构想篇

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

  • 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
  • 需求不同，但健壮性和部分业务用例重复性高
  • 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

  • 解析文档
  • 梳理适合自动生成的脚本
  • 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：.

分类

Swagger

RAP

WIKI

描述

用于生成、描述、调用和可视化RESTful风格的Web服务的框架

可视化接口管理工具

可供多人协同创作的超文本系统

格式

json

json

html

规范

各个参数、返回值的具体结构、类型有统一规范

同swagger

需要自己约定规范

成本

直接嵌入项目中，通过开发时编写注释，自动生成接口文档，成本较低

需要开发按照平台规则手动输入，成本较高

需要按照约定规范，手动输入，成本较高

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WIKI html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

  1. 完全靠人工来约束书写规则不靠谱
  2. 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
  3. 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","description":"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，用例规则这块自成独立模版，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：

类型

工作量描述

不使用工具

使用工具

效率提升

接口类

约250个参数

2日/人

1小时内

94%

健壮性用例

约1000条用例

2日/人

1日/人

50%

平均

---

---

---

74%

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。
以上内容就是本篇的全部内容以上内容希望对你有帮助，有被帮助到的朋友欢迎点赞，评论。
如果对软件测试、接口测试、自动化测试、面试经验交流。感兴趣可以关注我，我们会有同行一起技术交流哦。