gendesign/tradein-mvp/backend/tests/support

tests/support/ — общие test-инструменты (не сами тесты)

parity.py — legacy → scraper_kit parity harness (issue #2304)

Инструмент для issues #2305-#2310 (миграция 12 неймигрированных importers app/services/scrapers/* → scraper_kit эквиваленты, см. audit Scraper_Kit_Legacy_Dependency_Audit_0703 в vault). Каждая такая миграция должна доказать, что kit-путь даёт ТОТ ЖЕ результат, что и legacy-путь на одном и том же входе — для этого используйте assert_parity.

Быстрый старт

from app.services.scrapers.cian_valuation import evaluate_via_cian as legacy_fn
from scraper_kit.providers.cian.valuation import evaluate_via_cian as kit_fn
from tests.support.parity import assert_parity


def test_cian_valuation_parity() -> None:
    assert_parity(
        legacy_fn=legacy_fn,
        kit_fn=kit_fn,
        fixtures=[
            (fixture_html_1, "https://cian.ru/flat/1"),
            (fixture_html_2, "https://cian.ru/flat/2"),
        ],
        ignore_fields={"latency_ms", "fetched_at"},  # недетерминированные поля
        tolerance=1e-6,  # допуск для float-полей (напр. рассчитанные оценки)
    )

Как формировать fixtures

Каждый элемент списка — один тестовый вход:

• tuple/list → распаковывается как позиционные аргументы: legacy_fn(*fixture);
• любое другое значение (str, dict, ...) → передаётся как единственный позиционный аргумент: legacy_fn(fixture).

Начните с 1-2 hardcoded HTML-фикстур/dict'ов (см. tests/scrapers/test_avito_detail_kit_parity.py — референсный пример). DB-фикстуры НЕ нужны для чистых parse/compute-функций — используйте их только если сама legacy/kit-функция реально требует Session.

Почему нельзя просто ==

legacy- и kit-версии одного и того же dataclass (напр. DetailEnrichment, CianValuationResult) — это РАЗНЫЕ Python-классы (живут в разных модулях), даже если поля идентичны. Дефолтный dataclass.__eq__ сначала проверяет other.__class__ is self.__class__ — для двух разных классов это всегда False, ДАЖЕ когда все значения полей совпадают. assert_parity / compare_outputs нормализуют оба вывода в dict/list/scalar (через dataclasses.fields() / .model_dump() рекурсивно) и сравнивают СТРУКТУРНО, по именам полей — эта проблема класс-идентичности не мешает.

ignore_fields vs tolerance

• ignore_fields={"latency_ms", "fetched_at", ...} — поле целиком исключается из сравнения на ЛЮБОМ уровне вложенности. Используйте для полей, у которых даже приблизительное совпадение не гарантировано (timestamps, request-id).
• tolerance=1e-6 — числовой (int/float, НЕ bool) допуск через math.isclose(rel_tol=tolerance, abs_tol=tolerance). Используйте для float-полей, где legacy/kit могут давать чуть разное значение из-за порядка операций с плавающей точкой (не для timestamps/datetime — там используйте ignore_fields).

При мисматче

assert_parity кидает ParityMismatchError (подкласс AssertionError) со списком ВСЕХ различающихся полей: путь до поля + значение legacy + значение kit. Не просто "not equal" — сразу видно, что чинить.

Не входит в scope harness'а

• Он НЕ загружает DB-фикстуры сам — если legacy/kit функция требует Session, передавайте mock/session в fixture-tuple как обычно. Live network/DB в parity-тестах избегайте — они должны быть detereministic offline unit-тестами.
• Он НЕ мигрирует сами importers — это делает каждый sub-issue #2305-#2310 отдельно (тесты для конкретной пары legacy/kit функций пишет тот sub-issue).