浅谈如何提升自动化测试的稳定性和可维护性 (pytest&allure)

装饰器与出错重试机制

谈到稳定性，不得不说的就是“出错重试”机制了，在自动化测试中，因为环境通常都是测试环境，常常会有各类各类的抽风状况影响测试结果，这样就为测试的稳定性带来了挑战，毕竟谁也不想本身的脚本一天到晚的出各类未知问题，而每每这种环境的抽风（一般是前端页面的响应速度和后端接口的响应速度）带来的影响是暂时的，可能上一秒失败了，下一秒你再执行又好了，在这种状况下，若是你有一个出错重试机制，起码能够在这种暂时性的影响下让你的脚本安然无恙，下面咱们具体的说一下作法。

什么是装饰器？

由于咱们的作法依赖装饰器，因此在去作以前，先简单介绍一下装饰器。

装饰器，表现形式为，在方法（或者类）的上面加上@xxx这样的语句，假如咱们已经实现了一个装饰器名叫retry，那么咱们想用它就这么用：

@retry
def test_login():
    print("test")
    error = 1/0

若是retry实现了出错再次重试（稍后再说如何实现），那么这么使用的话，就会让test_login这个case在执行出错的时候再次执行。

很神奇，让咱们来看看实现retry的代码：

def retry(func):
    def warp():
        for time in range(3):
            try:
                func()
            except:
                pass
    return warp

就结果而言，执行如下代码：

@retry
def test_login():
    print("test")
    error = 1/0

test_login()

和执行：

retry(test_login)()

是等价的，由此咱们能够看出，装饰器其实本质上就是一个函数，这个函数接收其余函数（或者类）做为参数，经过对这个函数（或者类）的调用或者修改，完成不更改原始函数而修改该函数的功能。

在这里还有一个知识点，你有没有想过，在retry内部的函数warp()，是怎么拿到func这个参数来执行的？执行retry函数return的是warp这个函数，而warp并无接受func这个传参啊。

这就是python里的闭包的概念，闭包就是指运行时自带上下文的函数，好比这里的warp这个函数，他运行的时候自带了上层函数retry传给他的func这个函数，因此才能够在运行时对func进行处理和输出。

了解了装饰器和闭包，那么下面就很容易作到对测试用例的出错重试机制了。

若是对软件测试、接口测试、自动化测试、性能测试、LR脚本开发、面试经验交流。感兴趣能够来加群：747981058，群内会有不按期的发放免费的资料连接，这些资料都是从各个技术网站搜集、整理出来的，若是你有好的学习资料能够私聊发我，我会注明出处以后分享给你们。

编写一个出错重试装饰器

如今，咱们来尝试本身编写一个用于测试用例的出错重试装饰器，代码以下：

def retry(times=3,wait_time=10):
    def warp_func(func):
        def fild_retry(*args,**kwargs):
            for time in range(times):
                try:
                    func(*args,**kwargs)
                    return 
                except:
                    time.sleep(wait_time)
        return fild_retry
    return warp_func

这个装饰器能够经过传入重试次数（times）和重试等待时间（wait_time），对待测用例实行重试机制。

pytest里的出错重试机制实现

在测试框架pytest里，已经实现了有关出错重试的策略，咱们首先须要安装一个此类的插件，在cmd内执行如下命令安装：

pip install pytest-rerunfailures

若是你须要将此机制应用到全部的用例上，那么请在执行的时候使用以下命令（reruns是重试次数）：

pytest --reruns 5

来执行你的用例；

若是你指望加上出错重试的等待时间，请使用以下命令(reruns-delay是等待时间)：

pytest --reruns 5 --reruns-delay 1

来执行你的用例；

若是你只想对某几个测试用例应用重试策略，你可使用装饰器：

@pytest.mark.flaky(reruns=5, reruns_delay=2)

例如：

@pytest.mark.flaky(reruns=5, reruns_delay=2)
def test_example():
    import random
    assert random.choice([True, False])

更详细的介绍请参阅官方文档 。

Allure里的测试用例分层

刚刚咱们实现了用例的出错重试机制，可是这仅仅解决了脚本在不稳定环境下的稳定性；若是还想要脚本变得更加容易维护，除了传统的po模式使用例和元素分离以外，咱们还能够引入测试用例分层机制。

为何要采用分层机制？

传统的po模式，仅仅实现了用例和元素分离，这必定层面上保障了用例的可维护性，起码没必要头疼于元素的变动会让用例处处失效；可是这还不够，例如，如今有三个case，他们都包含了如下步骤：登陆、打开工做台、进入我的中心；那么若是不作分层，这三个用例会把这三个步骤都写一遍，若是某天页面的变更致使其中一个步骤须要更改，那么你不得不去每一个用例里去更新那个步骤。

而若是，咱们把用例当作是堆积木，登陆、打开工做台、进入我的中心这三个步骤都只是个积木，那么咱们写用例的时候，只须要在用到这个步骤时，把积木搭上去；若是某一天，其中一个积木的步骤有变更，那么只须要去更改这个积木的内容，而无需在每一个使用了这个积木的用例里去改动。

这大大加强了用例的复用性和可维护性，这就是采用分层机制的缘由，下面，我会就allure里的分层机制作介绍来讨论具体如何实现。

allure的装饰器@step

在allure里，咱们能够经过装饰器@step完成分层机制，具体的，当你用@step装饰一个方法时，当你在用例里执行这个方法，会在报告里，表现出这个被装饰方法；而@step支持嵌套结构，这就意味着，你能够像搭积木同样去搭你的步骤，而他们都会一一在报告里被展现。

下面直接用allure的官方示例做作举例：

import allure
import pytest

from .steps import imported_step


@allure.step
def passing_step():
    pass


@allure.step
def step_with_nested_steps():
    nested_step()


@allure.step
def nested_step():
    nested_step_with_arguments(1, 'abc')


@allure.step
def nested_step_with_arguments(arg1, arg2):
    pass


def test_with_imported_step():
    passing_step()
    imported_step()


def test_with_nested_steps():
    passing_step()
    step_with_nested_steps()

运行这个case后，报告是这样的：

 

能够看到，

test_with_nested_steps由passing_step()和step_with_nested_steps()这两个方法组成；

而step_with_nested_steps()又由nested_step()组成；

nested_step()又由nested_step_with_arguments(1, 'abc')组成；

这样就像搭积木同样，组成了测试用例；而在报告里，也层级分明的标识了步骤的嵌套结构。

这样，咱们就能够经过一个又一个@step装饰的方法，组成测试用例；同时报告里也会支持层级显示；从而完成咱们的分层机制。