基于pytest与YAML的轻量级自动化测试工作台实战

pytest自动化测试YAML
于 2026-10-29 09:13:53 修改
·本内容遵循CC 4.0 BY-SA版权协议

1. 为什么我要自己搭一个 pytest 工作台

做自动化测试这行的朋友大概都有个共同感受:写用例本身不难,难的是让用例跑得起来、跑得清楚、跑完还能让别人看明白。我最早做接口自动化的时候,用的是最原始的方式——一个 test_xxx.py 文件里塞几十个函数,跑完看控制台输出,失败了就一行行翻日志。后来用例涨到两三百条,每次回归都像开盲盒,根本不知道哪条挂了、为什么挂。

pytest 本身已经解决了很大一部分问题:fixture 管理上下文、参数化批量生成用例、插件生态丰富。但光有 pytest 还不够,你还需要一个"工作台"——把用例组织、数据驱动、执行调度、报告输出这几件事串起来。Lounger Web Runner 就是我在这个思路下折腾出来的一个轻量方案,核心目标很明确:用 YAML 描述测试场景,用 pytest 做执行引擎,跑完自动生成 HTML 报告,整个过程不需要写大量重复的 Python 代码。

它适合什么人?如果你已经在用 pytest 写接口测试,但用例管理还停留在"复制粘贴改参数"的阶段,那这套东西能帮你省不少事。如果你刚接触自动化测试,想找一个结构清晰、容易上手的框架来练手,也可以参考这个思路。它不依赖复杂的平台,不需要部署服务,一个 Python 环境加几个依赖包就能跑起来。

我把它叫"工作台"而不是"框架",是因为它更像是一个组装方案——pytest 是发动机,YAML 是方向盘,HTML 报告是仪表盘,我只是把它们拼在一起,让整个流程跑得更顺。下面我会从设计思路开始,一步步拆解这个工作台是怎么搭起来的,包括每个环节的取舍理由、实操细节,以及我踩过的那些坑。

2. 整体设计思路与方案选型

2.1 为什么选 YAML 而不是 Excel 或 CSV

测试数据的管理方式直接决定了用例的可维护性。我试过几种方案:Excel 表格、CSV 文件、JSON、YAML,最后落在 YAML 上,原因有几个。

Excel 的问题在于版本管理和 diff 极其痛苦。两个人同时改一个表格,合并冲突基本没法看。CSV 稍微好一点,但表达嵌套结构很吃力,比如一个接口的请求体里有嵌套的 JSON,用 CSV 就得拍平,读回来还要还原,容易出错。JSON 倒是能表达嵌套,但它不支持注释,而且括号嵌套多了之后可读性直线下降。

YAML 的优势在于:支持注释、缩进即层级、表达嵌套结构自然、diff 友好。你可以直接在 YAML 文件里写 # 这是登录接口的正常场景,团队里任何人打开都能看懂。而且 pytest 生态里有 pytest-yaml 之类的插件,解析起来很方便。当然 YAML 也有坑,比如缩进必须用空格不能用 Tab、冒号后面必须跟空格,这些后面会细说。

2.2 为什么用 pytest 做执行引擎而不是自己写 runner

有人可能会想,既然用例都用 YAML 描述了,为什么不干脆自己写一个 runner 来解析和执行?我一开始也动过这个念头,后来放弃了。原因很简单:pytest 已经帮你解决了太多底层问题。

fixture 的生命周期管理、参数化、断言重写、插件钩子、并发执行(pytest-xdist)、失败重跑(pytest-rerunfailures),这些东西你自己实现一遍,少说也要几千行代码,而且稳定性未必比 pytest 好。用 pytest 做引擎,你只需要写一个"翻译层"——把 YAML 里的场景翻译成 pytest 能识别的参数化用例,剩下的交给 pytest 就行。

具体做法是:写一个 test_runner.py,里面用 @pytest.mark.parametrize 读取 YAML 文件中的所有场景,每个场景生成一条测试用例。这样 pytest 的收集机制会自动帮你把用例列出来,执行、报告、重跑全部复用现成能力。

2.3 HTML 报告方案:allure 还是自研

报告这块我纠结过一阵。allure 功能强大,但依赖 Java 环境,部署起来多一层麻烦。pytest-html 轻量,但样式比较朴素,而且定制化程度有限。最后我选了一个折中方案:用 pytest-html 生成基础报告,再通过钩子函数往报告里注入自定义信息,比如请求参数、响应内容、耗时统计。

这样做的好处是不引入额外依赖,报告直接是一个 HTML 文件,发给谁都能打开看。如果你团队已经在用 allure,也可以直接换成 allure-pytest,YAML 解析层不用动,只改报告插件就行。这就是分层设计的好处——每一层都可以独立替换。

2.4 目录结构设计

整个工作台的目录结构是这样的:

TEXT
lounger-web-runner/
├── cases/ # YAML 用例文件
│ ├── user_login.yaml
│ ├── order_query.yaml
│ └── ...
├── core/ # 核心执行逻辑
│ ├── parser.py # YAML 解析器
│ ├── executor.py # 请求执行器
│ └── assertions.py # 断言引擎
├── test_runner.py # pytest 入口
├── conftest.py # fixture 定义
├── config.yaml # 全局配置(base_url、超时等)
├── requirements.txt
└── reports/ # 报告输出目录

这个结构的设计原则是:用例与代码分离。写用例的人只需要关心 cases/ 目录下的 YAML 文件,不需要懂 Python。改框架逻辑的人只需要动 core/ 目录,不会影响已有用例。conftest.py 里放全局 fixture,比如 session 级别的 HTTP 客户端、数据库连接等。

3. 核心模块拆解与实操要点

3.1 YAML 用例格式设计

一个 YAML 用例文件的结构大概长这样:

YAML
# cases/user_login.yaml
module: 用户模块
base_url: https://api.example.com
 
scenarios:
- name: 正常登录
request:
method: POST
path: /api/v1/login
headers:
Content-Type: application/json
body:
username: "testuser"
password: "Test@123"
assertions:
- type: status_code
expected: 200
- type: json_path
path: "$.code"
expected: 0
- type: json_path
path: "$.data.token"
operator: not_empty
 
- name: 密码错误
request:
method: POST
path: /api/v1/login
body:
username: "testuser"
password: "wrong_password"
assertions:
- type: status_code
expected: 200
- type: json_path
path: "$.code"
expected: 1001
- type: json_path
path: "$.message"
expected: "用户名或密码错误"

这里有几个设计决策值得说明。module 字段用于报告分组,base_url 允许每个文件覆盖全局配置。scenarios 是一个列表,每个元素就是一条测试用例。request 里描述请求的四要素:方法、路径、头、体。assertions 是一个断言列表,支持多种断言类型。

断言类型我目前实现了这几种:status_code(状态码比对)、json_path(JSON 路径提取后比对)、contains(字符串包含)、response_time(响应时间上限)。json_path 用的是 jsonpath-ng 库,支持 $.data.list[0].id 这种写法。operator 字段支持 eq(默认)、not_empty、gt、lt、contains 等操作符。

注意:YAML 里的字符串如果包含特殊字符(比如冒号、花括号),一定要用引号包起来。我踩过一次坑,expected: "用户名或密码错误" 没加引号,YAML 解析器把冒号当成了键值分隔符,直接报错。

3.2 YAML 解析器的实现

解析器的核心任务是把 YAML 文件读进来,做基本的格式校验,然后输出一个标准化的场景列表。代码不复杂,但有几个细节要注意。

PYTHON
# core/parser.py
import yaml
import os
from pathlib import Path
 
class CaseParser:
def __init__(self, cases_dir):
self.cases_dir = Path(cases_dir)
self.global_config = self._load_global_config()
 
def _load_global_config(self):
config_path = self.cases_dir.parent / "config.yaml"
if config_path.exists():
with open(config_path, "r", encoding="utf-8") as f:
return yaml.safe_load(f) or {}
return {}
 
def load_all_cases(self):
all_scenarios = []
for yaml_file in sorted(self.cases_dir.glob("*.yaml")):
scenarios = self._parse_file(yaml_file)
all_scenarios.extend(scenarios)
return all_scenarios
 
def _parse_file(self, file_path):
with open(file_path, "r", encoding="utf-8") as f:
data = yaml.safe_load(f)
 
if not data or "scenarios" not in data:
return []
 
module = data.get("module", file_path.stem)
base_url = data.get("base_url", self.global_config.get("base_url", ""))
 
scenarios = []
for idx, scenario in enumerate(data["scenarios"]):
scenario["_module"] = module
scenario["_base_url"] = base_url
scenario["_source_file"] = file_path.name
scenario["_index"] = idx
scenarios.append(scenario)
return scenarios

这里用 yaml.safe_load 而不是 yaml.load,是因为后者存在安全风险,可能执行任意代码。safe_load 只解析基本数据类型,足够我们用了。

_parse_file 里给每个场景注入了几个内部字段:_module、_base_url、_source_file、_index。这些字段在生成报告时用来标识用例来源,方便定位问题。用下划线开头是为了和用户自定义字段区分开。

3.3 请求执行器的封装

执行器负责把 YAML 里的 request 描述翻译成实际的 HTTP 请求。我用的是 requests 库,封装了一个 RequestExecutor 类。

PYTHON
# core/executor.py
import requests
import time
 
class RequestExecutor:
def __init__(self, timeout=30):
self.timeout = timeout
self.session = requests.Session()
 
def execute(self, request_spec, base_url=""):
method = request_spec.get("method", "GET").upper()
path = request_spec.get("path", "")
url = base_url.rstrip("/") + "/" + path.lstrip("/")
headers = request_spec.get("headers", {})
body = request_spec.get("body", None)
params = request_spec.get("params", None)
 
start_time = time.time()
try:
response = self.session.request(
method=method,
url=url,
headers=headers,
json=body if method in ("POST", "PUT", "PATCH") else None,
params=params,
timeout=self.timeout
)
elapsed = time.time() - start_time
return {
"status_code": response.status_code,
"headers": dict(response.headers),
"body": self._parse_body(response),
"elapsed": round(elapsed, 3),
"error": None
}
except requests.exceptions.Timeout:
return {"status_code": None, "body": None, "elapsed": self.timeout, "error": "请求超时"}
except requests.exceptions.ConnectionError as e:
return {"status_code": None, "body": None, "elapsed": 0, "error": f"连接失败: {e}"}
 
def _parse_body(self, response):
try:
return response.json()
except ValueError:
return response.text

这里有几个实操要点。第一,用 requests.Session() 而不是每次新建连接,可以复用 TCP 连接,在批量执行时能明显提速。第二,json=body 会自动设置 Content-Type: application/json,但如果 YAML 里已经指定了 headers,以 YAML 为准。第三,异常处理要区分超时和连接失败,这两种情况的排查方向完全不同。

实操心得:timeout 参数建议设成元组 (连接超时, 读取超时),比如 (5, 30)。连接超时设短一点,因为连不上就是连不上,等太久没意义;读取超时设长一点,给服务端处理时间。我一开始统一设 30 秒,结果某个接口挂了之后,整个测试套件卡了十几分钟。

3.4 断言引擎的实现

断言引擎是整套东西里最需要仔细设计的部分。因为 YAML 里描述的是"期望什么",而实际响应是"得到了什么",中间的比对逻辑要足够灵活。

PYTHON
# core/assertions.py
from jsonpath_ng import parse as jsonpath_parse
 
class AssertionEngine:
def __init__(self):
self.results = []
 
def run(self, response, assertions):
self.results = []
for assertion in assertions:
result = self._check_one(response, assertion)
self.results.append(result)
return self.results
 
def _check_one(self, response, assertion):
a_type = assertion.get("type")
expected = assertion.get("expected")
operator = assertion.get("operator", "eq")
 
if a_type == "status_code":
actual = response.get("status_code")
passed = self._compare(actual, expected, operator)
return {"type": a_type, "expected": expected, "actual": actual, "passed": passed}
 
if a_type == "json_path":
path = assertion.get("path")
actual = self._extract_jsonpath(response.get("body"), path)
passed = self._compare(actual, expected, operator)
return {"type": a_type, "path": path, "expected": expected, "actual": actual, "passed": passed}
 
if a_type == "response_time":
actual = response.get("elapsed")
passed = self._compare(actual, expected, "lt")
return {"type": a_type, "expected": f"< {expected}s", "actual": f"{actual}s", "passed": passed}
 
return {"type": a_type, "passed": False, "error": f"未知断言类型: {a_type}"}
 
def _extract_jsonpath(self, body, path):
if body is None:
return None
try:
matches = jsonpath_parse(path).find(body)
return matches[0].value if matches else None
except Exception:
return None
 
def _compare(self, actual, expected, operator):
if operator == "eq":
return actual == expected
if operator == "not_empty":
return actual is not None and actual != ""
if operator == "gt":
return actual is not None and actual > expected
if operator == "lt":
return actual is not None and actual < expected
if operator == "contains":
return expected in str(actual)
return False

jsonpath_parse 来自 jsonpath-ng 库,需要 pip install jsonpath-ng。它的语法和 JavaScript 里的 JSONPath 基本一致,$ 表示根节点,.data.token 表示逐层取值,[0] 表示数组下标。

断言结果用一个列表返回,每条包含 type、expected、actual、passed 四个字段。这个结构在生成 HTML 报告时直接渲染成表格,一目了然。

3.5 pytest 入口的桥接

这是把 YAML 和 pytest 连起来的关键一步。核心思路是用 @pytest.mark.parametrize 动态生成用例。

PYTHON
# test_runner.py
import pytest
from core.parser import CaseParser
from core.executor import RequestExecutor
from core.assertions import AssertionEngine
 
parser = CaseParser("cases")
ALL_SCENARIOS = parser.load_all_cases()
 
def scenario_id(scenario):
return f"{scenario['_module']}::{scenario['name']}"
 
@pytest.mark.parametrize("scenario", ALL_SCENARIOS, ids=scenario_id)
def test_scenario(scenario, executor, assertion_engine):
request_spec = scenario.get("request", {})
base_url = scenario.get("_base_url", "")
 
response = executor.execute(request_spec, base_url)
assertions = scenario.get("assertions", [])
results = assertion_engine.run(response, assertions)
 
failed = [r for r in results if not r["passed"]]
if failed:
msg_lines = [f"场景 [{scenario['name']}] 断言失败:"]
for f in failed:
msg_lines.append(f" - {f['type']}: 期望 {f.get('expected')}, 实际 {f.get('actual')}")
pytest.fail("\n".join(msg_lines))

scenario_id 函数用来生成可读的用例 ID,pytest 在报告里会显示这个 ID。格式是 模块名::场景名,比如 用户模块::正常登录。这样在报告里一眼就能看出哪条挂了。

conftest.py 里定义 fixture:

PYTHON
# conftest.py
import pytest
from core.executor import RequestExecutor
from core.assertions import AssertionEngine
 
@pytest.fixture(scope="session")
def executor():
return RequestExecutor(timeout=(5, 30))
 
@pytest.fixture(scope="function")
def assertion_engine():
return AssertionEngine()

executor 用 session 级别,整个测试过程共用一个 Session,复用连接。assertion_engine 用 function 级别,每条用例独立,避免状态污染。

4. 完整实操流程与关键环节

4.1 环境搭建与依赖安装

先把项目骨架建起来。Python 版本建议 3.8 以上,我用的是 3.10。

BASH
mkdir lounger-web-runner && cd lounger-web-runner
python -m venv venv
source venv/bin/activate # Windows 用 venv\Scripts\activate

requirements.txt 内容:

TEXT
pytest>=7.0
requests>=2.28
PyYAML>=6.0
jsonpath-ng>=1.5
pytest-html>=3.1

安装:

BASH
pip install -r requirements.txt

这里解释一下每个依赖的作用。pytest 是执行引擎,requests 发 HTTP 请求,PyYAML 解析 YAML 文件,jsonpath-ng 做 JSON 路径提取,pytest-html 生成 HTML 报告。五个包,没有多余的东西。

注意:jsonpath-ng 和另一个叫 jsonpath 的库不是同一个东西,装错了会报 ModuleNotFoundError。认准 jsonpath-ng,import 的时候写 from jsonpath_ng import parse。

4.2 全局配置文件

config.yaml 放全局配置:

YAML
base_url: https://api.example.com
timeout:
connect: 5
read: 30
report:
title: "Lounger Web Runner 测试报告"
output_dir: reports

解析器会读取这个文件,base_url 作为默认值,用例文件里可以覆盖。timeout 传给 RequestExecutor。report 里的配置在生成报告时用。

4.3 编写第一条 YAML 用例

从最简单的开始,一个查询接口:

YAML
# cases/order_query.yaml
module: 订单模块
base_url: https://api.example.com
 
scenarios:
- name: 查询订单列表-正常
request:
method: GET
path: /api/v1/orders
params:
page: 1
size: 10
headers:
Authorization: "Bearer test_token_xxx"
assertions:
- type: status_code
expected: 200
- type: json_path
path: "$.code"
expected: 0
- type: json_path
path: "$.data.list"
operator: not_empty
- type: response_time
expected: 2.0

这条用例覆盖了四种断言:状态码、业务码、数据非空、响应时间。response_time 的 expected 是 2.0,配合默认的 lt 操作符,意思是响应时间必须小于 2 秒。

4.4 执行测试与查看报告

执行命令:

BASH
pytest test_runner.py -v --html=reports/report.html --self-contained-html

-v 显示详细输出,--html 指定报告路径,--self-contained-html 把 CSS 和 JS 内联到 HTML 里,这样报告文件可以直接发给别人,不依赖外部资源。

执行完之后,终端输出大概是这样:

TEXT
test_runner.py::test_scenario[订单模块::查询订单列表-正常] PASSED
test_runner.py::test_scenario[用户模块::正常登录] PASSED
test_runner.py::test_scenario[用户模块::密码错误] PASSED

打开 reports/report.html,能看到每条用例的执行状态、耗时、断言详情。失败的用例会展开显示具体哪条断言没过、期望值是什么、实际值是什么。

4.5 参数化与数据驱动进阶

基础版跑通之后,下一步是处理"同一接口、多组数据"的场景。比如登录接口要测正常、密码错、用户不存在、账号锁定四种情况。最笨的办法是写四个 scenario,但这样 YAML 文件会很长。

更好的做法是在 YAML 里用变量:

YAML
scenarios:
- name: "登录-{case_name}"
variables:
- case_name: 正常登录
username: "testuser"
password: "Test@123"
expected_code: 0
- case_name: 密码错误
username: "testuser"
password: "wrong"
expected_code: 1001
- case_name: 用户不存在
username: "nobody"
password: "whatever"
expected_code: 1002
request:
method: POST
path: /api/v1/login
body:
username: "{username}"
password: "{password}"
assertions:
- type: json_path
path: "$.code"
expected: "{expected_code}"

解析器在加载时,遇到有 variables 的场景,就展开成多条用例。{username} 这种占位符在展开时替换成实际值。这样一份 YAML 描述四组数据,维护起来清爽很多。

实现上,在 _parse_file 里加一段展开逻辑:

PYTHON
def _expand_variables(self, scenario):
variables = scenario.get("variables")
if not variables:
return [scenario]
 
expanded = []
for var_set in variables:
new_scenario = dict(scenario)
new_scenario.pop("variables", None)
new_scenario["name"] = scenario["name"].format(**var_set)
new_scenario["request"] = self._replace_placeholders(scenario["request"], var_set)
new_scenario["assertions"] = self._replace_placeholders(scenario["assertions"], var_set)
expanded.append(new_scenario)
return expanded

_replace_placeholders 递归遍历字典和列表,把字符串里的 {key} 替换成 var_set[key]。这个逻辑不复杂,但要注意处理嵌套结构,以及非字符串类型直接返回原值。

4.6 用例依赖与上下文传递

实际测试中经常有这种需求:先登录拿到 token,后续接口带着 token 请求。这就涉及用例之间的上下文传递。

我的做法是在 YAML 里加一个 extract 字段:

YAML
scenarios:
- name: 登录并提取token
request:
method: POST
path: /api/v1/login
body:
username: "testuser"
password: "Test@123"
extract:
token: "$.data.token"
assertions:
- type: json_path
path: "$.code"
expected: 0
 
- name: 用token查询用户信息
request:
method: GET
path: /api/v1/user/info
headers:
Authorization: "Bearer {token}"
assertions:
- type: status_code
expected: 200

extract 里的 token 会从响应中提取出来,存到一个全局上下文里。后续场景的 {token} 占位符会从上下文取值。实现上用一个 session 级别的字典 context 来存,在 test_scenario 里先做占位符替换,再发请求,请求完如果有 extract 就更新上下文。

实操心得:上下文传递要注意执行顺序。pytest 默认按参数化列表的顺序执行,但如果你用了 pytest-xdist 并发执行,顺序就不保证了。所以有依赖关系的用例,要么串行执行,要么把依赖数据提前准备好(比如用 fixture 在 session 开始时登录一次,把 token 存到全局)。

5. 常见问题与排查技巧实录

5.1 YAML 格式问题速查

YAML 的格式要求比较严格,新手最容易在这里翻车。我整理了一个速查表:

问题现象 原因 解决方法
yaml.scanner.ScannerError 缩进用了 Tab 全部换成空格,建议统一 2 空格
mapping values are not allowed here 冒号后面没跟空格 写成 key: value 而不是 key:value
中文乱码 文件编码不是 UTF-8 保存时选 UTF-8,读取时指定 encoding="utf-8"
布尔值被误解析 yes/no/on/off 被当成布尔 加引号写成 "yes"
数字被当成字符串 长数字或前导零 加引号或显式转换

注意:YAML 里 yes、no、true、false、on、off 都会被解析成布尔值。如果你有个字段值就是字符串 "no",不加引号会变成 False,排查起来很费时间。

5.2 断言失败的排查思路

断言失败是最常见的,排查要按顺序来。先看状态码,如果状态码不是 200,说明请求本身有问题——可能是 URL 错了、token 过期了、参数格式不对。再看响应体,如果状态码对但业务码不对,说明业务逻辑有问题——可能是数据状态不对、权限不够。最后看具体字段,如果业务码对但某个字段值不对,说明数据本身有问题。

我在 test_scenario 里把失败信息拼得比较详细,包括场景名、断言类型、期望值、实际值。但有时候还需要看完整的响应体,这时候可以在 pytest.fail 之前把 response["body"] 也打出来。不过要注意,如果响应体很大,打出来会刷屏,建议只打前 500 个字符。

5.3 超时与连接问题的处理

超时问题分两种:连接超时和读取超时。连接超时通常是网络不通或服务没起来,读取超时通常是服务端处理太慢。排查方法不同。

连接超时的话,先用 curl 或 Postman 手动请求一下,确认服务是否可达。如果手动能通但脚本不通,检查代理设置、DNS 解析、防火墙规则。读取超时的话,看服务端日志,确认是哪个环节慢。如果是数据库查询慢,优化 SQL;如果是外部依赖慢,考虑加缓存或异步处理。

在 RequestExecutor 里,我把超时设成元组 (5, 30),连接超时 5 秒,读取超时 30 秒。这个配置对大部分接口够用。如果某个接口特别慢,可以在 YAML 里单独指定 timeout 字段覆盖全局配置。

5.4 报告里用例名重复的问题

pytest 用 ids 参数生成用例 ID,如果两个场景的 module 和 name 完全一样,ID 就会重复,pytest 会报错。解决办法是在 scenario_id 里加上文件来源和索引:

PYTHON
def scenario_id(scenario):
return f"{scenario['_source_file']}::{scenario['_module']}::{scenario['name']}::{scenario['_index']}"

这样即使场景名一样,只要来源文件或索引不同,ID 就唯一。不过 ID 太长也不好看,实际用的时候可以只加索引,不加文件名。

5.5 并发执行时的坑

用 pytest-xdist 并发执行能大幅缩短回归时间,但有几个坑要注意。第一,有依赖关系的用例不能并发,否则上下文传递会乱。第二,共享资源(比如同一个测试账号)并发操作可能冲突。第三,报告合并需要额外配置。

我的建议是:无依赖的用例用 -n auto 并发跑,有依赖的用例单独放一个文件,串行跑。或者干脆全部串行,用 pytest-rerunfailures 处理偶发失败。回归测试嘛,稳定性比速度重要。

BASH
# 并发执行
pytest test_runner.py -n auto --html=reports/report.html
 
# 失败重跑
pytest test_runner.py --reruns 2 --reruns-delay 1

--reruns 2 表示失败后重跑两次,--reruns-delay 1 表示每次重跑间隔 1 秒。这两个参数配合使用,能过滤掉大部分网络抖动导致的偶发失败。

6. 我踩过的坑和几条实用建议

先说一个最坑的:YAML 里的 null 和空字符串。我有个接口的某个字段期望值是空字符串 "",YAML 里写 expected: "" 没问题,但有一次手滑写成了 expected:,解析出来是 None,断言就挂了。排查了半天才发现是 YAML 把空值解析成了 None。所以期望值是空字符串的时候,一定要显式写 ""。

第二个坑是 JSONPath 的数组下标。$.data.list[0].id 这种写法,如果 list 是空数组,jsonpath_ng 返回的是空列表,matches[0] 会抛 IndexError。我在 _extract_jsonpath 里加了 try-except,返回 None,断言自然就失败了,不会让整个用例报错。这个处理方式不一定最优,但至少不会因为一个字段缺失导致整个测试中断。

第三个坑是请求头的 Content-Type。用 requests 的 json= 参数发请求时,它会自动设置 Content-Type: application/json。但如果 YAML 里也写了 Content-Type,而且写的是 application/json; charset=utf-8,两个头会冲突,服务端可能解析失败。我的做法是:如果 YAML 里指定了 Content-Type,就以 YAML 为准,requests 的自动设置会被覆盖。所以 YAML 里要么不写,要么写完整。

第四个坑是报告里的中文乱码。pytest-html 默认用 UTF-8 编码,但如果你的终端或浏览器编码不对,中文会显示成乱码。解决办法是在 HTML 报告的 <head> 里加 <meta charset="UTF-8">。pytest-html 新版本已经默认加了,老版本需要手动配置。

最后分享一个提高用例编写效率的小技巧:用 pytest --collect-only 先检查用例收集情况。这个命令不会执行用例,只列出 pytest 收集到了哪些用例。写完 YAML 之后先跑一下,确认用例数量对、ID 对,再执行。这样能提前发现 YAML 格式问题,不用等到执行时才报错。

BASH
pytest test_runner.py --collect-only -q

输出大概是这样:

TEXT
test_runner.py::test_scenario[订单模块::查询订单列表-正常]
test_runner.py::test_scenario[用户模块::正常登录]
test_runner.py::test_scenario[用户模块::密码错误]

三条用例,ID 清晰,说明 YAML 解析没问题。如果少了几条,或者 ID 里有乱码,就回去检查 YAML 文件。

这套工作台我用了大半年,从最初的几十条用例涨到现在的四百多条,整体还算稳定。它不是什么高大上的平台,但胜在简单、透明、可控。每一层逻辑你都能看到,出了问题也知道去哪里改。如果你也在用 pytest 做自动化测试,不妨按这个思路搭一个自己的版本,根据团队情况调整细节。工具是死的,思路是活的,适合自己的才是最好的。

基于Python+Open CV的手势识别算法设计
伴随着人工智能时代的到来,人机交互的领域也逐渐成为研究的一大方向;其中,手势识别是人机交互领域的一项关键技术,自此手势识别也迎来了一波高潮,近几年无论是在消费领域、电子领域、数码领域、家电领域甚至汽车领域上,都能或多或少的见到手势识别的身影。 手势识别在设计智能高效的人机界面方面具有至关重要的作用, 目前手势识别已应用到手语识别、智能监控、到虚拟现实等各个领域,手势识别的原理都是利用各种传感器(例如红外、摄像头等)对手部的形态进行捕捉并进行建模,形成一个模型信息的序列帧,而后将这些信息序列转换为机器能够识别的相对应指令(例如打开、切换菜单、移动等)来完成控制。 采用Python的集成开发环境Pycharm进行本次课程设计,在Pycharm中进行需要库(模块)的下载,调取电脑摄像头,按帧读取摄像头采集到的头像,形态学处理,图像旋转(由于摄像头采集到的图像是镜像,需要用cv2.flip将摄像头采集到的图像进行处理),选取图片中固定位置作为手势输入,用红线画出手势识别框,基于hsv的肤色检测,进行高斯滤波,找出轮廓,求出图像中手势的凹凸点,手指间角度求取。
努力学习前端的小陈
ArcGIS Pro入门制图教程
地理信息系统 (GIS) 是一种使用地图显示和分析数据的方式。在本教程中,您将学习桌面 GIS 应用程序 ArcGIS Pro 的基础知识。新加坡的一家旅行社希望制作一款宣传册,用于向游客介绍距离市中心热门目的地最近的火车站。该宣传册将与带有文本信息的地图相结合,并在城市的自助设备中出售。您将帮助该旅行社绘制旅游景点的地图,分析其与火车站的距离以及更改地图的外观以使其在视觉上更具吸引力。在 ArcGIS Pro 中,地图和数据通常被组织在一个工程中。开始制作地图之前,您将创建一个工程。
科研online
ArcGIS Pro 布局创建与地图加载全流程解析
本文详细解析了ArcGIS Pro中布局创建与地图加载的全流程。针对从ArcMap转来的用户,重点阐述了布局与地图解耦的核心设计理念,并提供了从新建布局、设置参考比例尺、加载地图框到深度控制与精细化排版的实用技巧,帮助用户高效制作专业地图。
您的账号已被封禁
ArcGIS PRO布局视图避坑指南:地图框添加与专题图制作的5个关键步骤
本文针对ArcGIS PRO用户在布局视图中制作专题图时遇到的常见问题,提供了地图框添加与专题图制作的5个关键步骤避坑指南。从理解布局视图思维、数据框预处理、地图元素协同配置,到深化视觉层次与最终输出检查,系统讲解了如何高效产出严谨美观的专业地图,帮助用户跨越从数据分析到地图输出的最后一公里。
冰炭不同炉
ROS-CV-ImageConverter:将ROS图像转换为OpenCV(cv :: Mat)类型的图像
ROS-CV图像转换器 依存关系 cv_bridge(ROS软件包)
Willis Wang
计算机视觉图像处理-CV2与图像插值算法
用最近邻插值与双线性插值原理完成图像缩放 最近邻插值,是指将目标图像中的点,对应到源图像中后,找到最相邻的整数点,作为插值后的输。缺点:使用最近邻插值算法处理图像放大时,在图象中可能出现明显的块状效应 双线性插值,在两个方向上做三次线性插值。使用双线性插值算法处理图像放大时,在图象中可能出现马赛克 代码 import cv2 img = cv2.imread(’./xiabang.jpg’, cv2.IMREAD_UNCHANGED) #缩放比例 scale_percent = 0.3 width = int(img.shape[1] * scale_percent) height = int
weixin_38697274
基于水平集CV模型的图像分割(Matlab代码)
基于水平集CV模型的图像分割(Matlab代码),全套代码
小宇QAQ
导向滤波(guide_filter)的python实现
导向滤波(guide_filter)的python实现,可以结合暗通道;理论实现比较好的图像去噪效果。
zachzhan_g
ArcGIS Pro 如何新建布局
你是否已经习惯了在ArcGIS中数据视图和布局视图之间来回切换,到了ArcGIS Pro中却找不到二者之间切换的按钮,即使新建布局后却发现地图怎么却是一片空白。从上面的图中可以看到,虽然新建了布局,但是地图还是空白的,如果想要显示地图还需要加载一下,将地图加载进来。在新建的布局上绘制一个框,作为地图显示的范围,绘制后可以看到地图已经完成加载,如下图所示。在菜单栏上选择插入,点击新建布局下拉箭头,选择一个合适的尺寸,如下图所示。点击后完成布局的新建,新建的布局如下图所示。
水经注GIS
ArcGIS Pro数据修复与图层管理实战指南
本文是ArcGIS Pro数据修复与图层管理的实战指南。针对数据源丢失导致的“红色叹号”问题,详细讲解了一键批量修复和进阶手动修复策略,并分享了使用相对路径、打包工程等防患于未然的黄金法则。同时,深入介绍了如何利用图层组进行高效的地图内容组织、比例尺控制与批量操作,帮助用户构建清晰、智能的专业地图,大幅提升GIS项目管理效率。
Tomato
ArcGIS Pro布局设计实战:从空白页面到专业地图输出的完整工作流
本文详细解析了ArcGIS Pro中从“新建布局”开始,到输出专业地图的完整工作流。内容涵盖布局哲学、地图框深度运用、制图元素集成及视觉排版等核心环节,旨在帮助中级用户掌握项目驱动的现代化制图方法,实现从数据到出版级地图的精准转化。
AnjneyMidha
ArcGIS PRO布局视图避坑指南:地图框添加与坐标系设置的5个常见错误
本文针对ArcGIS PRO用户在布局视图中常遇的难题,重点解析了地图框添加与坐标系设置的5个常见错误。从地图框的创建逻辑、坐标系冲突的根源剖析,到地图范围控制、元素联动更新以及打印导出设置,提供了一套完整的避坑指南与实战解决方案,帮助用户高效、精准地完成地图制图与输出工作。
重离子猫猫
ArcGIS Pro布局设计避坑指南:为什么你的地图总是显示空白?
本文深入解析ArcGIS Pro布局设计中地图显示空白的常见问题,提供从基础操作到高级排错的完整解决方案。重点讲解地图框的正确使用方法、布局元素配置技巧,以及多地图框协同工作等进阶功能,帮助用户快速掌握专业地图制作的核心技术。
习翔宇
CV算法(MATLAB)
chan 和 vese 提出的经典CV模型
beastLOVE
GrabCut:使用opencv-python cv2.grabCut交互式剪切图像
GrabCut 使用opencv-python cv2.grabCut交互式剪切图像
Aaron Gary
Opencv-Python图像透视变换cv2.warpPerspective的示例
今天小编就为大家分享一篇关于Opencv-Python图像透视变换cv2.warpPerspective的示例,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
weixin_38711369
leetcodecv-Kylin:CV算法岗面经&LeetCode刷题总结
leetcode cv Kylin CV算法岗面经 & LeetCode刷题总结 不断更新中。。。。 面试&笔试经验 LeetCode
weixin_38499553
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS.pdf
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS真的很不错,
weixin_43905342
ArcGIS布局视图方向调整与优化技巧
地图布局方向是GIS制图的基础设置,直接影响空间数据的可视化效果。横向(Landscape)和竖向(Portrait)布局通过调整页面长宽比例,可优化不同地理要素的展示方式。在ArcGIS等专业制图软件中,方向设置会联动影响比例尺、图例等核心元素的自动适配逻辑。本文以A4纸张为例,详解通过页面设置、Python脚本批处理等技术手段实现布局方向的高效调整,并针对比例尺失准、图例溢出等典型问题提供工程解决方案。特别适用于带状区域地图制作等需要最大化利用版面空间的场景,可提升40%以上的图面利用率。
塞音菩光
ArcGIS Pro 3.4必学新功能:符号系统与布局视图的可见性联动(含省时技巧)
ArcGIS Pro 3.4引入了符号系统与布局视图的可见性联动功能,通过唯一值符号化和复选框控制,实现原子级要素显示/隐藏。这一创新极大提升了制图效率,支持在符号系统窗格、内容窗格和布局视图中同步操作,特别适合城市规划、环境监测等需要动态展示的场景。
t8u9v0
ArcGIS Pro 布局创建与地图加载全攻略
本文详细解析了ArcGIS Pro中布局与地图分离的设计哲学,并提供了从新建布局到加载地图的完整操作指南。重点介绍了如何通过“插入”选项卡新建布局、选择合适的页面尺寸,以及使用地图框工具将项目中的地图动态链接至布局。文章还涵盖了地图范围控制、比例尺锁定、图例添加等深度定制技巧,帮助用户高效创建专业地图并导出为高质量成果。
milk8
ArcGIS多图布局实战:从数据框管理到批量导出的完整指南
在地理信息系统(GIS)制图领域,将多张地图高效整合到单一版面是提升分析报告专业性与表现力的关键技术。其核心原理在于理解并运用数据框与布局视图的分离机制,通过独立的数据框承载不同区域或专题的地理数据,并在统一的布局视图中进行精确排版与视觉整合。这项技术的核心价值在于实现了制图流程的标准化与自动化,避免了传统拼图方式带来的效率低下与更新困难问题,尤其适用于区域对比、时间序列分析、综合评估报告等需要多视角、多维度展示地理信息的应用场景。本文聚焦于ArcGIS Pro平台,深入剖析了多图布局中数据框范围联动、地图
aaa1231722
monolithic-cv:CV算法的集合
单片-cv 计算机视觉算法转储
晨曦姜
改进的cv图像分割
改进的cv图像分割,对学习cv模型有帮助
a904235765
C++实现基于暗通道与导向滤波的图像去雾算法
资源下载链接为: https://pan.quark.cn/s/1bfadf00ae14 在图像处理领域,图像去雾技术用于消除大气散射导致的模糊,提升图像清晰度和视觉质量。本文将介绍一种基于暗通道和导向滤波的图像去雾算法,并探讨如何使用C++和OpenCV库实现。 暗通道理论由Jia等人于2006年提出。他们发现自然场景中存在一些低亮度像素,通常位于无直射光区域。这些像素被称为暗通道像素,可用于估计大气散射模型中的透射率。具体方法是将图像分块,在每块中找到最暗像素值作为暗通道像素。 大气散射模型是图像去雾的基础,描述了光线在大气中传播时的散射影响。模型公式为: I(x)=T(x)×J(x)+A×(1−T(x)) 其中,T(x)是透射率,J(x)是无雾图像亮度,A是全局大气光。透射率与散射程度成反比,无雾图像亮度反映物体本身色彩。 利用暗通道先验,可以近似估计透射率。假设D(x)为暗通道像素,透射率T(x)可通过迭代公式计算: T k+1 (x)= max(D)+ϵ D(x) +(1− max(D)+ϵ D(x) )×T k (x) 其中,k是迭代次数,ϵ是小常数,用于避免除零。 估计透射率后,使用导向滤波器平滑透射率图,减少噪声和边缘失真。导向滤波是一种自适应局部滤波方法,可保持图像边缘细节,同时进行平滑处理。在图像去雾中,它根据图像梯度信息指导滤波过程,更好地恢复图像清晰度。 通过大气散射模型,可得到去雾后的图像: J out (x)= T(x) I(x)−A×(1−T(x)) +A 在C++中,可借助OpenCV库处理图像数据。首先读取输入图像,然后提取暗通道,估计透射率,应用导向滤波,最终恢复无雾图像。OpenCV提供了丰富的图像处理函数,如cv::split用于分离通道,cv::min用于找最小值,cv::filter2D用于导向滤波,cv::imwrite用于保存
KaiyuanCode
cv模型图像分割matlab源程序
cv模型 matlab 图像分割源码,逻辑清晰,注释详尽。
phoenix01
CV图像分割
从pud找到的CV图像分割代码,代码的通过较少的迭代次数就可以实现图像的分割,对学习CV分割有帮助。
a904235765
ArcGIS Pro 3.0 布局视图实战:5分钟搞定专业地图的图例、比例尺与指北针
本文详细介绍了ArcGIS Pro 3.0布局视图的实战技巧,帮助用户在5分钟内高效添加图例、比例尺与指北针,打造专业地图。通过智能图例、动态比例尺和现代化指北针设计,提升制图效率与美观度,特别适合GIS初学者和从ArcMap迁移的用户。
weixin_30652491
ArcGIS Pro界面突然消失?3种恢复方法+自定义布局技巧
本文针对ArcGIS Pro用户常见的操作界面元素突然消失问题,提供了三种核心恢复方法:通过“视图”功能区一键唤回、利用“重置窗格”命令恢复默认布局,以及通过应用程序设置进行深度恢复。文章还深入讲解了如何通过停靠、分组窗格以及自定义功能区等技巧,打造高效个性化的操作界面,帮助用户从被动解决问题转向主动优化工作环境。
nnn11
TSMaster MBD模块实战:如何用Simulink模型快速搭建汽车电子测试环境
本文实战演示了如何利用TSMaster的MBD模块,将Simulink模型快速部署为汽车电子自动化测试环境的核心。通过建立模型与TSMaster系统变量的实时数据通道,并利用数据仓库统一数据定义,工程师能无缝连接算法仿真与真实总线网络,显著提升从模型到HIL测试的验证效率。
php55