测试框架--教你用Python实现数据驱动1

在做自动化测试特别是接口测试的过程中，我们经常碰到这样的例子，几个用例步骤，操作完全一样，仅仅是数据和结果不一样。常规的做法是每套数据写一个测试用例。
这样弊端也非常明显，一是假如这部分用例操作需要改变，那么用例要一个个修，二就是代码很不整洁。那么有什么好的办法没？今天我们来了解下自动化测试里的数据驱动

顾名思义，数据驱动的存在就是为了解决上述问题。那么在自动化测试里，有哪些好的数据驱动库呢？

DDT (Data-Driven Tests) allows you to multiply one test case by running it with different test data, and make it appear as multiple test cases.

1.安装

1	pip install ddt

2.API
ddt作为unittest的补充，它的使用需要跟unittest结合起来。
ddt提供了如下用法：

ddt.add_test:
给一个类添加一个测试用例。

dd.ddt：
装饰类，也就是继承自TestCase的类。

ddt.data：
装饰测试方法。参数是一系列的值。

ddt.file_data：
装饰测试方法。参数是文件名。文件可以是json 或者 yaml类型。

注意，如果文件以”.yml”或者”.yaml”结尾，ddt会作为yaml类型处理，其他所有文件都会作为json文件处理。
如果文件中是列表，每个列表的值会作为测试用例参数，同时作为测试用例方法名后缀显示。
如果文件中是字典，字典的key会作为测试用例方法的后缀显示，字典的值会作为测试用例参数。

ddt.unpack：
传递的是复杂的数据结构时使用。比如使用元组或者列表，添加unpack之后，ddt会自动把元组或者列表对应到多个参数上。字典也可以这样处理。

测试用例方法名生成规则“
使用ddt后，会产生一个新的测试用例方法名：之前的测试用例方法名_ordinal_data
之前的测试用例方法名：即定义的测试用例方法名。比如def test_large()，这里就是test_large

ordinal：整数，从1开始递加。

data：
如果传递过来的数据存在name属性，则这里就是该数据的name值。如果未定义name属性，ddt会尽量将传递过来的数据转化为python标识符，作为data显示。比如（3,2）就转化为3_2。需要注意的是，如果数据是字典，则这里就是字典的key。

ddt里用的最多的就是@data 和 @file_data:

data: contains as many arguments as values you want to feed to the test.

file_data: will load test data from a JSON or YAML file.

3.举例
使用ddt很简单，你只需要在你的测试类上加装饰器@ddt，然后在你需要用数据驱动测试用例上加装饰器@data @unpack， @file_data 即可。

我们先来看看@data的用法：

#ddt_related/test_ddt.py
#先看数据直接提供部分
import unittest
from ddt import ddt, data, unpack
def larger_than_2(x):
    return x>2
def add_values(x, y):
    return x + y
@ddt
class SampleTest(unittest.TestCase):
    def setUp(self):
        pass
    def test_larger_than_2_no_para(self):
        self.assertTrue(larger_than_2(2))
    @data(3, 4, 5)
    def test_larger_than_2(self, value):
        self.assertTrue(larger_than_2(value))
    @data((1,2, 3))
    def test_add_values(self, value):
        a, b, c = value
        self.assertEqual(add_values(a, b), c)
    @data([2, 3, 6], [4,5,9])
    @unpack
    def test_add_values_unpack(self, a, b, c):
       self.assertEqual(add_values(a, b), c)
    def tearDown(self):
        pass
if __name__ == "__main__":
    unittest.main()deblock %}

我们来运行下，结合我们前面介绍过的pytest框架， commandline里运行：

1	python -m pytest ddt_related/test_ddt.py --html=report.html

结果如下：

我们从结果中可以看到，ddt自动帮我们把数据驱动的用例分解成多个用例运行，用例名称也按照一定的规则重新生成了。

再来看看@file_data的用法：

# 我们先在ddt_related文件夹下建立文件json_data.json， 内容如下：
{
  "add_test": {"a":1, "b":2, "c":3}
}
#然后我们运行用例：
@ddt
class SampleTest(unittest.TestCase):
    def setUp(self):
        pass
    @file_data(os.path.join(os.path.dirname(__file__), "json_data.json"))
    def test_add_values_unpack(self, a, b, c):
        self.assertEqual(add_values(a, b), c)
    def tearDown(self):
        pass
# command line运行 python -m pytest ddt_related/test_ddt.py  --html=report.html
#我们发现用例执行成功， 说明json文件被正确的读取和应用了。

注意， ddt的一个坏处是什么？不同的数据文件不能混淆在一个文件.
举例来说，我们实现了两个方法，一个需要1个参数，另外一个需要2个参数。

def larger_than_2(x):
    return x>2
def add_values(x, y):
    return x + y

如果你想以一个文件放2个函数的数据，例如：

# 我们先在ddt_related文件夹下建立文件json_data.json， 内容如下：
{
  "add_test": {"a":1, "b":2, "c":3}，
  "larger_than_2" :[1, 2, 3]
}

然后你运行用例，会失败如下：

1 2	TypeError: test_add_values_unpack() missing 2 required positional arguments: 'b' and 'c' TypeError: test_larger_than_2() got an unexpected keyword argument 'b'

ddt给出的解释是：

In case of a list, each value in the list will correspond to one test case, and the value will be concatenated to the test method name.
In case of a dict, keys will be used as suffixes to the name of the test case, and values will be fed as test data.

如果我们测试用例接受的参数个数不同，那么就需要建立不同的数据文件，所以从这个程度上来说，ddt也有它的局限性，那么如何规避这个问题呢？，我们可以在文件里存储数据，然后读出来后，按需放入@data来使用。

有了ddt，我们实现了用数据驱动测试，并且代码量显著减少了，确实不错，我们如果再认真一点，就会思考ddt是如何实现数据驱动的？为什么多一条数据就多一条用例？
为什么用了ddt，我测试用例的名称，在测试报告的体现，不再是原来的了，而是加了suffix？

下面我将带领大家深入了解ddt的实现，并由此自己用代码实现数据驱动，敬请期待：）