基于airtest的多端大规模自动化测试实践经历

综述

本文主要介绍了多端自动化的实践经历而非作为airtest的科普文章（因为airtest的官方文档真的是已经特别全了，非常建议实践之前先看一遍文档，大部分问题都能达到答案），主要叙述了在面对多端大规模场景时，自动化的技术选型、方案设计、实践难点等等。

项目背景介绍

所在项目是一个多端互动的场景，是一对多的业务实现，具体是由一台winpad的教师端，对多台安卓的学生端，在同一局域网内，进行指令的发送和接收，从而产生互动，指令的中转由台服务（服务器+AP）实现。

需求产生的背景介绍

原始的客户诉求，是因为业务测试在执行这样一对多的测试（以下简称为大规模互动）中，因为需要真实模拟场景，所以往往需要在一台教师端和60台学生端之间来回操作，极为消耗人力资源（平均一次大约需要2人1天的工时），因此希望得到一种技术手段，节约在大规模互动测试中的开销。

技术选型

基于原始的客户诉求，我们将具体实现定义为了ui自动化类型，以下是技术选型的分析过程。

技术要求

• 统一性

大规模互动产生在不同的系统间，教师端的系统是win10，而学生端的系统是android，因此，我们希望最好可以由同一套框架实现对两端的驱动，这样整体便于设计和驱动。

• 高兼容性

由于教师端的实现并不是标准的windows应用实现方法，而是通过c+nodejs再由electron做封装，因此，很多元素用传统的windows的查找框架uiautomation不易找到，而由于客户端对webview的实现写死了启动参数，因此也无法通过传统的cdp进行定位，因此，我们希望可以有一个相对兼容的解决办法去定位元素。

• 低侵入性

在学生端，有着rom级的mdm安全管控，对安装应用、网络进出、adb连接等待都有着严格的规则，且mdm是和供应商联合制定的，如果要对某些地方放行，会面临较大的实现成本问题，因此，我们希望整体的实现方案具有较低的侵入性。

方案对比

经过调研，具备以上要求的方案大概有以下：

• airtest

网易出品的主打图像识别的开源自动化测试框架，具备三端（web、移动、win）驱动能力；且相关ide、文档、使用经历较为齐全。

• 腾讯QTA

腾讯出品的开源自动化测试框架，具备三端驱动能力，但截至调研期间，其win端的驱动包还未放出。

• 学生端appium+教师端pywinauto

appium是老牌的移动端测试框架，pywinauto是win端的gui测试框架，他们皆可由py进行封装驱动。 但appium存在需要在移动端安装其服务apk以及通信的需求，会受到mdm管控。

• 学生端AccessibilityService+以上教师端方案

通过AccessibilityService可以实现学生端的元素控制，使得学生端可以无需连接控制设备，直接在本机即可运行，但后续扩展能力较低，且难以与教师端实现相互通信。

综合以上选择，认为 airtest

现阶段较为合适，并且由于是局域网内的大规模通信场景，对无线带宽本身就有压力，因此，对学生端的驱动方式采用有线adb而非无线的方式。

方案设计

整体架构

原本更为合适的架构形态可能是通过rpc的方式完成端对端通信（具体参见文档： 基于rpc的多端互动自动化方案 ），由于时间和人力所限，最后简化为端对端之间互不通信，学生端通过元素轮询完成教师端行为的响应，具体架构如下：

1.环境需求 ：

硬件

• 学生端执行服务器 *2台；
• 教师端执行服务器 *1台（如果也在学生端执行服务器上那么可以没有）；
• UsbHub *2台；
• 学生pad *60台；

软件

• 学生端脚本；
• 教师端脚本

网络

• 局域网环境（超脑环境）

2.执行过程：

usbhub分别连接上各30台学生端机器以及执行学生端脚本的服务器； --> 在学生端执行服务器上启动学生端脚本，此时学生端进入元素轮询状态； --> 在教师端执行服务器上启动教师端脚本，通过教师端本身的反馈判断学生端是否做完对应动作 --> 收集测试结果

脚本设计

脚本架构

脚本的基本设计采用元素映射关系、配置文件、执行步骤互相分离的方式，各端的脚本放置在xxx.air的文件夹里，通过airtest本身的启动cli执行。 脚本的目录结构 大致如下：

|-- configs（存放项目运行设置的配置文件目录）    
   |'-- run.config    
|-- logs（记录运行时log文件的目录）    
|-- templates（存放报告模板目录）      
   |'-- report_tpl.html        
|-- test_XXX.air（某个端的执行脚本）    
   |'-- action.config（某个端的运行配置）    
   |'-- element.config（某个端的元素映射文件）        
   |'-- test_xxx.py（某个端的执行动作脚本库）    
   |'-- utils.py（工具集方法）    
|-- valid_pic（存放断言用图片的目录）   
|-- run.py（总运行入口）

脚本实现能力

脚本主要实现了以下能力：

• 覆盖了学生端、教师端的互动主要场景的动作执行；
• 覆盖了互动主要场景的耗时统计；
• 教师端、学生端分别由配置文件定制主要场景的执行细节（例如执行次数，动作参数等等）
• 集成了非主要场景但是常用的工具集（例如adb连接检测，自动安装卸载apk等等）
• 。。。

关键技术点实现

• 多进程驱动学生端执行用例

由于互动场景基于1对多，在学生端这边需要多台设备进行场景互动，因此，需要同时驱动多台设备，在实现上，我们查阅了官方资料，采用了其建议的方式，通过起多个进程，每个进程分别带参执行airtest的cli命令，从而达到多设备驱动的目的。

• 图像识别下的断言

如前文，在精简的框架设计下，多端互动是通过学生端轮询元素来执行互动流程的，但是仍然需要对互动结果的正确性进行校验。这里由于框架的限制，我们只采取了单端校验，即只对教师端的互动数据进行校验，比如如果有30个学生作答成功，那么我们就对教师端的结果页面进行校验，看答题人数是否是30。

具体到校验手段，由于windows端较难获取元素属性，所以我们采用了对关键点进行ocr识别的方式，具体请见文档 在airtest中使用ocr反向识别进行断言 。

• 执行过程内性能数据的收集

数据收集是指在执行过后，需要给出场景的耗时，例如指令的接受耗时、页面的加载耗时等等，这块主要是通过在学生端设备上记录一个时间，作为开始时间，然后测试结束后，提取该设备上的日志分析，最后得出耗时数据。

• 易混淆元素的记录

由于采用的是图像识别的模式，难免遇到元素图像相似的情况，针对这种情况，采用的方法是扩大可识别范围截取元素，并使用target_pos参数更改选取区域。

应用过程问题与解决

本部分以问答的形式展现在airtest应用过程里存在的一些问题和解决办法。

1. 为什么执行windows端脚本的时候，鼠标可以移动到元素上但是执行动作失败？

在win端，airtest的底层是pywinauto，并且基本没有任何二次开发；遇到这个问题，如果排除掉本身脚本的逻辑、语法问题，那么可以试试以管理员身份运行脚本。

1. 我必须要用官方的ide嘛？

airtest虽然附带了一个官方的ide，但是非常不建议把它用作项目的ide，作为项目级的ide还是比较欠缺工程目录管理能力和基本的代码检查能力等； 建议的方法是，ide仅用作抓取元素时的录制工具，但是项目级别的管理最好还是使用知名的ide。

1. 为什么有些windows的窗口用title连接不上？

如果不是你的语法有问题，并且你“看起来”title写的也对，那么可以在识别的时候在pywinauto的底层代码里，打个断点，把所有窗口名称用bytes类型打印出来看一下； pywinauto的连接过程里，是先遍历所有窗口，然后按你的连接类型做匹配，这里打个断点，可以看一下你写的title是不是真的对，因为在实际的项目里，我们遇到了看起来是对的title名称，但是无论如何匹配不上，导致无法连接，最后用bytes模式打印出来看，发现是因为这个窗口的title前面有三个不可见字符（直接print你是看不见的）。

1. 如何提高元素的查找速度？

和传统的通过元素属性查找的方式不同，airtest是基于图像识别的，因此，在提高元素查找效率方面，方法也和传统的有些不同；一个基本的原则是，被查找的元素的截图，在整个画面里越独一无二，越具备特征性（图形的特征性而不是颜色），那么就越容易被找到；此外，在对元素的映射关系记录里，增加record_pos和resolution的值，会极大的增加查找速度和效率。

1. 怎么对没找到元素的情况进行调试？

和传统的通过元素属性的查找方式不同，基于图像识别的查找方式不存在找不到元素，对图像识别而言，它总是能找到元素的，区别只是查找到元素的匹配度（threshold）而已，airtest默认的threshold是0.7，也就是说，在他认为元素的匹配度为70%以上时，就认为找到了这个元素，才会对这个元素进行操作。 不幸的是，往往达到0.7，也不一定就是真的找到了（但达不到一般是真没找到），如果达不到匹配度，或者达到了但也不对，可以在airtest的框架里打断点。 airrtest的查找机制是先把当前待查找的界面进行截图，我们称为图1；然后再根据你的record_pos，在图1里算出待识别区域，然后把这个区域抠出来保存，我们称为图2；最后，再把你的预先截图的元素，在图2里进行查找，算出匹配度，如果匹配度在要求之上，那么就记录这个位置的坐标用于操作。 因此，我们可以分别对图1，图2设定指定的保存目录，执行一遍后看一下，到底是对比对象出了问题，还是真的我们元素截图特征还不够。