1. 接口自动化的实现

API：Application Programming Interface
接口自动化按照自动化的工具可分为

基于接口测试工具的接口自动化

• eg1：Postman+Newman+git/Svn+Jenkins（基于Javascript语言）接口自动化

Postman：创建和发送 API 请求，并对响应进行断言和验证。
Newman： Postman 的命令行工具，它允许测试人员在没有界面的情况下运行 Postman 集合。常用于在 CI/CD 流程中自动化运行 API 测试。
Git：版本控制工具
Jenkins：CI/CD 流程中用于自动化构建、测试和部署应用程序。可以设置定期或事件触发的构建任务，将 Postman 集合和 Newman 集成到自动化测试流程中。
持续集成（Continuous Integration）和持续交付（Continuous Delivery）： CI在每次代码提交时自动触发构建和测试过程，CD自动将构建通过多个环境（如开发、测试、预生产）传递到生产环境以确保软件随时可以被部署到生产环境。

• eg2：Jmeter+Ant+Git/Svn+Jenkins（基于Java和BeanShell语言）接口自动化

JMeter：性能测试工具，可模拟多种负载和场景，以测试 API 的性能和可靠性。
Ant：用于自动构建和部署 Java 项目的构建工具。它可以用来执行 JMeter 测试计划并生成测试报告。

基于代码的接口自动化（本质是轻量型的框架）

• Python为主（复杂脚本比Java简单），常用第三方库

Requests：与 API 和网络服务的交互
PyYAML ：在 Python 中解析和生成 YAML 数据。YAML 是一种轻量级的数据序列化格式，常用于配置文件和数据交换。

XML&Json&YAML：在作为配置文件的时候，这三种格式都很常用；在数据传输的时候， XML和JSON很常见, 尤其是JSON，在API的开发中现在变得越来越普及；从文件大小上来说, 同样的数据集。YAML文件最小, JSON次之，XML最大。

pytest：pytest 是 Python 中广泛使用的测试框架，使编写测试用例更加便捷。
Allure：allure-pytest 是 pytest 的插件，用于生成详细且吸引人的测试报告，与 Allure 测试报告框架集成。
logging：logging 是 Python 内置的日志模块，用于记录应用程序运行时的消息，方便调试和监控。

基于平台的接口自动化：测试开发。

平台能够跟进产品序列

本接口自动化及pytest测试实践属于代码自动化

2. 知识要点及实践

2.1 requests.post传递的参数本质

body


Response对象：

2.2 pytest单元测试框架

默认测试用例规则：

1. 模块名（,py文件）以test_开头或者_test结尾
2. 类名必须Test开头
3. 用例名必须以test_开头

  采用自动化测试(一)的Google翻译爬虫接口的一个小案例，比如：
  测试库名test_Google_tran
  测试模块名test_Tran_API.py
  测试类名TestAPI
  测试用例名test_post_message

2.2.1 pytest框架简介

框架作用：

1. 发现用例：根据pytest框架默认的规则去发现并且加载测试用例
2. 执行用例：将测试用例按照一定的顺序和条件执行并生成结果
3. 判断结果：通过断言来判断实际结果和预测结果是否相同
4. 生成报告：统计测试进度、耗时、通过率，生成报告。

PS：可以和很多工具，比如selenium，appium等结合使用，可以使用很多插件，比如allure。

插件举例 (插件本质也是第三方库)：

• allure-pytest：生成allure报告
• pytest-cov：用于代码覆盖率分析。生成代码覆盖率报告，帮助了解测试覆盖的情况。
• pytest-html：生成漂亮的 HTML 格式测试报告，包括测试结果、用例名称、时间等信息，方便查看和分享。
• pytest-xdist：允许并行运行测试，多线程加速测试过程。适用于拥有多个 CPU 核心的机器。
• pytest-ordering：标记测试用例的执行顺序
• pytest-selenium：支持使用 Selenium 进行 Web UI 测试。
• pytest-returnfailers：失败用例重跑
• pytest-base-url：管理基础路径

框架结构：（命名规则影响到框架检索）
LearningAutoTesting/
   |- common/ --封装库名
   |    |- api.py
   |    |- …
   |- testcase/ --测试库名
   |    |- test_api.py --测试模块名
   |    |- …
   |- run.py --测试用例运行
   |- conftest.py --全局测试配置
   |- requirements.txt --依赖名

用例的执行：
可以直接运行run.py：pytest.main([‘–capture=sys’])
可以在LearningAutoTesting路径下用命令行pytest -vs

  注意pytest.ini配置文件，框架会自动检索并用于配置pytest 运行测试时的一些参数和选项。pytest.ini 文件为整个项目设置一致的默认配置，提高了可维护性和可读性。下面是配置文件常用内容举例：

执行测试用例前后的操作：

方法一：同unittest
  在 pytest 中，用于在测试用例执行前后执行操作的关键字是 setup 和 teardown，但是在 pytest 中，更推荐使用 setup 和 teardown 的变种，即 setup_method 和 teardown_method。

setup_method：在每个测试方法（测试用例）执行前都会调用。适用于需要在每个测试之前执行初始化操作的情况。
teardown_method：在每个测试方法执行后都会调用。适用于需要在每个测试之后执行清理操作的情况。
setup_class ：在整个测试类的生命周期中只会执行一次，不同于 setup_method。

方法二：采用fixture固件，灵活设置方法的前后操作。

Python 中的装饰器是一种特殊的语法和功能，用于修改或增强函数或类的行为。装饰器可以在不修改原始函数或类代码的情况下，对它们进行功能性的扩展、修改或包装。装饰器通常是函数，它接受一个函数或类作为参数，并返回一个新的函数或类。

def count_calls(func):def wrapper(*args, **kwargs):wrapper.call_count += 1print(f"Function {func.__name__} has been called {wrapper.call_count} times.")return func(*args, **kwargs)wrapper.call_count = 0return wrapper@count_calls
def my_function():print("Hello, world!")my_function()

输出：

Function my_function has been called 1 times.
Hello, world!
Function my_function has been called 2 times.
Hello, world!

@pytest.fixture：用于定义固件或者叫夹具（fixture），固件是一种可以在测试用例中重复使用的资源或数据，例如数据库连接、临时文件、模拟对象等。它可以用来随心所欲的设置前后置操作。

装饰器用法，调整这5个参数进行使用。作用域一般是函数级别或者会话级别。

fixture的手动调用：在test_case（self，固件名）

其中yeild是一个生成器。可以用来传递返回值

当一个函数中包含了 yield 关键字时，它就变成了一个生成器函数。生成器函数可以被调用，但不会立即执行，而是返回一个生成器对象。每次调用生成器对象的 next() 方法（或使用 next() 函数）时，函数会执行直到遇到 yield，然后产生一个值并暂停。下次调用时，函数从上次暂停的地方继续执行，直到再次遇到 yield 或函数结束。

自动调用: 如果只有autouse参数为true，则同setup_作用域。

固件传参：数据驱动，可以通过参数化来实现一种类似于迭代的行为。当您使用 params 参数来传递多个参数时，fixture 将会为每组参数运行一次测试函数，并在每次测试运行时提供不同的准备工作。

2.2.2 pytest装饰器

@pytest.fixture：用于定义夹具（fixture），夹具是一种可以在测试用例中重复使用的资源或数据，例如数据库连接、临时文件、模拟对象等。

对固件驱动。1. 主要用于准备测试所需的数据、对象、环境等，并在测试结束后进行清理操作，以确保测试之间不会相互影响。2. 通过将常见的测试准备和清理逻辑封装到 fixture 中，您可以在多个测试用例中重复使用，从而避免重复编写相同的代码。3. fixture 可以用于管理外部资源，如数据库连接、文件句柄等，以确保资源在测试完成后被释放。

@pytest.mark.parametrize：用于参数化测试，允许你通过多个参数组合运行同一个测试用例，以减少重复的测试代码。

对数据驱动：@pytest.mark.parametrize（参数名，参数值-列表或者元组），数据中有多少值就会执行多少次。用于在一个测试用例中多次运行，每次使用不同的参数，即使用不同的输入数据运行相同的测试逻辑

@pytest.mark.skip 和 @pytest.mark.skipif：用于跳过指定的测试用例，前者是无条件跳过，后者可以根据条件来决定是否跳过。

@pytest.mark.xfail：用于标记预期失败的测试用例，即使测试用例失败了，也不会导致整个测试过程失败。

@pytest.mark.parametrize：用于参数化测试，让你可以为测试用例指定多组参数，使得同一个测试用例可以多次运行。

@pytest.mark.timeout：用于为测试用例设置最大运行时间，如果测试用例运行时间超过指定时间，将会被中断。

@pytest.mark.parametrize：用于将标记应用于测试用例，例如自定义标记，用于组织测试用例。

@pytest.mark.usefixtures：用于在测试函数中自动使用指定的夹具，不需要在参数列表中指定。

@pytest.mark.filterwarnings：用于过滤特定类型的警告，以便在测试运行期间不显示特定的警告信息。

@pytest.mark.raises：用于断言某个异常被正确地引发，用于测试代码中是否抛出了预期的异常。

2.2.3 断言、allure测试报告

  还需要安装allure，才能通过os模块调用，这里仅放一个基础使用例子，在该系列的后续文章**自动化测试（四）**中细讲。

2.2.4 接口关联、封装改进

接口关联场景：在测试中，一个系统通常会被分解成多个子系统或模块，这些子系统之间需要通过接口进行数据传递和交互。比如test1中验证了能够获得tokens，test2需要使用test1的tokens。

方法一：对于流水线测试，中间数据传输比较少的话，可以在 pytest 的 fixture 中使用 yield 语句来在 fixture 的生命周期内传递参数，并确保 yield 生成的数据被另外一个测试用例以函数名称传输的方式捕获。
方法二：用文件、数据库保存，常用yaml文件。用文件或者数据库统一管理中间变量。
common\yaml_uitl.py文件

# 提前构建一个yaml文件
import yaml
import osdef read_yaml(key):# 使用 with 会自动管理文件的打开和关闭with open(os.getcwd() + "/extract.yaml", encoding="utf-8") as f:value = yaml.load(stream=f, Loader=yaml.FullLoader)  # 自动将yaml结构体print(value)return value[key]def write_yaml(data):# 理论上还需要检测yaml中是否已经存在对应的数据，如果存在需要改modewith open(os.getcwd() + "/extract.yaml", encoding="utf-8", mode='a') as f:yaml.dump(data, stream=f, allow_unicode=True)if __name__ == "__main__":print(read_yaml("employee"))write_yaml({"employer": {"name": "Jerry"}})print(read_yaml("employer"))

一般在conftest文件中设置clear_yaml函数。接口关联时使用yaml_util直接写入、读取json数据即可。

YAML 文件人类易读性比Json好，可以和json之间灵活转换（load后就是json格式）

1. 编写配置文件
2. 测试用例接口关联

# 特殊字符可以使用单引号或双引号括起来employee:name: Markage: 28status: null  # 空值可以表示为 null 或 ~projects:- Project A  # - 表示列表中的元素- Project Bcontact: # 联系方式email: mark@example.comphone: 123-456-7890description: |   # | 表示多行字符串This is a multilinestring with preserved line breaks.employer:
employer:name: Jerry

YAML动态传参（热加载）

热加载：让YAML能够调用外部函数
方法：${fuction_name(parms)}

2.3 pytest接口封装（统一请求封装）

 将数量很多的用例封装为一个方法。场景：

1. 统计数据
2. 异常处理
3. 日志监控

eg1：以处理数据为例，将待翻译的内容封装成GoogleTranslate.py中的google_translator类。

eg2：以日志监控为例，封装后在SendRequest类方法中打印日志即可，因为所有的用例中都会调用SendRequest类方法。同时自建的类只初始化一次session对象（能够自动关联cookie，所有请求都在一个通话里面），而google_translator类with requests.Session() as s，或者request方法源码也是先from . import sessions然后with sessions.Session() as session，cookie都只用了一次

为什么可以requests.Session()，而不需要requests.sessions.Session()？
  requests 库在设计时采用了适当的模块导入机制和命名空间。这样的设计使得库的使用更加便捷和一致。当你使用 import requests 导入 requests 模块时，你实际上导入了 requests 包中的 init.py 模块。然后，requests 包内的各个子模块和类都会在 requests 命名空间下变得可用。

参考

b站2023年课程p1-p9