测试数据和测试代码在实际的测试工作中,往往是分开存放的,利于测试数据和测试脚本的分开来维护。比如,为测试用例添加几组新的测试数据,只需要修改测试数据文件,测试代码不需要动;如果是测试用例增加了新的校验点,只需要修改测试脚本,不需要修改测试数据文件。
如果你想学习软件测试,我这边给你推荐一套视频,这个视频可以说是B站百万播放全网第一的自动化测试教程,同时在线人数到达1000人,并且还有笔记可以领取
一、准备测试数据
现在在data/目录下创建一个用于存放测试数据的Yaml文件test_in_theaters.yaml,内容如下:
---
tests:
- case: 验证响应中start和count与请求中的参数一致
input:
method: GET
path: /v2/movie/in_theaters
headers:
User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36
params:
apikey: 0df993c66c0c636e29ecbb5344252a4a
start: 0
count: 10
expected:
response:
title: 正在上映的电影-上海
count: 10
start: 0
- case: 验证响应中title"正在上映的电影-北京"
input:
method: GET
path: /v2/movie/in_theaters
headers:
User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36
params:
apikey: 0df993c66c0c636e29ecbb5344252a4a
start: 1
count: 5
expected:
response:
title: 正在上映的电影-北京
count: 5
start: 1
熟悉Yaml格式的同学,应该很容易看懂上面测试数据文件的内容。这个测试数据文件中,有一个数组tests,里面包含的是两条完整的测试数据。一个完整的测试数据由三部分组成:
- case,表示测试用例名称。
- input,表示输入参数。
- expected,表示预期结果。
上面的input输入参数,是一个http请求对象,包含了被测接口的所有参数,包括请求方法、请求路径、请求头、请求参数。expected表示预期结果,上面的测试数据中,只列出了对请求响应的预期值,实际测试中,还可以列出对数据库的预期值。
二、编写测试脚本
新建一个测试脚本
test_paramtrize_by_data_driven.py,内容如下:
import pytest
class TestDataDriven:
@pytest.mark.datafile('data/test_in_theaters.yaml') # 相对于项目根目录的相对路径
def test_data_driven(self, parameters):
print(parameters['input'])
print(parameters['expected'])
首先看一下测试函数,在测试函数上方使用了一个叫做datafile的marker来为测试函数提供数据。测试数据的路径是相对于项目根路径的相对路径,这里表示的是测试数据是在项目的根路径下data目录中的test_in_theaters.yaml。测试函数通过parameters这个fixture拿到测试数据内容。
三、实现pytest_generate_tests Hook
上面测试脚本使用测试数据的方法,是在tests/conftest.py文件中的pytest_generate_tests函数中实现的。
import yaml
import json
def pytest_generate_tests(metafunc):
ids = []
markers = metafunc.definition.own_markers
for marker in markers:
if marker.name == 'datafile': # 读取外数据
test_data_path = os.path.join(metafunc.config.rootdir, marker.args[0]) # 拼接测试数据路径
with open(test_data_path) as f:
ext = os.path.splitext(test_data_path)[-1]
if ext in ['.yaml', '.yml']:
test_data = yaml.safe_load(f)
elif ext == '.json':
test_data = json.load(f)
else:
raise TypeError('datafile must be yaml or json,root must be tests')
if "parameters" in metafunc.fixturenames: # 用外部数据进行参数化
for data in test_data['tests']: # 用test_data中的case作为测试用例名称
ids.append(data['case'])
# 用test_data这个列表对parameters进行参数化。
metafunc.parametrize("parameters", test_data['tests'], ids=ids, scope="functi
metafunc.definition.own_markers可以读取到测试函数中所有的marker,如果存在datafile这个marker,表示需要从外部读取测试数据,测试数据可以是YAML格式也可以是Json格式。如果测试函数的metafunc.fixturenames中含有parameters这个fixture函数,就用外部测试数据对它进行参数化。
四、参数化套路
有了pytest_generate_tests这个Hook函数后,对测试函数进行参数化需要做三个改动:
- 在data目录下新加一个YAML或者Json格式文件。文件内容格式参考上面的例子。
- 指定测试数据文件的路径@pytest.mark.datafile('data/test_in_theaters.yaml')
- 给测试数据提供一个叫做 parameters的fixture
现在,整个项目的目录结构应该是如下所示:
$ tree
.
├── Pipfile
├── Pipfile.lock
├── data
│ └── test_in_theaters.yaml
├── tests
│ └── conftest.py
│ └── test_data_driven.py
五、总结
本文实现测试脚本和测试数据的分离的核心,还是实现了Hook函数,在Hook函数中读取测试数据文件,并对测试函数的fixture进行参数化。