当前位置: 首页 > news >正文

这个Pytest函数,轻松实现动态参数化√

无论什么自动化,部分测试用例均会运用到参数化,参数化可以帮助我们覆盖更多的测试用例,减少重复代码逻辑,然而自动化中也有多种实现参数化的方法,比如UnitTest的DDT模式,Pytest的fixture,以及Pytest的parametrize均可以实现测试用例的参数化。

今天小编介绍新的一种方法,通过hook函数来实现测试用例的参数化,废话不多说,直接进入正文。

pytest_generate_tests

pytest_generate_tests钩子函数是Pytest框架中用来动态生成测试用例参数的钩子函数。通过它,我们可以在运行时动态地生成测试参数,从而避免手动编写重复的测试用例。

在conftest.py文件中编写对应的函数信息:

import pytest def pytest_generate_tests(metafunc): if "data" in metafunc.fixturenames: metafunc.parametrize("data", metafunc.module.test_data, scope="function" )

其中代码中data表示测试用例中对应的传参,类似fixture名称传入,metafunc表示当前测试用例的模块对象,scope表示测试用例的作用域,默认为function。

方法一

简单编写两条测试用例,然后通过pytest_generate_tests实现测试用例的参数化:

import requests url = 'http://apis.juhe.cn/simpleWeather/query' # 测试数据 test_data = [{ "data": { "city": "上海", "key": "xxxxxxxx" } }, { "data": { "city": "北京", "key": "xxxxxxx" } } ] # 测试用例 def test_01(data): # 启动**data表示传入参数 r = requests.post(url, **data) print(r.text)

编写完成后,直接运行程序,通过结果发现已经执行成功。

方法二

通过上面的案例,小伙伴们可能懂了pytest_generate_tests如何运行的.

其实该函数主要提供的就是动态方便我们实现测试用例,上述方法很显然不动态,小编在介绍一种使用方法,场景是根据不同的命令行,传入不同的测试数据。

这个时候就想到了pytest的另一个函数pytest_addoption,可以实现自定义命令行参数后,再次动态实现我们的参数化内容。更改conftest.py文件内容,增加pytest_addoption函数内容:

import pytest def pytest_addoption(parser): # 添加自定义参数--anjing parser.addoption( "--anjing", action="store", default="anjing", help="将'anjing'添加到pytest的配置参数中" ) def pytest_generate_tests(metafunc): if "data" in metafunc.fixturenames: # 获取命令行的参数信息 result = metafunc.config.getoption("anjing") # 判断传参值,通过传参值进行不同传入参数 if result == 'test': metafunc.parametrize("data", metafunc.module.test_shanghai, scope="function" ) if result == 'qa': metafunc.parametrize("data", metafunc.module.test_beijing, scope="function" )

同样根据刚才的测试用例,将测试数据进行分离,参数值为test的访问上海的参数,参数值为qa的我们访问北京的参数:

import requests # 上海的参数 test_shanghai = [{ "data": { "city": "上海", "key": "xxxxxxxx" } }, ] # 北京的参数 test_beijing = [{ "data": { "city": "北京", "key": "xxxxxxx" } }] def test_01(data): '''线下数据''' url = 'http://apis.juhe.cn/simpleWeather/query' r = requests.post(url, **data) print(r.text)

编写完成后,我们直接验证命令行传入不同参数,实现了动态参数化的内容。如果没有传入参数的话,系统会出现报错的。

总结

小编通过两种方法介绍了pytest_generate_tests的使用方法和一般的使用场景。

当然该函数肯定不仅仅只有这两种方法来使用,具体的使用方法可以根据对应的需求或者项目进行来完成,不同的需求不同的使用方法,如果有更好的使用方法可以下方留言,大家一起沟通交流。感谢您的阅读,希望本篇文章可以给您带来帮助。

感谢每一个认真阅读我文章的人!!!

作为一位过来人也是希望大家少走一些弯路,如果你不想再体验一次学习时找不到资料,没人解答问题,坚持几天便放弃的感受的话,在这里我给大家分享一些自动化测试的学习资源,希望能给你前进的路上带来帮助。

软件测试面试文档

我们学习必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有字节大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。

视频文档获取方式:
这份文档和视频资料,对于想从事【软件测试】的朋友来说应该是最全面最完整的备战仓库,这个仓库也陪伴我走过了最艰难的路程,希望也能帮助到你!以上均可以分享,点下方小卡片即可自行领取。

http://www.cnnetsun.cn/news/66863.html

相关文章:

  • 从零开始部署Qwen3-8B:VSCode安装调试全流程
  • LU,数显式脑立体定位仪 大鼠脑定位仪 小鼠脑定位仪 小动物脑定位仪
  • 2025年geo系统源码开发公司技术方案有那些
  • 一文带你了解使用ARP欺骗的中间人 (MiTM) 攻击,黑客技术零基础入门到精通教程!
  • 【问题排查】No spring.config.import property has been defined
  • Dify连接外部数据库存储PyTorch模型输出结果
  • 基于SVM代理模型的电机多目标优化:平均转矩、转矩脉动及推力径向优化的高精度实现
  • 三分钟上手DNN多输出预测(附保姆级代码)
  • 什么是苹果MFi认证,有什么优势?
  • Conda与Pip双管齐下:优化PyTorch-CUDA依赖安装流程
  • PyTorch 权重剪枝中的阈值计算:深入解读 numel() 和 torch.kthvalue()
  • CKA-Agent:揭示商业LLM安全防线的“特洛伊知识“漏洞
  • 构筑智能心理新基建:北京朗心致远AI心理场室与设备整体解决方案
  • 【众包 + AI智能体】AI境生态巡查平台边防借鉴价值专项调研——以广西边境线治理为例
  • AutoGPT支持GraphQL订阅模式了吗?实时更新测试
  • Miniconda集成virtualenv,双剑合璧管理复杂AI项目
  • 从 “PPT 加班狗” 到 “10 分钟出稿大师”:paperzz AI PPT 生成器,藏在学术工具里的效率黑科技
  • 「学术协作者图谱」:PaperZZ领衔的9款AI毕业论文辅助工具全景测评——以“认知脚手架”为轴心的功能解构与伦理适配指南
  • 从 “熬夜改 PPT” 到 “10 分钟出稿”:paperzz AI PPT 生成器如何重构职场 / 学业演示效率?
  • 从 “文献堆里找线索” 到 “1 小时出框架”:paperzz AI 文献综述,把学术苦力活变成 “逻辑拼图游戏”
  • transformer模型详解:以Qwen3-32B为例剖析架构设计
  • 清华源加速下载Qwen3-8B模型文件及依赖组件
  • 如何在单张GPU上部署Qwen3-VL-8B实现高效图像识别
  • AutomationOperation2.60自动操作工具:可视化 GUI支持鼠标 键盘 识别等自动化操软件作
  • 【机器学习】PAC学习理论及实现
  • 计算机硬件解剖:从拆解到性能优化
  • 基于STM32单片机盲人导航 导盲杖 智能拐杖系统 超声波测距 老人防丢 防摔到 跌倒检测报警 物联网控制系统 DIY 成品套件 DIY设计 实物+源程序+原理图+仿真+其它资料
  • AutoGPT联网搜索功能如何启用?详细配置说明来了
  • 企业内部智能客服新选择:基于LobeChat的定制化解决方案
  • AutoGPT镜像用户增长数据曝光:三个月突破10万下载