python ddt 实现数据驱动

python ddt 实现数据驱动

DDT又叫数据驱动（Data-Driven Design），在Python ddt作为一个装饰器存在，用来实现数据的参数化，这样就可以将代码和测试数据分开，将代码进行封装，提高复用性。

测试数据在本地文件或数据库进行维护。

使用方法：使用时在测试类上声明@ddt装饰符，在测试方法上使用@data装饰符；@data装饰符可以将参数当做测试数据传入到测试方法中

ddt 是第三方模块，需安装， pip install ddt
DDT包含类的装饰器ddt和两个方法装饰器data（直接输入测试数据）

通常情况下，data中的数据按照一个参数传递给测试用例，如果data中含有多个数据，以元组，列表，字典等数据，需要自行在脚本中对数据进行分解或者使用unpack分解数据。

@data(a,b)
那么a和b各运行一次用例

@data([a,d],[c,d])
如果没有@unpack，那么[a,b]当成一个参数传入用例运行
如果有@unpack，那么[a,b]被分解开，按照用例中的两个参数传递
具体看下面的例子：

import unittest
from ddt import ddt,data,unpack

@ddt
class MyTesting(unittest.TestCase):
    def setUp(self):
        print('this is the setUp')
    @data([1,2,3])
    def test_1(self,value):
        print(value)

    @data([3,2,1],[5,3,2],[10,4,6])
    @unpack
    def test_minus(self,a,b,expected):
        actual = int(a) - int(b)
        expected = int(expected)
        self.assertEqual(actual, expected)

    @data([2,3],[4,5])
    @unpack
    def test_compare(self,a,b):
        self.assertEqual(a,b)

    def tearDown(self):
        print('this is tearDown')

if __name__ == '__main__':
    unittest.main(verbosity=2)

结果分析：

1. test_1的测试结果是ok的， 因为 [1,2,3] 作为一个整体传给value,所有value 打印的值是[1,2,3]

test_1_1__1__2__3_ (__main__.MyTesting) ... ok
test_compare_1__2__3_ (__main__.MyTesting) ... ERROR
[1, 2, 3]

2. test_minus的测试结果也是ok的，由于在@data(...)下加了@unpack, 代表会把数据分解，得到3组测试数据，分别为：

1.[3,2,1]
2.[5,3,2]
3.[10,4,6]

test_minus_1__3__2__1_ (__main__.MyTesting) ... ok
test_minus_2__5__3__2_ (__main__.MyTesting) ... ok
test_minus_3__10__4__6_ (__main__.MyTesting) ... ok

3. test_compare的测试结果是fail的，由于没有加@unpack, 虽然还是会被理解成2组测试数据，但是[2,3]作为一个整体被传给了a, 因为b就没有值传入了，所以一执行后报了  TypeError: test_compare() missing 1 required positional argument: 'b'  这句错。

test_compare_1__2__3_ (__main__.MyTesting) ... ERROR
test_compare_2__4__5_ (__main__.MyTesting) ... ERROR

this is the setUp
ERROR: test_compare_1__2__3_ (__main__.MyTesting)
this is tearDown
----------------------------------------------------------------------
Traceback (most recent call last):
  File "D:\python\lib\site-packages\ddt.py", line 139, in wrapper
    return func(self, *args, **kwargs)
TypeError: test_compare() missing 1 required positional argument: 'b'

======================================================================
ERROR: test_compare_2__4__5_ (__main__.MyTesting)
----------------------------------------------------------------------
Traceback (most recent call last):
  File "D:\python\lib\site-packages\ddt.py", line 139, in wrapper
    return func(self, *args, **kwargs)
TypeError: test_compare() missing 1 required positional argument: 'b'

@data()里的数据组可以为元祖，list，字典

@ddt
class MyTest(unittest.TestCase):

    @data((8, 6), (4, 0), (15, 6))
    @unpack
    def test_tuples(self, first, second):
        self.assertTrue(first > second)

    @data([30, 29], [40, 30], [5, 3])
    @unpack
    def test_list(self, first, second):
        self.assertTrue(first > second)


    @data({'first': 1, 'second': 3, 'third': 5},
          {'first': 4, 'second': 7, 'third': 8})
    @unpack
    def test_dicts(self, first, second, third):
        self.assertTrue(first < second < third)


if __name__ == '__main__':
    unittest.main(verbosity=2)

def get_Csv(filename):
    rows = []
    with open(filename,encoding='utf-8') as f:
        readers = csv.reader(f)
        for row in readers:
            rows.append(row)
    return rows

@ddt
class MyTest(unittest.TestCase):

    @data(*get_Csv('test_csv.csv'))
    @unpack
    def test_data_csv(self,v1,v2,v3):
        print(v1)
        print(v2)
        print(v3)

下边主要是关于文件的数据驱动。

一、通过json文件驱动

@ddt
class MyTest(unittest.TestCase):

    @file_data('test_data_list.json')
    def test_data_list(self,value):
        print(value)

    @file_data('test_data_dict.json')
    def test_data_dict(self,value):
        print(value)

二、通过yaml文件驱动

 

pip install pyyaml进行安装

直接import yaml，右键运行py文件，不报错，则为导入成功。

 

PyYaml简介

YAML是一种容易阅读、适合表示程序语言的数据结构、可用于不同程序间交换数据、丰富的表达能力和可扩展性、易于使用的语言。通过缩进或符号来表示数据类型。

Yaml提供了多种方法，常用的为yaml.load和yaml.dump。

 

它的基本语法规则如下：

1. 大小写敏感
2. 使用缩进表示层级关系
3. 缩进时不允许使用Tab键，只允许使用空格。
4. 缩进的空格数目不重要，只要相同层级的元素左侧对齐即可
5. # 表示注释，从这个字符一直到行尾，都会被解析器忽略，这个和python的注释一样

 

PyYaml文件编写格式

yaml文档除了可以通过dump进行转化之外，也可以根据yaml文档的格式进行编写。

1. 对象的一组键值对，使用冒号结构表示。
2. 一组减号开头的行，构成一个list。
3. 对象和数组可以结合使用，形成复合结构。
4. ~ 代表None
5. 布尔类型 直接写bool: True False

 

YAML 支持的数据结构有三种：

　　　　1、对象：键值对的集合，又称为映射（mapping）/ 哈希（hashes） / 字典（dictionary）

　　　　2、数组：一组按次序排列的值，又称为序列（sequence） / 列表（list）

　　　　3、纯量（scalars）：单个的、不可再分的值。字符串、布尔值、整数、浮点数、Null、时间、日期

import yaml

#写入yaml文件
# yaml.dump 将一个Python对象生成为yaml文档。参数一为要转为yaml文档的数据，参数二必须为一个已经打开的文件对象。
with open('dump.yml','w') as f:
    d ={
        'student':{
            'name':'aa',
            'age':20,
            'love':{
                'ball':'volleyball',
                'book':'Python'
            }
        },
        'teacher':{
            'name': 'bb',
            'age': 20
        },
        'data':[2,3,4,5]
    }
    yaml.dump(d,f)

#加载yaml文件
with open('dump.yml','r') as f:
    data = yaml.load(f)
    print(data)

yaml.dump([data,filehandle])

yaml.dump 将一个Python对象生成为yaml文档。参数一为要转为yaml文档的数据，参数二必须为一个已经打开的文件对象。

这里是将转成的yaml格式保存到文件里，以下是保存到文件里的数据。

yaml.load([filehandle])

yaml.load接收文件句柄，将yml文件中的数据转为Python的数据类型。

下面是输出的结果：

{'data': [2, 3, 4, 5], 'teacher': {'age': 20, 'name': 'bb'}, 'student': {'age': 20, 'love': {'ball': 'volleyball', 'book': 'Python'}, 'name': 'aa'}}

可以将yaml与ddt联合应用，将yaml作为数据存储，可以将test case写在yaml文件里。

@file_data('test_data2.yml')
def test_data_yaml(self,value):
     print(value)
     print(type(value))

 打印的结果为：

[{'pass': {'case1': {'password': '001', 'username': 'aa'}, 'case2': {'password': '002', 'username': 'bb'}}}, {'fail': {'case3': {'password': '003', 'username': 'cc'}}}]
<class 'list'>

1. 组合使用后，通过yaml的数据来控制case的执行
2. yaml文档的使用，使case维护更加方便快捷