测试用例生成工具 PairwiseTesting

最新推荐文章于 2025-03-20 23:48:48 发布
最新推荐文章于 2025-03-20 23:48:48 发布
阅读量3k 收藏 9
点赞数
分类专栏： 测试工具 功能测试 自动化测试 文章标签： 测试工程师 ab测试 node.js nodejs
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013302168/article/details/119759389
版权

成对测试 （PairwiseTesting）

recommend: China-Gitee，Other-Github

自动组合生成测试用例场景，帮助提升用例测试覆盖率！

PairwiseTesting，又称 结对测试、两两测试，是一种正交分析的测试方法。

以往： 设计测试用例时，覆盖至少要求任意两个字段（输入条件）的所有水平组合，至少要被覆盖1次。如果多个字段的枚举值组合，人工计算时间成本很大。

现在： PairwiseTesting 让你节省时间 无需人工计算，自动实现测试用例成对组合覆盖

中文文档

English Document

示例

用例字段（枚举值）

img

 

用例组合结果

img

 

使用

1.环境

（1）Nodejs

如果你电脑还未安装配置nodejs环境，请参考：https://www.runoob.com/nodejs/nodejs-install-setup.html

下载Nodejs

https://npm.taobao.org/mirrors/node/v12.13.0/

（建议版本使用v12.13.0 小于v15.0）

如果已安装配置nodejs，可跳过此步骤

（2）安装

命令行执行

npm install

2.使用

（1）打开excel表 fields_enumerator.xlsx，写入你的用例字段、枚举值

img

 

（2）开始生成

命令行执行

mocha

(3) 结果输出

文件类型文件名称
csv2020-4-31-9-51-48.csv
txt2020-4-31-9-51-48.txt
json2020-4-31-9-51-48.json
xml2020-4-31-9-51-48.xml

output文件夹下

img

 

csv

img

 

txt

例如：2020-4-30-22-39-54.txt

账号正常,密码过短,验证码正常,取消
账号正常,密码过长,验证码空,确定
账号空,密码正常,验证码过短,确定
账号不存在,密码不存在,验证码过短,取消
账号过长,密码过长,验证码正常,取消
账号正常,密码空,验证码过短,确定
账号不存在,密码过短,验证码空,取消
账号空,密码过长,验证码过长,取消
账号过长,密码过短,验证码过长,确定
账号空,密码空,验证码不匹配,取消
账号不存在,密码过长,验证码过长,确定
账号过短,密码不存在,验证码正常,确定
账号过长,密码空,验证码不匹配,确定
账号过短,密码过长,验证码过短,取消
账号过短,密码不存在,验证码不匹配,确定
账号空,密码过短,验证码不匹配,确定
账号过长,密码空,验证码空,确定
账号过短,密码过短,验证码过短,确定
账号过短,密码不存在,验证码过长,确定
账号正常,密码正常,验证码过长,取消
账号正常,密码过长,验证码不匹配,确定
账号过长,密码不存在,验证码过短,确定
账号空,密码不存在,验证码正常,确定
账号不存在,密码空,验证码正常,确定
账号过短,密码空,验证码过长,确定
账号过长,密码正常,验证码正常,确定
账号正常,密码不存在,验证码空,确定
账号空,密码空,验证码空,确定
账号过短,密码正常,验证码空,确定
账号不存在,密码不存在,验证码正常,取消
账号不存在,密码正常,验证码不匹配,确定

json

img

 

xml

img

 

控制台输出

  [ '账号过短', '密码正常', '验证码空', '取消' ],
  [ '账号空', '密码正常', '验证码过长', '取消' ],
  [ '账号正常', '密码不存在', '验证码正常', '确定' ],
  [ '账号不存在', '密码空', '验证码不匹配', '取消' ],
  [ '账号过短', '密码过短', '验证码不匹配', '确定' ],
  [ '账号空', '密码过长', '验证码不匹配', '确定' ],
  [ '账号过短', '密码空', '验证码空', '确定' ],
  [ '账号过短', '密码正常', '验证码正常', '取消' ],
  [ '账号正常', '密码不存在', '验证码过长', '取消' ],
  [ '账号过短', '密码不存在', '验证码过短', '取消' ],
  [ '账号不存在', '密码空', '验证码过长', '确定' ],
  [ '账号过短', '密码过长', '验证码过短', '确定' ],
  [ '账号正常', '密码过长', '验证码不匹配', '取消' ],
  [ '账号不存在', '密码过短', '验证码正常', '取消' ],
  [ '账号空', '密码空', '验证码正常', '确定' ],
  [ '账号过长', '密码不存在', '验证码不匹配', '取消' ],
  [ '账号过长', '密码过长', '验证码正常', '确定' ],
  [ '账号不存在', '密码正常', '验证码空', '确定' ],
  [ '账号过长', '密码过短', '验证码空', '确定' ],
  [ '账号不存在', '密码过短', '验证码过短', '确定' ],
  [ '账号正常', '密码空', '验证码过短', '确定' ],
  [ '账号过长', '密码正常', '验证码过短', '确定' ],
  [ '账号正常', '密码正常', '验证码不匹配', '确定' ],
  [ '账号过短', '密码过短', '验证码过长', '确定' ],
  [ '账号过长', '密码空', '验证码过长', '确定' ],
  [ '账号正常', '密码过短', '验证码空', '确定' ],
  [ '账号空', '密码不存在', '验证码过短', '确定' ],
  [ '账号不存在', '密码过长', '验证码过长', '确定' ],
  [ '账号空', '密码过短', '验证码空', '确定' ],
  [ '账号不存在', '密码不存在', '验证码空', '确定' ],
  [ '账号空', '密码过长', '验证码空', '确定'
测试用例生成工具ALLPAIRS
巅峰测试
10-20 9530
ALLPAIRS是一个测试用例设计工具，用于Windows，但移植到了多种平台，以适应该脚本文件的一些小改动。它自动对所有实验技术进行设计，通过这个工具的方法可以在海量的数据组合中选择少量的数据生成测试用例。共同使用此工具是测试软件功能的组合，看看他们相互影响，并试图产生的配置测试配置选项的合理组合。也许“共同”是不是正确的词-少数测试人员似乎认识到这项技术。更多的人必须意识到这一点。 A
黑盒测试设计专题：Pairwise配对测试
weixin_40896856的博客
07-26 4864
​点击上方 BeTester ，学习更多知识 让碎片成体系，让测试更专业 概述 定义 维基百科: In computer science, all-pairs testing or pairwise testing is a combinatorial method of software testing that, for each pair of input parameters to a...
生成测试用例
09-02
根据接口参数，自动生成测试用例，目前还没有写完整，正在完善中
PairwisetestingDemo
12-06
PairwisetestingDemo 正交分解生成测试用例 java语言demo
两两组合测试（Pairwise算法）详解
最新发布
因为热爱，所以付出
03-20 387
两两组合测试（Pairwise Testing）是一种通过覆盖所有参数的两两组合来生成测试用例的方法。
测试用例生成器工具
我是一言
08-12 3408
测试用例生成器 现成的工具： PICT 链接：https://pan.baidu.com/s/12Ed6dPmgh-hP2l0Iq4zMNw 提取码：putt pairs 链接：https://pan.baidu.com/s/1WjbTsOD-CUvLBL9O2n7_oA 提取码：342i 某大佬实现的工具（部分付费） 链接：https://pan.baidu.com/s/1y4Dparvn-EXxGn6YvzjaUw 提取码：62fm 代码实现： python+AllPairs ...
自动组合测试用例场景方案 （PairwiseTesting）
u013302168的博客
04-10 2186
成对测试 （PairwiseTesting） recommend:China-Gitee，Other-Github 自动组合生成测试用例场景，帮助提升用例测试覆盖率！ PairwiseTesting，又称结对测试、两两测试，是一种正交分析的测试方法。 以往：设计测试用例时，覆盖至少要求任意两个字段（输入条件）的所有水平组合，至少要被覆盖1次。如果多个字段的枚举值组合，人工计算时间成本很大。 现在：PairwiseTesting 让你节省时间无需人工计算，自动实现测试用例成对组合覆盖 中...
OATS PK Pairwise Testing
Roger Ge 的专栏
02-26 8088
对于多输入参数组合类的测试方法目前业界流行两种方法，一种是OATS（Orthogonal Array Testing Strategy），即正交表法；另一种是Pairwise/All-Pairs Testing，即配对测试法。对于两种方法，虽然业内已经存在比较成熟的设计工具，但是秉着知其然，知其所以然的目标，还是先熟悉一下两者的原理，然后再进行区分和比较，从而在实际运用中将其灵活运用。 第
接口测试用例生成工具介绍及应用
主要分享测试的学习资源，帮助快速了解测试行业，帮助想转行、进阶、小白成长为高级测试工程师。
10-17 6294
2.功能测试：指满足功能需求，有一定功能含义的测试用例，如对卡号这个参数来说，已销户的卡号对大多数交易来说就是一个有功能含义的反例，对于功能测试，大多数测试用例与数据是有一定的时效性和可复用性的，但对数据的维护仍需要一定成本，对于经常变动的数据，目前的解决方案是通过sql语句进行动态提取。通过配置用例集我们实现了对测试经验的积累，对测试场景的全覆盖。兜底测试组装层的用例和数据的衍生规则与用例集组装层是类似的，不同的是兜底测试组装层会对每个参数都进行相应的兜底测试，兜底测试也不需要选择相应的用例集。
对于多因子组合测试工具pairwise testing及PICT的探索总结
RANDY_SONY的博客
06-04 1656
对于多因子组合测试工具pairwise testing及PICT的探索 一、简介 对于存在多个输入参数，例如多个条件的筛选，每个条件中又有多个选项让我们选择，如果全部覆盖的话，那数量级必然是相当大的。 而pairwise testing 即配对测试是一种行之有效的简化此类测试用例的思路，它的理论基础是统计分析及正交分析； 它基于以下两个两个原则： 1.每一个维度都是正交的，即每一个维度互相都没有交集。 2.根据数学统计分析，73%的缺陷（单因子是35%，双因子是38%）是由单因子或2个因子相互作用产生的。1
自动生成测试用例_接口测试用例自动生成工具
YJT1002的博客
04-24 1648
写用例之前，我们应该熟悉API的详细信息。建议使用抓包工具Charles或AnyProxy进行抓包。
Pairwise Testing算法的java实现
02-06
一个已经关闭的googlecode项目，基于正交法对Pairwise Testing算法进行的java实现，具体说明见内部文档
自制小工具自动生成测试用例
12-13
由于最近做一个项目需要对MATLAB电路图做测试，且需要满足MCDC且覆盖每个门，由于手工生成非常麻烦而且也容易出错，所以做了个工具来自动生成测试用例。有两种现实模式:GDI+、D3D自动生成测试用例开发环境:Directx SDK， C# 2005D3D现实还不是很成熟，如果有朋友感兴趣的话欢迎继续完善.
Pairwise Testing推荐工具 PICT.docx
07-08
学了之后，觉得还蛮有用的，推荐给大家 1. 下载PICT，下载地址为：http://download.microsoft.com/download/f/5/5/f55484df-8494-48fa-8dbd-8c6f76cc014b/pict33.msi
测试用例生成工具-allpairs.zip
03-15
测试用例生成工具-allpairs，我的博客中专门有一篇展示如何使用。很好用！通过预先设定的cvs文件生成对应的批量测试用例
Mock+Proxy在SDK项目的自动化测试实战
wpyily的专栏
10-18 6040
项目背景广告SDK项目是为应用程序APP开发人员提供移动广告平台接入的API程序集合，其形态就是一个植入宿主APP的jar包。提供的功能主要有以下几点： - 为APP请求广告内容 - 用户行为打点 - 错误日志打点 - 反作弊团队现状在项目推进的过程中，逐渐暴露了一些问题： 1. 项目团队分为上海团队（服务端）和北京团队（客户端），由于信息同步，人力资源等其他原因，服务端与客户端的开发进度
关于PICT的安装和使用
Aenan的专栏
01-18 2712
关于PICT的安装和使用     一、PICT的简介       PICT全称Pairwise Independent Combinatorial Testing tool，是微软的一款成对组合的命令行生成工具，生成pairwise testing所需的测试用例。那么什么是pairwise testing呢？以下是http://www.pairwise.org/对pairwise
Telelogic的测试设计和测试用例生成工具
软件质量优化
09-03 3700
 在《软件测试技术大全》一书中，我介绍了一些测试用例设计和生成工具，例如分类树设计的CTE XL，自己开发的正交表测试用例自动生成工具等。今天来看看Telelogic在这方面的解决方案： Telelogic的基于场景/需求的测试方法主要由两个工具来支撑：Rhapsody Automatic Test Generator (ATG) 和Rhapsody TestConductor。 
厉害了！基于三重AI引擎的测试用例生成工具，成功率突破80%！
software_test010的博客
10-11 1933
今天我们就来一起学习下平台框架是怎样的、用例是如何生成的、在这过程中都做了哪些优化、成果如何？
python编程，导入文件，使用分词工具将文件中的内容进行中文分词或不分词，计算段落向量、文章向量。使用onehot、TF-IDF和BoW等方法将内容向量化，然后计算网页相似度。统计语料库中的网页的相似度，并将网页进行聚类，输出聚类簇的数量以及聚类结果。
05-25
好的，这是一个比较完整的文本处理流程，需要用到一些Python库和工具。首先，我们需要安装以下几个库： - jieba：中文分词工具 - gensim：用于计算段落向量、文章向量等 - sklearn：用于聚类分析 安装方法： ```python pip install jieba gensim scikit-learn ``` 接下来，我们可以开始编写代码了。首先是导入文件并进行中文分词： ```python import jieba # 读取文件 with open('example.txt', 'r', encoding='utf-8') as f: content = f.read() # 中文分词 seg_list = jieba.cut(content) ``` 其中，`example.txt`是待处理的文件名，可以根据实际情况进行修改。`jieba.cut`函数会返回一个生成器，我们可以将其转化为列表，并去掉一些无用的词汇： ```python # 过滤无用词汇 stop_words = ['的', '了', '在', '是', '我', '你', '他', '她', '它', '我们', '你们', '他们', '她们', '它们'] word_list = [word for word in seg_list if word not in stop_words and len(word) > 1] ``` 接下来是计算段落向量和文章向量。我们可以将一篇文章看做是多个段落的集合，将每个段落的向量求平均得到文章向量，或者将每个段落的向量权重相加得到文章向量。这里我们使用前一种方法： ```python import numpy as np from gensim.models import Word2Vec # 训练词向量模型 model = Word2Vec([word_list], size=100, window=5, min_count=1, workers=4) # 计算段落向量 doc_vectors = [] for i in range(0, len(word_list), 100): words = word_list[i:i+100] vec = np.zeros(100) for word in words: vec += model.wv[word] vec /= len(words) doc_vectors.append(vec) # 计算文章向量 avg_vector = np.mean(doc_vectors, axis=0) ``` 其中，`Word2Vec`函数用于训练词向量模型，`doc_vectors`列表用于存储每个段落的向量，`avg_vector`向量用于存储文章向量。 接下来是将内容向量化。我们可以使用onehot、TF-IDF和BoW等方法将每个词汇转化为向量。这里我们使用TF-IDF方法： ```python from sklearn.feature_extraction.text import TfidfVectorizer # 将文本内容转化为向量 vectorizer = TfidfVectorizer() vectorizer.fit_transform([content]) content_vector = vectorizer.transform([content]) ``` 最后是计算网页相似度和进行聚类分析。我们可以使用余弦相似度来计算两篇文章之间的相似度，并使用K-Means算法进行聚类分析： ```python from sklearn.metrics.pairwise import cosine_similarity from sklearn.cluster import KMeans # 计算网页相似度 similarity_matrix = cosine_similarity(content_vector) # 聚类分析 kmeans = KMeans(n_clusters=3, random_state=0).fit(similarity_matrix) labels = kmeans.labels_ cluster_count = max(labels) + 1 ``` 其中，`cosine_similarity`函数用于计算相似度矩阵，`KMeans`函数用于进行聚类分析，`labels`列表用于存储每个文章所属的簇的标号，`cluster_count`变量用于存储聚类簇的数量。 完整代码如下： ```python import numpy as np from gensim.models import Word2Vec from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity from sklearn.cluster import KMeans import jieba # 读取文件 with open('example.txt', 'r', encoding='utf-8') as f: content = f.read() # 中文分词 seg_list = jieba.cut(content) # 过滤无用词汇 stop_words = ['的', '了', '在', '是', '我', '你', '他', '她', '它', '我们', '你们', '他们', '她们', '它们'] word_list = [word for word in seg_list if word not in stop_words and len(word) > 1] # 训练词向量模型 model = Word2Vec([word_list], size=100, window=5, min_count=1, workers=4) # 计算段落向量 doc_vectors = [] for i in range(0, len(word_list), 100): words = word_list[i:i+100] vec = np.zeros(100) for word in words: vec += model.wv[word] vec /= len(words) doc_vectors.append(vec) # 计算文章向量 avg_vector = np.mean(doc_vectors, axis=0) # 将文本内容转化为向量 vectorizer = TfidfVectorizer() vectorizer.fit_transform([content]) content_vector = vectorizer.transform([content]) # 计算网页相似度 similarity_matrix = cosine_similarity(content_vector) # 聚类分析 kmeans = KMeans(n_clusters=3, random_state=0).fit(similarity_matrix) labels = kmeans.labels_ cluster_count = max(labels) + 1 print('聚类簇的数量：', cluster_count) print('聚类结果：', labels) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

liyinchi1988

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值