您可以捐助,支持我们的公益事业。

1元 10元 50元





认证码:  验证码,看不清楚?请点击刷新验证码 必填



  求知 文章 文库 Lib 视频 iPerson 课程 认证 咨询 工具 讲座 Model Center   Code  
会员   
   
 
     
   
 订阅
  捐助
自动生成测试脚本方案浅析
 
  3129  次浏览      18
 2019-4-10
 
编辑推荐:

本文来自于搜狐,本文主要通过编写接口自动化测试脚本进行分析自动化获取接口信息,分析接口自动化脚本结构和内容,希望对您的学习有所帮助。

作为一名接口自动化测试工程师,日常面临最多的工作就是编写接口自动化测试脚本,那么,在 coding 的过程中最让你觉得枯燥和乏味事情有哪些?

痛点

1.每次拿到新接口,我们要手动参照文档在脚本中生成一份接口类,参数越多花费时间越多

2.需求不同,但健壮性和部分业务用例重复性高

3.想重构脚本,接口数据和用例这块纯编写的工作量就会让人望而怯步

每天都要花上30%的时间去写那些不太需要思考的脚本,这真不够自动化!

解决方案

1.解析文档

2.梳理适合自动生成的脚本

3.通过工具生成这部分脚本

预期目标

解放双手,降低纯手力劳动占比,进而给自己提供更多的时间去思考、理解产品和设计更多“聪明”的用例

实践篇 自动化获取接口信息 分析接口自动化脚本结构和内容

自动化测试脚本结构图

筛选工作量大又有规律可循的脚本

此处规律不宜太过于复杂,可先选逻辑简单的部分,我们主要选取以下两部分

接口类,工作时间占比30%~50%,特点:结构特定、数据来源于其它平台

接口类结构图

用例部分,工作时间占比30%~50%,特点:重复度高于80%左右、生成逻辑可描述

用例结构图

解析接口文档

接口信息来源于接口文档,目前市场上比较主流的几个接口文档管理工具有Swagger、RAP、WIKI 或者其他普通文档工具。

下面以解析接口文件为目的分析比较下几款工具的区别:

如果有条件,大家可以根据开发成本和解析接口文件的难易程度来综合考虑,确定使用哪个平台管理接口

我们项目是 Swagger 和 WIKI 混合使用,由于日常测试看 WIKI 居多,因此早期采用 Python 爬虫利器 BeautifulSoup 来解析WIKIhtml页面

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc)
title_string = soup.title.string
# 后面继续解析其他需要用到的接口内容

使用下来发现通过wiki来获取接口信息的一些弊端

完全靠人工来约束书写规则不靠谱

对于复杂的嵌套参数,稍有不按照规范来的,就会导致脚本解析错误,很大程度上造成了解析的难度

在html上准确的定位信息远比在json上难度大,兼容性差

于是,尝试解析Swagger返回的json来获得接口信息为后面生成脚本做准备

{
"swagger": "2.0",
"host": "xxx",
"basePath": "/",
"tags":[
{"name":"xxx-controller","deion":"xxx"},
...
],
"paths": {
"<接口地址1>": { ... },
"<接口地址2>": { ... },
...
},
"definitions": {
"<实体类1>": { ... },
"<实体类2>": { ... },
...
}
}

使用以下方式拿到json结果后,就可以直接按照处理字典的方式来获取需要的内容。

graph LR
json-->ApiObj

对于swagger.json的解析和代码生成官方也提供了一些可供使用的库swagger-codegen (java),由于编程语言的限制,我们使用了python自己解析

现在,我们已拿到生成代码所需要的信息

自动生成代码 代码生成工具

class CodeGeneratorBackend():
def begin(self, tab="t"):
self.code = []
self.tab = tab
self.level = 0
def end(self):
# return string.join(self.code, "")
return "".join(self.code)
def write(self, string):
self.code.append(self.tab * self.level + string)
def indent(self):
self.level = self.level + 1
def dedent(self):
if self.level == 0:
raise SyntaxError("internal error in code generator")
self.level = self.level - 1
"""调用方法,开始生成代码"""
c = CodeGeneratorBackend()
c.begin(tab=" ") # 定义缩进方式
c.write("def function(self):n")
c.indent() # 缩进
# 方法体
c.dedent() # 回退上一次缩进

接口类部分脚本生成规则

由于我们接口属于是存储在类结构中,因此根据当前脚本的API Object接口进行遍历替换即可

接口用例部分代码生成规则

特殊值用例

给每个参数生成为0、None、空字符串这样特殊值的用例

定位参数类型

通过接口参数给出的类型,生成符合该类型的值,和一些不符合参数类型的值(健壮性),赋值后生成用例,如下代码示例

定位特定关键词参数

遇到page相关参数可生成分页用例,具体分页测试用例细节就不赘述

遇到类似starttime,endtime参数,可生成两个时间参数和当前时间前后比较的用例,两个时间参数前后比较的用例

该生成规则需要和开发约定一些基本原则,另外也需要我们在日常测试中多归纳总结,找出那些有固定规律的用例,想办法定位生成这类用例

定位接口类型

查询类接口:可生单参数查询、组合参数查询、全参数查询等用例

更新类接口:可生成单条更新每个参数,组合更新,全量更新等用例

自动生成测试脚本工具介绍 框架流程图

工具扩展性

用例生成规则可扩展,从框架图中可以看到,用例规则这快自成独立模版,可单独维护,便于后续新规则的加入

代码模版可扩展,不同团队对于代码规范、基础模版的样式都不一样,可自定义生成模版的样式,增加了工具的灵活性

支持多种数据类型转换,后续可扩展生成API对象、参数字典或其他数据模式

成果和后续行动 效率提升

以一个优惠券需求为例,大约新增/更新了10个接口(约150个参数请求参数,100个返回参数),包含增删改查几种类型,编写加调试脚本在使用工具前后所花费时间对比,如下:

从上例可以看出使用脚本后的效率提高了近一半,而从设计到编写完第一版工具仅花费了2~3个工作日,还是非常值得一做的。

聚焦测试

脚本编写工作量的减少,会增加产品测试思考的时间,完善用例,检查覆盖面等

统一规范

统一了接口类输写规范,便于团队内部维护和理解脚本

统一基本用例生成思路,规避测试工程师在设计基本用例设计时有所遗漏;统一用例输出格式,便于他人理解和维护用例

重构利器

如果有计划做脚本重构,使用工具后可以成倍的节省编写接口信息和用例部分脚本的时间

后续迭代优化点

目前用例的生成思路大多还局限在单参数上,多参数的生成思路还较少,后续会通过头脑风暴等形式来扩展更多的用例的生成思路

通过实际调用接口,获取结果,提高自动生成用例期望结果的准确性,继而节省更多对部分期望结果做调整的时间投入

最后想说的是,这个小工具的设计思路远比实现更重要,无论使哪种语言或库都可以实现解析文件和代码的生成,重要得是按照怎样的思路去生成脚本,在这部分上后续我们也有很多需要摸索的地方。

 
   
3129 次浏览       18
相关文章

微服务测试之单元测试
一篇图文带你了解白盒测试用例设计方法
全面的质量保障体系之回归测试策略
人工智能自动化测试探索
相关文档

自动化接口测试实践之路
jenkins持续集成测试
性能测试诊断分析与优化
性能测试实例
相关课程

持续集成测试最佳实践
自动化测试体系建设与最佳实践
测试架构的构建与应用实践
DevOps时代的测试技术与最佳实践