Zum Inhalt

Testing Dokumentation - Weather App Backend

Stand: Februar 2026 Testabdeckung Backend: 92% Erfolgreiche Tests: 40

Das Backend wurde umfassend mit pytest und unittest.mock getestet. Fokus der Teststrategie lag auf der Sicherstellung der Datenintegrität beim Import (NCEI/S3 Formate), der korrekten geografischen Berechnung (Haversine) sowie dem Fallback-/Cache-Verhalten der API.

1. API Endpunkte & Lifecycle (test_api.py)

Diese Tests stellen sicher, dass die FastAPI-Routen korrekt funktionieren und auf fehlerhafte Eingaben angemessen reagieren.

  • test_ready_endpoint_status: Verifiziert, dass der /api/ready Health-Check HTTP 200 OK und die korrekte JSON-Struktur (ready, error, info) liefert.
  • test_search_stations_validation_error: Prüft, ob fehlende Parameter (z.B. keine Koordinaten) bei der iterativen Suche korrekt mit HTTP 422 (Unprocessable Entity) abgelehnt werden.
  • test_search_stations_valid_coords: Testet die erfolgreiche Stationssuche (via Mocking der Logik) und die korrekte Rückgabe der Stationenliste als JSON.
  • test_station_temps_db_cache: Prüft den Cache-Hit: Liefert Temperaturdaten responsiv direkt aus der lokalen SQLite-DB, ohne das Netzwerk zu belasten.
  • test_station_temps_live_fallback: Prüft den Cache-Miss: Fällt auf den Live-Download von NOAA S3/NCEI zurück, wenn die DB leer ist.
  • test_station_temps_missing_station: Validiert das HTTP 404 Error-Handling, falls externe Datenquellen die angefragte Station nicht finden können.
  • test_startup_event_initialization_error: Verifiziert, dass Fehler im asynchronen Boot-Prozess (Vorbereitung der App) sauber im globalen App-Status app.state hinterlegt werden.
  • test_require_ready_guard_logic: Prüft den Middleware-Guard, der Anfragen mit HTTP 503 blockiert, solange das Backend noch Daten lädt oder initiiert.

2. Metadaten-Import & Parsing (test_import_stations.py)

Tests für den verlässlichen und speichereffizienten Import der globalen Wetterstation-Metadaten.

  • test_parse_station_line_valid: Validiert das fehlerfreie Extrahieren des Fixed-Width-Textformats (.txt) der NOAA in strukturierte Python Dictionaries.
  • test_parse_station_line_empty_elevation: Testet die Toleranz und Ausfallsicherheit des Parsers gegenüber leeren oder fehlenden Höhenangaben.
  • test_import_stations_execution: Prüft den Aufruf der SQLite executemany Funktion für schnelle Massen-Inserts.
  • test_download_file_success: Mockt das Dateisystem und die Netzwerk-Requests (requests.get), um den erfolgreichen Dateidownload isoliert zu verifizieren.
  • test_ensure_stations_imported_already_exists: Verifiziert, dass bestehende Datenbankeinträge den Neu-Import blockieren, um Startzeiten und Ressourcen zu sparen.
  • test_ensure_stations_imported_runs_import: Testet das automatische Triggern des Imports beim allerersten Start (leere Tabelle).
  • test_import_stations_batch_commit: Stellt sicher, dass das Backend Daten in 1000er-Batches unterteilt, was für speichereffiziente DB-Commits unabdingbar ist.
  • test_import_stations_main_fallback_logic: Prüft die Ausweich-Logik auf sekundäre Server (Fallback-URL), falls der primäre NOAA Server offline sein sollte.

3. Klimadaten-Verarbeitung (test_import_temps.py)

Tests für die Extraktion, Transformation und Aggregation der eigentlichen Temperatur-Daten mittels Pandas.

  • test_download_s3_csv_success: Verifikation der Datei-Downloads für die komprimierten S3 CSV-Dateien (Mocking von HTTP-Übertragungen).
  • test_download_skips_existing: Validiert, dass zwischengespeicherte Dateien auf der lokalen Festplatte redundante Downloads smart überspringen.

Pandas DataFrame Loading Tests

  • test_load_s3_data_success: Verifiziert, dass rohe AWS S3-Daten korrekt durch Pandas gelesen, geparst und gefiltert werden.
  • test_process_weather_data_aggregation: Kern-Test der Business Logik! Prüft die Aggregation durch Pandas (Tagesdaten -> Monatsdurchschnitte -> Aufteilung nach Jahreszeiten/Annual).
  • test_process_weather_data_json_compliance: Sichert ab, dass "Not-a-Number"-Werte (NaN) und Unendlichkeits-Fehler von Numpy vor der API JSON-Übergabe entfernt werden.
  • test_fetch_and_parse_success: Prüft die redundante Failover-Logik von schnellen AWS S3 Buckets auf das langsamere NCEI Backup-Archiv.
  • test_ensure_station_periods_range: Testet das intelligente Laden von spezifischen Jahres-Spannen (start_year bis end_year).

4. Geometrie & Geo-Suche (test_stations_search.py)

Verifikation der mathematischen und geographischen Algorithmen des Backends.

  • test_haversine_distance: Sichert ab, dass die geographische Distanzberechnung zwischen Koordinaten mathematisch formell korrekt funktioniert (Referenztest: Berlin -> München ermittelt ~500km).
  • test_bounding_box: Verifiziert das Berechnen der minimalen und maximalen Breitengrade/Längengrade aus einem Suchradius (Vorsortierung für die DB).
  • test_normalize_lon & test_lon_ranges_wrapping: Testet Edge-Cases in der Longitude-Normalisierung, namentlich das Überschreiten der Datumsgrenze (Wrapping bei +/- 180° Longitude).
  • test_find_stations_nearby_mock_db: Prüft die Integration der Bounding-Box Vorfilterung mit der iterativen SQL-Such-Logik der Datenbank (Mock).
  • test_find_stations_nearby_invalid_radius: Verifiziert, dass fehlerhafte Inputgrößen (Radius <= 0 km) sicher mit einem leeren Array abgefangen werden.
  • test_find_stations_nearby_with_year_filter_sql: Testet das dynamische Zusammenbauen der SQL-Queries (Speziell EXISTS Clause für station_temp_period), falls nach spezifischen Daten-Jahren gefiltert wird.