Python数据驱动深入实践(二)
在做自动化测试时，我们通常有这样的需求，对某一个用例，希望可以根据我们提供的不同数据而运行多次，每次运行加载一条数据，但是运行的是同一个用例，仅仅是数据不同。 这个模式Java里TestNG有个概念叫DataProvider， python里也有，叫ddt。 上次我们介绍了用法，连接在此 -- Python数据驱动深入实践(一) ，今天来讲下如何自己实现一个ddt。
我们先来看一个简单例子：
def sum_data(x, y):
return x + y
if __name__ == "__main__":
assert sum_data(1, 2) == 3
assert sum_data(4, 5) ==8
正常来说， 要验证这个函数的实现正确与否，最基本的两个检查点一定是一个通过一个不通过。 上面代码可以看到我们写了两条用例，基本实现了我们的需求，但是感觉还有优化的空间，于是我们改成了这样
def sum_data(x, y):
return x + y
def test_sum_data(x, y, z):
assert sum_data(x, y) == z
if __name__ == "__main__":
test_sum_data(1, 2, 3)
test_sum_data(4, 5, 6)
看起来简单了一点，但是对于接口测试来说，一个函数可能验证的点有几十条，难道我们要copy-paste test_sum_data这个函数多次吗？
大家都知道， python里有装饰器这个概念，装饰器最大的特点就是接收一个函数称为参数，然后做一些”夹带私货“的操作后再返回这个函数。 如果你不是很了解装饰器的话，也没关系，你只要记住如下转换就可以了：
#假设你有一个函数叫func， 你有一个装饰器函数叫decorator， 那么如下代码
@decorator
def func():
pass
python解释器会解释成下面这样的语句：
func = decorator(func)
#如果你的装饰器decorator带参数怎么办？
@decorator(arg1, arg2)
def func():
pass
#相当于：
func = decorator(arg1,arg2)(func)
了解了上面，那我们继续看，我们应该怎么用装饰器来精简我们的函数：
def sum_data(x, y):
return x + y
def my_data(test_data):
def wraps(func):
def repl(x, y, z):
for i in test_data:
x, y, z = i
print('func starts')
func(x, y, z)
print('func ends')
return repl
return wraps
@my_data([(1, 2, 3), (4,5,6)])
def test_sum_data(x, y , z):
assert sum_data(x, y) == z
if __name__ == "__main__":
test_sum_data(1, 2, 4)
#运行一遍看， 结果如下：
Traceback (most recent call last):
File "88.py", line 22, in <module>
test_sum_data(1, 2, 4)
File "88.py", line 11, in repl
func(x, y, z)
File "88.py", line 18, in test_sum_data
assert sum_data(x, y) == z
AssertionError
func starts
func ends
func starts
可以看到函数第2此运行的时候失败了，报的错也是assert error。 你们发现没？ 函数test_sum_data的自身的实参不起作用了， 变成从my_data提供了，那么我的函数就要相应的优化下
def sum_data(x, y):
return x + y
def my_data(test_data):
def wraps(func):
def repl(*args):
for i in test_data:
print('func starts')
x, y , z = i
func(x, y , z)
print('func ends')
return repl
return wraps
@my_data([(1, 2, 3), (4,5,9)])
def test_sum_data(x, y , z):
print("Your are verifing ({} + {}) == {}".format(x, y, z))
assert sum_data(x, y) == z
if __name__ == "__main__":
test_sum_data()
#这样我们在方法test_sum_data后面不加参数就可以了。
#注意：*args是可变参数的意思，
#它的实现实际上是个unpack，大家有兴趣可以自行了解下。
可是还有个问题，我想把这个数据驱动给我不同的函数使用怎么办？
def sum_data(x, y):
return x + y
def is_equal(x, y):
return x==y
def my_data(test_data):
def wraps(func):
def repl(*args， **kwargs):
for i in test_data:
print('func starts')
func(*i, **kwargs)
print('func ends')
return repl
return wraps
@my_data([(1, 2, 3), (4,5,9)])
def test_sum_data(x, y , z):
print("Your are verifing ({} + {}) == {}".format(x, y, z))
assert sum_data(x, y) == z
@my_data([(2,2), (1, 2)])
def test_is_equal(x, y):
print("Your are verifing {} == {}".format(x, y))
assert is_equal(x, y) ==1
if __name__ == "__main__":
test_sum_data()
test_is_equal()
#运行一下， O了。
就这样，我们一步一步实现了数据驱动的功能，实际上，如果你看过Python DataProvidor–ddt的源码，就发现，它实际上也是这么实现的。
本文的主要难点在装饰器上，而对于装饰器的理解，主要难点在闭包上，大家可以相应的搜索下，如有疑问，欢迎交流。
Hold On， 这就结束了吗？ NO！
我们知道，自动化过程中我们通常会希望一个case在报告里有一个对应结果. 但对于我们实现的DataProvider，在测试报告里只会显示一条记录，太不利于我们调试了，那么，如何在测试报告里体现呢？ 且听下回分解：）