass(cls):
        cls.products = {
            "book": 150,
            "pen": 20,
            "bag": 500,
        }

    def test_book_price(self):
        self.assertEqual(self.products["book"], 150)

    def test_pen_price(self):
        self.assertEqual(self.products["pen"], 20)

    def test_product_count(self):
        self.assertEqual(len(self.products), 3)


if __name__ == "__main__":
    unittest.main()

در اینجا دیکشنری یک بار ساخته می‌شود و همه تست‌ها آن را می‌خوانند.
نکته مهم: داده‌های مشترک ممکن است بین تست‌ها تغییر کنند. اگر یک تست دیکشنری را تغییر دهد، تست‌های دیگر نیز می‌توانند تغییر را مشاهده کنند. بنابراین، برای داده‌های قابل‌تغییر یا تست‌های مستقل، معمولاً ساخت داده در setUp() انتخاب امن‌تری است.
همچنین tearDownClass() فقط زمانی اجرا می‌شود که راه‌اندازی کلاس با موفقیت انجام شده باشد. برای منابعی که باید حتی در صورت شکست بخشی از setUpClass() آزاد شوند، ثبت پاک‌سازی با cls.addClassCleanup() می‌تواند مناسب‌تر باشد.
🎯 تمرین
کلاسی به نام TestInventory بساز که:
۱. در setUpClass() یک دیکشنری مشترک از سه محصول ایجاد کند.
۲. در تست اول، قیمت یکی از محصولات را بررسی کند.
۳. در تست دوم، تعداد محصولات را بررسی کند.
۴. در tearDownClass() پیام پایان تست‌های کلاس را چاپ کند.
۵. توضیح بده چرا نباید بدون دلیل، داده‌های مشترک را در هر تست تغییر دهیم.
اجرای تست‌ها:

python -m unittest -v

در پست بعدی به سراغ مدیریت خطا هنگام آماده‌سازی منابع تست می‌رویم تا تست‌ها حتی در شرایط شکست نیز پاک‌سازی قابل‌اعتمادتری داشته باشند.
پست ۲۴۷ از دوره جامع Python 🐍

🐍 آموزش جامع Python — پست ۲۴۸
پاک‌سازی مطمئن منابع با addClassCleanup()
در پست قبل با setUpClass() و tearDownClass() آشنا شدیم. حالا یک مسئله مهم را بررسی می‌کنیم: اگر آماده‌سازی منابع با خطا مواجه شود، چگونه مطمئن شویم منابعی که قبلاً ایجاد شده‌اند آزاد می‌شوند؟
برای این کار، unittest متدی به نام addClassCleanup() در اختیارمان قرار می‌دهد.
۱. مشکل tearDownClass()
فرض کنید در مرحله آماده‌سازی کلاس، یک فایل باز می‌کنیم و سپس هنگام آماده‌سازی منبع دیگری خطایی رخ می‌دهد.

import unittest


class TestResources(unittest.TestCase):

    @classmethod
    def setUpClass(cls):
        cls.file = open(
            "test.txt",
            "w",
            encoding="utf-8"
        )

        raise RuntimeError("Setup failed")

    @classmethod
    def tearDownClass(cls):
        cls.file.close()

در این مثال، اگر setUpClass() با خطا متوقف شود، نباید به اجرای tearDownClass() برای بستن فایل تکیه کنیم. در نتیجه، فایل ممکن است باز بماند.
۲. راه‌حل با addClassCleanup()
بهتر است عملیات پاک‌سازی را بلافاصله پس از ایجاد منبع ثبت کنیم:

import unittest


class TestResources(unittest.TestCase):

    @classmethod
    def setUpClass(cls):
        cls.file = open(
            "test.txt",
            "w",
            encoding="utf-8"
        )

        cls.addClassCleanup(cls.file.close)

        # ادامه آماده‌سازی منابع
        # اگر این بخش خطا بدهد، پاک‌سازی ثبت‌شده اجرا می‌شود.

    def test_file_is_open(self):
        self.assertFalse(self.file.closed)


if __name__ == "__main__":
    unittest.main()

🔍 چه اتفاقی می‌افتد؟
۱. فایل باز می‌شود.
۲. تابع close با addClassCleanup() ثبت می‌شود.
۳. اگر ادامه آماده‌سازی کلاس با خطا مواجه شود، عملیات پاک‌سازی ثبت‌شده همچنان اجرا می‌شود.
۴. اگر تست‌ها اجرا شوند، پاک‌سازی کلاس پس از پایان اجرای تست‌های آن انجام می‌شود.
۳. ترتیب اجرای پاک‌سازی‌ها
اگر چند عملیات ثبت کنیم:

@classmethod
def setUpClass(cls):
    cls.addClassCleanup(print, "Cleanup A")
    cls.addClassCleanup(print, "Cleanup B")

عملیات پاک‌سازی به ترتیب معکوس ثبت اجرا می‌شوند؛ بنابراین ابتدا Cleanup B و سپس Cleanup A چاپ می‌شود.
این ترتیب برای منابع وابسته به یکدیگر اهمیت دارد. معمولاً باید منبعی که آخر از همه ایجاد شده، زودتر آزاد شود.
۴. تفاوت سه روش
روش
کاربرد
tearDown()
پاک‌سازی پس از هر تست
tearDownClass()
پاک‌سازی مشترک پس از اجرای تست‌های کلاس
addClassCleanup()
ثبت عملیات پاک‌سازی کلاس، حتی اگر setUpClass() شکست بخورد
نکته: addClassCleanup() در نسخه‌های جدید پایتون در دسترس است؛ برای سازگاری با نسخه‌های بسیار قدیمی، نسخه پایتون را بررسی کنید.
🎯 تمرین
کلاسی طراحی کن که در setUpClass() یک فایل باز کند و بلافاصله تابع بستن آن را با addClassCleanup() ثبت کند.
سپس:
یک تست برای بررسی باز بودن فایل بنویس.
توضیح بده چرا ثبت پاک‌سازی باید بلافاصله پس از باز کردن فایل انجام شود.
مشخص کن اگر آماده‌سازی بعد از باز شدن فایل با خطا مواجه شود، چه اتفاقی می‌افتد.
پست ۲۴۸ از دوره جامع Python 🐍

🐍 آموزش جامع Python — پست ۲۴۹
تست‌کردن خروجی چاپ‌شده با unittest.mock.patch
گاهی تابعی مقدار مشخصی برنمی‌گرداند، بلکه نتیجه را با print() نمایش می‌دهد. در چنین شرایطی، چگونه خروجی آن را آزمایش کنیم؟
در پایتون می‌توانیم با unittest.mock.patch، جریان خروجی استاندارد یعنی sys.stdout را موقتاً جایگزین کنیم و متن چاپ‌شده را بررسی کنیم.
۱. تابعی برای نمایش اطلاعات
فرض کنید فایل reports.py شامل این تابع است:

def show_total(total):
    print(f"Total: {total}")

اجرای زیر:

show_total(250)

این متن را چاپ می‌کند:

Total: 250

اما برای تست خودکار، بهتر است به‌جای بررسی دستی ترمینال، خروجی را در تست دریافت کنیم.
۲. استفاده از patch() و StringIO

import unittest
from unittest.mock import patch
from io import StringIO

from reports import show_total


class TestReports(unittest.TestCase):

    @patch("sys.stdout", new_callable=StringIO)
    def test_show_total(self, mock_stdout):
        show_total(250)

        self.assertEqual(
            mock_stdout.getvalue(),
            "Total: 250\n"
        )


if __name__ == "__main__":
    unittest.main()

۳. بررسی بخش‌های مهم کد
StringIO چیست؟
StringIO یک جریان متنی در حافظه است که می‌توان روی آن نوشت و محتوایش را خواند؛ بدون اینکه فایل واقعی روی دیسک ایجاد شود.
patch("sys.stdout", new_callable=StringIO) چه می‌کند؟
در طول تست، sys.stdout را با یک نمونه جدید از StringIO جایگزین می‌کند. بنابراین، فراخوانی print() متن را در این جریان می‌نویسد.
getvalue() چه کاری انجام می‌دهد؟
تمام متن ذخیره‌شده در جریان را به‌صورت رشته برمی‌گرداند.
۴. چرا در انتهای خروجی \n داریم؟
تابع print() به‌طور پیش‌فرض در پایان متن یک کاراکتر خط جدید اضافه می‌کند.
بنابراین:

print("Python")

معمولاً خروجی ثبت‌شده زیر را دارد:

"Python\n"

اگر مقدار end را تغییر دهیم، نتیجه هم تغییر می‌کند:

print("Python", end="!")

در این حالت، خروجی دقیق برابر "Python!" خواهد بود.
۵. بررسی خروجی چندخطی
تابع زیر را در نظر بگیر:

def show_user(name, age):
    print(f"Name: {name}")
    print(f"Age: {age}")

تست آن می‌تواند به این شکل باشد:

@patch("sys.stdout", new_callable=StringIO)
def test_show_user(self, mock_stdout):
    show_user("Sara", 25)

    self.assertEqual(
        mock_stdout.getvalue(),
        "Name: Sara\nAge: 25\n"
    )

توجه کنید که این متد تست باید داخل یک کلاس فرزند unittest.TestCase قرار بگیرد.
⚠️ نکته مهم
جایگزینی sys.stdout بر خروجی‌هایی اثر می‌گذارد که از همان جریان استفاده می‌کنند. اگر کد مستقیماً از جریان دیگری، مانند sys.stderr، استفاده کند، باید آن جریان را جداگانه بررسی کنید.
همچنین برای تست خروجی چاپ‌شده، معمولاً بهتر است متن مورد انتظار را دقیق بررسی کنید؛ فاصله‌ها و خط‌های جدید هم بخشی از خروجی هستند.
🎯 تمرین
تابعی به نام display_product(name, price) بنویس که این دو خط را چاپ کند:

Product: Keyboard
Price: 1200

سپس با patch() و StringIO تستی بنویس که خروجی کامل را بررسی کند.
پست ۲۴۹ از دوره جامع Python 🐍