如何用 GitHub Actions 写出高质量的 Python代码？

关注

转载最新推荐文章于 2026-05-11 14:33:23 发布 610 阅读 AI 写同款· GEO 优化 ›

Python测试驱动开发与CI/CD自动化实战：从Pytest到GitHub Actions 测试驱动开发是一种先编写测试用例再实现功能的软件设计方法论，其核心‘红-绿-重构’循环通过快速反馈驱动接口设计与代码实现，能有效提升代码的可测试性与设计质量。结合持续集成与持续部署自动化，可将代码集成、测试验证等流程固化为可靠流水线，为团队协作建立质量安全网。在Python生态中，Pytest框架凭借其简洁语法、强大的Fixture机制和丰富插件，为TDD提供了高效支持；而GitHub Actions则以其与代码仓库的原生集成和事件驱动模型，成为实现CI/CD自动化的优选方案。本文通过一个计算器库的开发实例阅读详情

点击上方“编程派”，选择设为“设为星标”

优质文章，第一时间送达！

这篇博文将与你分享如何在Python项目中搭建起GitHub Actions工作流，以确保你写出的代码既优雅，又符合所有最佳实践，且已经过完备测试。

作者 | Wojciech Krzywiec

译者 | 香槟超新星，责编 | 郭芮

出品 | CSDN（ID：CSDNnews）

以下为译文：

最近，我决定开始学习Python了。如今它已位列最流行的编程语言之一，因此做出尝试一下的决定并没有什么困难的。尤其是我对自己的算法水平仍然不满意，所以我希望能够一石二鸟——学习Python，并用一些算法题目来练手。

因此，我在GitHub上创建了Algorithms Python项目，我会在上面发布一些自己觉得有趣的问题的答案。

但是在练习过程中，我遇到了一个问题。

如何确保我的代码是高质量的？
如何确保我的代码风格与官方指南PEP 8一致？
以及如何检查代码的测试是否完备？

其实是有解决方案的！那就是 GitHub Actions！

但是我想实现的究竟是什么？

我将向你展示：

如何集成CodeFactor——一个可以在你的代码中发现潜在bug的工具；
如何设置wemake-python-styleguide GitHub Actions工作流（用以检查你的代码是否符合PEP 8）；
如何运行单元测试并通过Codecov报告覆盖范围。

在接下来的步骤中，我默认你已经在GitHub上有一个Python项目了。如果你没有的话，就请先创建一个吧。

CodeFactor

这是一个非常简洁的工具，可以用来检查你的代码质量。它可以免费用于所有的公共库，以及1个私有库。

首先，请先去官方网站www.codefactor.io，并通过GitHub登录，创建一个新账号。（要完成此操作的）图标应该是位于主页的右上角。

注册后，单击右上角的加号，将1个库添加到你的控制面板。

从列表中选中你要分析的库，然后单击页面底部的import。

然后就好啦！现在你应该已经转到一个包含着已发现的所有问题的列表的控制面板了。太棒了！

wemake-python-styleguide

让我们接着讲第二个工具。这个工具能够检查代码是否符合官方Python风格指南。

这次我们不用在任何Web服务中创建新账号。我们将搭建起一个GitHub Actions工作流，每当一个pull request被创建出来时，该工作流都会被触发，并会在发现潜在问题时添加评论。

给那些还不了解GitHub Actions的人介绍一下：它是GitHub上的一项新功能，可以实现许多任务的自动化，通常被视为CI / CD工具（Continuous Integration/Continuous Deployment，持续集成/持续部署），能够进行测试，进行质量检查，然后部署。但这还不是它的唯一目标。

开始时，首先在项目的根文件夹中创建一个.github / workflows文件夹，你的工作流的定义将会被放在这里。

然后创建一个新文件，命名为workflow-pr.yaml。

name: Python Pull Request Workflow
on: [pull_request]
jobs:


  qa:
    name: Quality check
    runs-on: ubuntu-18.04
    steps:
      - uses: actions/checkout@v1
      - name: Set up Python
        uses: actions/setup-python@master
        with:
          python-version: 3.8
      - name: Run unit tests
        run: |
          pip install pytest
          pytest
      - name: Wemake Python Stylguide
        uses: wemake-services/wemake-python-styleguide@0.13.4
        continue-on-error: true
        with:
          reporter: 'github-pr-review'
        env:
          GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}

这是一个非常简单的工作流，全名为Python Pull Request Workflow。每个pull request都能触发它，因此无论何时创建新的或更新现有的作业，都会运行。

上面的工作流仅包含一个qa工作，分为4个步骤：

actions / checkout @ v1——必须让GitHub Actions工作流知道它可以使用库中的代码
使用actions/setup-python@master的Set up Python配置好一个Python版本，在本例中为使用的是python-version: 3.8。
Run unit tests将运行位于项目中的所有单元测试。为此，我使用的是pytest，首先需要安装pip install pytest，以便可以运行下一个命令pytest。如果这一步上有任何一个测试失败，则下一个测试将不会运行。
Wemake Python Styleguide的这一个步骤是我们最感兴趣的。它使用wemake-services/wemake-python-styleguide@0.13.4操作，这是工作流的基本组成单位。你可以在GitHub Marketplace上找到它们（https://github.com/marketplace?type=actions），就像上述提到的一样（https://github.com/marketplace/actions/wemake-python-styleguide）。将此代码配置为（with 语句）以使用github-pr-review reporter，就可以在code review中启用内联注释了。在官方网站上可以找到更多受支持的reporter选项。最后，此工作流需要传递你的GIHUB_TOKEN，这就是添加env语句的原因。

为了测试它的运行，你需要创建一个新的branch，提交一些更改并将其推送到GitHub。然后创建一个pull request，就能触发此工作流了。要检查它，请转到项目中的“Actions”选项，如果一切顺利则应如下图所示：

如果单击“Run unit tests”，则在console log中，你将看到测试报告：

如果返回到Pull request，则应该看到添加的注释。就像这里那样：https://github.com/wkrzywiec/algorithms-python/pull/6

Codecov

最后，我们想要一份涵盖范围的测试报告。为此，我们再次使用pytest库，它将为我们生成报告，然后我们将其上传到Codecov，后续的可视化就由它完成。

在定义一个新的工作流之前，你首先需要先创建一个Codecov账号。因此，你需要先单击右上角的“Sign Up”按钮转到https://codecov.io。

然后选择GitHub注册。

然后，你将被带到GitHub项目的控制面板，然后需要单击Add new repository按钮。

一个列表将出现，包含所有的项目，你可以从中选择一个来分析。

然后会出现一个带有令牌（token）的页面。把它保存下来，因为下一步中会用到。

现在回到GitHub的项目上，然后单击其“Settings”按钮。单击“Secrets”，然后添加一个新的secret，这时就可以用上你在Codecov网站上生成的令牌了。要完成这一步，单击Add secret。

好的，一切都已设置好了，接下来就可以继续定义GitHub工作流了。

name: Python Master Workflow
on:
  push:
    branches:
      - 'master'
jobs:
  codecov:
    name: Codecov Workflow
    runs-on: ubuntu-18.04
    
    steps:
      - uses: actions/checkout@v1
      - name: Set up Python
        uses: actions/setup-python@master
        with:
          python-version: 3.8
      - name: Generate coverage report
        run: |
          pip install pytest
          pip install pytest-cov
          pytest --cov=./ --cov-report=xml
      - name: Upload coverage to Codecov
        uses: codecov/codecov-action@v1
        with:
          token: ${{ secrets.CODECOV_TOKEN }}
          file: ./coverage.xml
          flags: unittests

再次，我们创建一个单独的文件，命名为workflow-master.yaml，因为这次我们不想在创建pull request时触发此工作流。这个工作流仅当在master branch上推送了新的提交时才会运行。

在jobs部分中，只有一个名为codecov的作业，包括四步：

uses: actions/checkout@v1——这个步骤，跟上次一样，也只是为了告诉GitHub Actions我们要使用当前库里的文件
uses: actions/setup-python@master——这个步骤之前也提到过，这里我们设置的Python版本是3.8
然后是一个新步骤，负责生成覆盖率报告（Generate coverage report）；这包含一系列脚本，涵盖了安装pytests（pip install pytest），pytest-cov（pip install pytest-cov）和运行实际测试（pytest-cov =./-cov-report = xml），
最终，生成的测试覆盖率报告可以上传到Codecov（Upload coverage to Codecov）。在这里我们使用uses: codecov / codecov-action @ v1（https://github.com/marketplace/actions/codecov）。在其中，我们提供3个参数：token: ${{ secrets.CODECOV_TOKEN }}，取值自我们放置在GitHub Secrets保管库的文件，（之前的步骤生成的）测试覆盖率报告的位置是file：./coverage.xml，而flags：unittests是对我们的单元测试进行分组的标志。

要进行测试，你需要将一些提交push到master branch。这可以直接在你的本地库中完成，也可以通过合并一个pull request完成。如果一切顺利，那页面应该是像这样的：

现在，如果你回到Codecov，回到你的项目控制面板，你应该能看到类似的输出：

好的，我们做到了！（Cheers!）

在结尾之前，我想告诉你的是，能帮你写出更高质量代码的工具并非只有CodeFactor，Codecov或wemake-python-styleguide。实际上，这样的工具有很多，例如SonarCloud，Pylint，Coveralls，DeepSource等等。其中一些可以在GitHub Marketplace上找到，如果你不喜欢我提议的这几个工具，那么最好从那上面的地方为起点开始寻找。

结论

希望通过这篇博文，你可以了解到，要如何设置GitHub库来确保写出高质量的代码。有了这样的工具集合，你可以找到所有的弱点和bug，但要记住，不是每个bug和每个问题都值得去花心思。有时候，最好是更专注于实际工作，而不是整理那些臭代码库。（wink）

原文：https://medium.com/@wkrzywiec/how-to-write-good-quality-python-code-with-github-actions-2f635a2ab09a

作者：Wojciech Krzywiec，Java开发工程师，DevOps新手，终生学习者。

回复下方「关键词」，获取优质资源

回复关键词「 pybook03」，立即获取主页君与小伙伴一起翻译的《Think Python 2e》电子版
回复关键词「入门资料」，立即获取主页君整理的 10 本 Python 入门书的电子版
回复关键词「m」，立即获取Python精选优质文章合集
回复关键词「book 数字」，将数字替换成 0 及以上数字，有惊喜好礼哦~
题图：pexels，CC0 授权。