测试用例生成平台通过大模型升级查询功能，生成智能测试用例

在测试工作中，查询功能是各类系统的核心模块，传统的测试用例编写往往耗时且重复。如何让老旧平台焕发新活力？本文将结合大模型技术，通过用户输入的字段信息，自动化生成高效、精准的测试用例。同时，我们还将介绍如何在 Django 框架中异步调用阿里云的 DeepSeek-R1 API，避免阻塞主线程，从而进一步提升系统性能。点击底部小卡片了解更多AI测试话题。

一、传统查询功能的痛点

在老旧平台中，查询功能面临以下问题：

  1. 测试用例编写耗时：每次需求变更后，测试用例需要手动更新，效率低下。
  2. 用例质量参差不齐：测试人员的理解差异导致用例覆盖率和场景设计不足。
  3. 缺乏智能化：无法根据用户输入的字段信息自动生成测试用例，适应动态变化的需求。

二、大模型驱动的查询功能升级

2.1 升级方案概述

通过将用户输入的字段名称、字段类型、字段值等信息传递给大模型，我们可以自动生成符合标准的测试用例。以下是升级的基本逻辑：

  1. 用户输入查询条件（字段名称、类型、值等）。
    在这里插入图片描述

  2. 系统将输入的信息封装为提示词（Prompt），并发送给大模型。
    在这里插入图片描述

  3. 大模型根据模板自动生成测试用例，包括查询步骤和预期结果。 真拿来即用！
    在这里插入图片描述

[{"title": "根据机构、类型、开始日期、结束日期组合查询","steps": "1.进入页面；\n2.在机构中选择湖北分公司；\n3.在类型中选择当年；\n4.在开始日期输入2023-01-01；\n5.在结束日期输入2023-12-31；\n6.点击查询","expect_results": "查询到湖北分公司当年且在2023-01-01至2023-12-31期间的数据","priority": "P0"},{"title": "根据开始日期、结束日期组合查询","steps": "1.进入页面；\n2.在开始日期输入2023-01-01；\n3.在结束日期输入2023-12-31；\n4.其他条件保持默认；\n5.点击查询","expect_results": "查询到2023-01-01至2023-12-31期间的数据","priority": "P0"},{"title": "根据机构、类型组合查询","steps": "1.进入页面；\n2.在机构中选择湖北分公司；\n3.在类型中选择当年；\n4.其他条件保持默认；\n5.点击查询","expect_results": "查询到湖北分公司当年的数据","priority": "P1"},{"title": "根据机构、开始日期、结束日期组合查询","steps": "1.进入页面；\n2.在机构中选择湖北分公司；\n3.在开始日期输入2023-01-01；\n4.在结束日期输入2023-12-31；\n5.其他条件保持默认；\n6.点击查询","expect_results": "查询到湖北分公司且在2023-01-01至2023-12-31期间的数据","priority": "P1"},{"title": "根据类型、开始日期、结束日期组合查询","steps": "1.进入页面；\n2.在类型中选择当年；\n3.在开始日期输入2023-01-01；\n4.在结束日期输入2023-12-31；\n5.其他条件保持默认；\n6.点击查询","expect_results": "查询到当年且在2023-01-01至2023-12-31期间的数据","priority": "P1"},{"title": "根据机构查询","steps": "1.进入页面；\n2.在机构中选择湖北分公司；\n3.其他条件保持默认；\n4.点击查询","expect_results": "查询到湖北分公司的所有数据","priority": "P2"},{"title": "根据类型查询","steps": "1.进入页面；\n2.在类型中选择当年；\n3.其他条件保持默认；\n4.点击查询","expect_results": "查询到当年的所有数据","priority": "P2"},{"title": "根据开始日期查询","steps": "1.进入页面；\n2.在开始日期输入2023-01-01；\n3.其他条件保持默认；\n4.点击查询","expect_results": "查询到开始日期大于等于2023-01-01的数据","priority": "P3"},{"title": "根据结束日期查询","steps": "1.进入页面；\n2.在结束日期输入2023-12-31；\n3.其他条件保持默认；\n4.点击查询","expect_results": "查询到结束日期小于等于2023-12-31的数据","priority": "P3"}
]

2.2 提示词逻辑设计

我们设计如下提示词模板：

prompt = (f'系统名称为： {project}；主功能模块名称为： {primary_module}；子功能模块为：{sub_module}；'f'用例创建人为： {case_creator}；'f'查询结果比对方式为： {check_result_method}；'f'查询页面是否需要补充UI测试用例： {ui_case_needed}；自主标定用例的优先级；')prompt += f'字段名称： {field_name}；字段类型: {field_type}；'if enums:prompt += f'枚举值:{enums}；'
elif symbol_date:prompt += f'日期符号为：{symbol_date}；'
elif date_:prompt += f'日期为：{date_}；'
elif symbol_time:prompt += f'时间比较符号为：{symbol_time}；'
elif time_:prompt += f'时间选定的值为：{time_}；\n'

2.3 自动生成的测试用例示例

根据提示词生成的测试用例示例如下：

[{'title': '根据姓名查询'},{'steps': '1.进入页面；\n2.在查询条件姓名输入；\n3.其他查询条件保持默认；\n4.点击查询'},{'expect_results': '查询到姓名的数据'},
]

通过这种方式，测试工程师只需输入字段信息，即可轻松生成高质量的测试用例，大幅提升工作效率。

三、实战演练：基于大模型升级查询功能

结合上述逻辑，我们对用户输入进行处理，并生成测试用例。以下是具体代码示例：

3.1 数据输入

用户输入字段信息：

project = "客户管理系统"
primary_module = "查询功能"
sub_module = "客户信息查询"
case_creator = "测试工程师A"
check_result_method = "数据匹配"
ui_case_needed = "是"field_name = "姓名"
field_type = "字符串"
enums = None
symbol_date = None
date_ = None
symbol_time = None
time_ = None

3.2 提示词构建

根据输入信息构建提示词：

prompt = (f'系统名称为： {project}；主功能模块名称为： {primary_module}；子功能模块为：{sub_module}；'f'用例创建人为： {case_creator}；'f'查询结果比对方式为： {check_result_method}；'f'查询页面是否需要补充UI测试用例： {ui_case_needed}；自主标定用例的优先级；')prompt += f'字段名称： {field_name}；字段类型: {field_type}；'

3.3 调用大模型生成测试用例

通过大模型接口生成测试用例：

async def generate_cases(prompt_param):# 初始化OpenAI客户端client = OpenAI(# 如果没有配置环境变量，请用百炼API Key替换：api_key="sk-xxx"# api_key='sk-xxx',api_key='sk-xxx',  # todo 此处需更换base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")reasoning_content = ""  # 定义完整思考过程answer_content = ""  # 定义完整回复is_answering = False  # 判断是否结束思考过程并开始回复example = [{'title': '根据姓名查询'},{'steps': '1.进入页面；\n2.在查询条件姓名输入；\n3.其他查询条件保持默认；\n4.点击查询'},{'expect_results': '查询到姓名的数据'},]# 创建聊天完成请求completion = client.chat.completions.create(model="deepseek-r1",  # 此处以 deepseek-r1 为例，可按需更换模型名称messages=[{'role': 'user','content': f'你是一名资深测工程师，根据这些字段组合{prompt_param}生成查询条件的组合，条件组合不能重复；输出列表形式的JSON，示例：{example}'}],stream=True,# 解除以下注释会在最后一个chunk返回Token使用量# stream_options={#     "include_usage": True# })print("\n" + "=" * 20 + "思考过程" + "=" * 20 + "\n")for chunk in completion:# 如果chunk.choices为空，则打印usageif not chunk.choices:print("\nUsage:")print(chunk.usage)else:delta = chunk.choices[0].delta# 打印思考过程if hasattr(delta, 'reasoning_content') and delta.reasoning_content != None:print(delta.reasoning_content, end='', flush=True)reasoning_content += delta.reasoning_contentelse:# 开始回复if delta.content != "" and not is_answering:print("\n" + "=" * 20 + "完整回复" + "=" * 20 + "\n")is_answering = True# 打印回复过程print(delta.content, end='', flush=True)answer_content += delta.contentreturn answer_content

四、Django 异步调用阿里云 DeepSeek-R1 API

为了在查询功能升级中提升性能，我们可以采用 Django 异步调用阿里云 DeepSeek-R1 API。以下是具体实现步骤：

4.1 安装依赖

pip install aiohttp

4.2 异步请求实现

通过 aiohttp 实现异步调用：

import aiohttp
import asyncioasync def generate_cases(prompt_param):# 初始化OpenAI客户端client = OpenAI(# 如果没有配置环境变量，请用百炼API Key替换：api_key="sk-xxx"# api_key='sk-xxx',api_key='sk-xxx',  # todo 此处需更换base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")reasoning_content = ""  # 定义完整思考过程answer_content = ""  # 定义完整回复is_answering = False  # 判断是否结束思考过程并开始回复example = [{'title': '根据姓名查询'},{'steps': '1.进入页面；\n2.在查询条件姓名输入；\n3.其他查询条件保持默认；\n4.点击查询'},{'expect_results': '查询到姓名的数据'},]# 创建聊天完成请求completion = client.chat.completions.create(model="deepseek-r1",  # 此处以 deepseek-r1 为例，可按需更换模型名称messages=[{'role': 'user','content': f'你是一名资深测工程师，根据这些字段组合{prompt_param}生成查询条件的组合，条件组合不能重复；输出列表形式的JSON，示例：{example}'}],stream=True,# 解除以下注释会在最后一个chunk返回Token使用量# stream_options={#     "include_usage": True# })print("\n" + "=" * 20 + "思考过程" + "=" * 20 + "\n")for chunk in completion:# 如果chunk.choices为空，则打印usageif not chunk.choices:print("\nUsage:")print(chunk.usage)else:delta = chunk.choices[0].delta# 打印思考过程if hasattr(delta, 'reasoning_content') and delta.reasoning_content != None:print(delta.reasoning_content, end='', flush=True)reasoning_content += delta.reasoning_contentelse:# 开始回复if delta.content != "" and not is_answering:print("\n" + "=" * 20 + "完整回复" + "=" * 20 + "\n")is_answering = True# 打印回复过程print(delta.content, end='', flush=True)answer_content += delta.contentreturn answer_content# 示例调用
async def search_page_generate_case_by_ai(request):print('开始进行异步大模型用例生成')if request.method == 'POST':case = Cases.objects.all()case_common_title = []case_common_steps = []case_common_expect_result = []total_len = len(request.POST)case_system = request.POST.get('auth')case_module = ''primary_module = request.POST.get("module1")sub_module = []for _ in range(2, 4):if request.POST.get(f"module{_}"):sub_module.append(request.POST.get(f"module{_}"))sub_module = ">>".join(sub_module)case_precondition = f'已登录{case_module}系统'page_name = request.POST.get('page_name')check_result_method = request.POST.get("check_result_method")case_creator = request.POST.get('creator')ui_case_needed = request.POST.get('ui_case')field_count = (total_len - 10) // 7project = Project.objects.get(project_name=case_system)project_id = project.idif field_count > 1:field_name_list = []prompt = (f'系统名称为： {project}；主功能模块名称为： {primary_module}；子功能模块为：{sub_module}；'f'用例创建人为： {case_creator}；'f'查询结果比对方式为： {check_result_method}；'f'查询页面是否需要补充UI测试用例： {ui_case_needed}；自主标定用例的优先级；')for i in range(field_count):field_name = request.POST.get(f'field_name{i}')field_type = request.POST.get(f'field_type{i}')enums = request.POST.get(f'enums{i}')symbol_date = request.POST.get(f'symbol_date{i}')date_ = request.POST.get(f'date{i}')symbol_time = request.POST.get(f'symbol_time{i}')time_ = request.POST.get(f'time{i}')time_ = str(time_).replace('T', ' ')field_name_list.append(field_name)# todo 修改此处适配AI大模型用例生成prompt += f'字段名称： {field_name}；字段类型: {field_type}；'if enums:prompt += f'枚举值:{enums}；'elif symbol_date:prompt += f'日期符号为：{symbol_date}；'elif date_:prompt += f'日期为：{date_}；'elif symbol_time:prompt += f'时间比较符号为：{symbol_time}；'elif time_:prompt += f'时间选定的值为：{time_}；\n'deepseek_result = await generate_cases(prompt)return HttpResponse(deepseek_result)asyncio.run(main())

4.3 在 Django 中集成

将异步调用集成到 Django 视图中：

@require_POST
async def search_page_generate_case_by_ai(request):print('开始进行异步大模型用例生成')if request.method == 'POST':case = Cases.objects.all()case_common_title = []case_common_steps = []case_common_expect_result = []total_len = len(request.POST)case_system = request.POST.get('auth')case_module = ''primary_module = request.POST.get("module1")sub_module = []for _ in range(2, 4):if request.POST.get(f"module{_}"):sub_module.append(request.POST.get(f"module{_}"))sub_module = ">>".join(sub_module)case_precondition = f'已登录{case_module}系统'page_name = request.POST.get('page_name')check_result_method = request.POST.get("check_result_method")case_creator = request.POST.get('creator')ui_case_needed = request.POST.get('ui_case')field_count = (total_len - 10) // 7project = Project.objects.get(project_name=case_system)project_id = project.idif field_count > 1:field_name_list = []prompt = (f'系统名称为： {project}；主功能模块名称为： {primary_module}；子功能模块为：{sub_module}；'f'用例创建人为： {case_creator}；'f'查询结果比对方式为： {check_result_method}；'f'查询页面是否需要补充UI测试用例： {ui_case_needed}；自主标定用例的优先级；')for i in range(field_count):field_name = request.POST.get(f'field_name{i}')field_type = request.POST.get(f'field_type{i}')enums = request.POST.get(f'enums{i}')symbol_date = request.POST.get(f'symbol_date{i}')date_ = request.POST.get(f'date{i}')symbol_time = request.POST.get(f'symbol_time{i}')time_ = request.POST.get(f'time{i}')time_ = str(time_).replace('T', ' ')field_name_list.append(field_name)# todo 修改此处适配AI大模型用例生成prompt += f'字段名称： {field_name}；字段类型: {field_type}；'if enums:prompt += f'枚举值:{enums}；'elif symbol_date:prompt += f'日期符号为：{symbol_date}；'elif date_:prompt += f'日期为：{date_}；'elif symbol_time:prompt += f'时间比较符号为：{symbol_time}；'elif time_:prompt += f'时间选定的值为：{time_}；\n'deepseek_result = await generate_cases(prompt)return HttpResponse(deepseek_result)else:return HttpResponse("没有内容！！！")

通过这种方式，Django 可以在处理查询请求时避免主线程阻塞，从而提升系统的并发性能。

五、大模型与平台升级的未来展望

通过大模型的引入，老旧平台的查询功能可以焕发新活力。测试工程师不仅能更高效地生成测试用例，还可以通过异步调用大模型接口，提升系统响应速度，为用户提供更好的体验。未来，随着大模型和容器化技术的普及，本地部署和性能优化将成为测试领域的重要方向。

快将这些技术应用到你的项目中，让测试工作更智能、更高效吧！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/diannao/75718.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

基于javaweb的SpringBoot雪具商城系统设计与实现(源码+文档+部署讲解）

基于javaweb的SpringBoot雪具商城系统设计与实现(源码+文档+部署讲解）

技术范围：SpringBoot、Vue、SSM、HLMT、Jsp、PHP、Nodejs、Python、爬虫、数据可视化、小程序、安卓app、大数据、物联网、机器学习等设计与开发。 主要内容：免费功能设计、开题报告、任务书、中期检查PPT、系统功能实现、代码编写、论文编写和辅导、论…
阅读更多...
【AI学习笔记】Coze平台实现将Excel文档批量导入数据库全过程

【AI学习笔记】Coze平台实现将Excel文档批量导入数据库全过程

背景前摇&原视频教程： 最近看到很多同学都在用Coze平台操作数据，我也想了解一下工作流的搭建和数据处理过程，但是一下子又看不懂太复杂的逻辑，于是上B站搜索相关的基础教程。 Coze官方教程： 之前有看过Coze平台…
阅读更多...
【Axure高保真原型】纵向图片轮播

【Axure高保真原型】纵向图片轮播

今天和大家分享纵向图片轮播的原型模版，载入后会自动循环轮播，鼠标移入图片后停止轮播，可以通过点击上下箭头，向上或向下滑动切换上一张或下一张图片，也可以点击右侧小圆点快速切换至对应图片……具体效果可以打开下方…
阅读更多...
力扣32.最长有效括号(栈）

力扣32.最长有效括号(栈）

32. 最长有效括号 - 力扣&#xff08;LeetCode&#xff09; 代码区&#xff1a; #include<stack> #include<string> /*最长有效*/ class Solution { public:int longestValidParentheses(string s) {stack<int> st;int ans0;int ns.length();st.push(-1);fo…
阅读更多...
如何在 React 项目中使用React.lazy和Suspense实现组件的懒加载？

如何在 React 项目中使用React.lazy和Suspense实现组件的懒加载？

大白话如何在 React 项目中使用React.lazy和Suspense实现组件的懒加载&#xff1f; 在 React 项目里&#xff0c;有时候组件功能多、体积大&#xff0c;要是一次性把所有组件都加载进来&#xff0c;网页加载速度就会变慢。而 React 提供了 React.lazy 和 Suspense 这两个好东西…
阅读更多...
ffmpeg-将多个视频切片成一个新的视频

ffmpeg-将多个视频切片成一个新的视频

使用 ffmpeg 工具可以轻松完成将多个视频切片合并为一个新的视频。以下是实现这一目标的具体步骤和命令。 步骤概览 1、将多个视频切片。 2、创建文本文件列出切片的视频片段。 3、使用 ffmpeg 合并这些切片为一个新的视频。 一&#xff1a;安装 ffmpeg 确保你的系统中已经安…
阅读更多...
【第2月_day10】Pandas数据查看与选择

【第2月_day10】Pandas数据查看与选择

以下是专为小白设计的 Pandas数据查看与选择 学习内容&#xff0c;从基础到应用逐步讲解&#xff0c;附带清晰示例和注意事项&#xff1a; 一、数据查看&#xff1a;快速了解你的数据 1. head() 和 tail() 作用&#xff1a;查看数据的前几行或后几行&#xff0c;默认显示5行。…
阅读更多...
Jetpack LiveData 使用与原理解析

Jetpack LiveData 使用与原理解析

一、引言 在 Android 开发中&#xff0c;数据的变化需要及时反映到界面上是一个常见的需求。然而&#xff0c;传统的方式可能会导致代码复杂、难以维护&#xff0c;并且容易出现内存泄漏等问题。Jetpack 组件中的 LiveData 为我们提供了一种优雅的解决方案&#xff0c;它是一种…
阅读更多...
Unity2D 五子棋 + Photon联网双人对战

Unity2D 五子棋 + Photon联网双人对战

开发环境配置 Unity版本2022.3 创建Photon账号以及申请Photon中国区服务 官网申请账号&#xff1a;Multiplayer Game Development Made Easy Photon Engine 中国区服务&#xff1a; 光子引擎photonengine中文站 成都动联无限科技有限公司(vibrantlink.com) 导入PUN2插件以及…
阅读更多...
（UI自动化测试web端）第二篇：元素定位的方法_css定位之属性选择器

（UI自动化测试web端）第二篇：元素定位的方法_css定位之属性选择器

看代码里的【find_element_by_css_selector( )】( )里的表达式怎么写&#xff1f; 文章介绍了第四种写法属性选择器 &#xff0c;你要根据网页中的实际情况来判断自己到底要用哪一种方法来进行元素定位。每种方法都要多练习&#xff0c;全都熟了之后你在工作当中使用起来元素定…
阅读更多...
预编译能否 100%防 sql 注入?

预编译能否 100%防 sql 注入?

&#x1f31f; 什么是 SQL 注入&#xff1f; SQL 注入&#xff08;SQL Injection&#xff09;是指攻击者利用特殊输入&#xff0c;让数据库执行它本来不应该执行的代码&#xff0c;从而获取或篡改数据。 就像在考试的时候偷偷改题目&#xff0c;让老师改成你想要的内容&#…
阅读更多...
第十五章 | Layer2、Rollup 与 ZK 技术实战解析

第十五章 | Layer2、Rollup 与 ZK 技术实战解析

&#x1f4da; 第十五章 | Layer2、Rollup 与 ZK 技术实战解析 ——构建下一代高性能区块链应用&#xff0c;从 Solidity 到 zkSync&#xff01; ✅ 本章导读 Layer2 和零知识证明&#xff08;ZK&#xff09;正成为区块链发展的核心方向。 随着主网 Gas 居高不下、TPS 无法满…
阅读更多...
2025-03-26 学习记录--C/C++-PTA 6-3 求链式表的表长

2025-03-26 学习记录--C/C++-PTA 6-3 求链式表的表长

合抱之木&#xff0c;生于毫末&#xff1b;九层之台&#xff0c;起于累土&#xff1b;千里之行&#xff0c;始于足下。&#x1f4aa;&#x1f3fb; 一、题目描述 ⭐️ 6-3 求链式表的表长 本题要求实现一个函数&#xff0c;求链式表的表长。 函数接口定义&#xff1a; &…
阅读更多...
【Linux】Linux_Ubuntu与Windows之间的文件传输

【Linux】Linux_Ubuntu与Windows之间的文件传输

一、Linux终端命令的复制粘贴 1.打开linux 终端&#xff0c;输入以下命令&#xff1a;&#xff08;注意&#xff0c;需要联网&#xff09; 2.命令行下载&#xff1a; sudo apt-get autoremove open-vm-tools 3.命令行安装&#xff1a; sudo apt-get install open-vm-tools-…
阅读更多...
Python Sanic面试题及参考答案

Python Sanic面试题及参考答案

目录 Sanic 的事件循环机制与 uvloop 的关系 Sanic 的 Request/Response 对象生命周期如何管理？如何访问请求上下文？ 对比 Sanic 与 Flask/Django 的异步处理模型差异 Sanic 的 Blueprint 机制如何实现模块化路由？如何处理跨蓝图中间件？ 如何在 Sanic 中实现 WebSocket…
阅读更多...
算法每日一练 (18)

算法每日一练 (18)

&#x1f4a2;欢迎来到张翊尘的技术站 &#x1f4a5;技术如江河&#xff0c;汇聚众志成。代码似星辰&#xff0c;照亮行征程。开源精神长&#xff0c;传承永不忘。携手共前行&#xff0c;未来更辉煌&#x1f4a5; 文章目录 算法每日一练 (18)删除并获得点数题目描述解题思路解题…
阅读更多...
VsCode启用右括号自动跳过(自动重写) - 自录制gif演示

VsCode启用右括号自动跳过(自动重写) - 自录制gif演示

VsCode启用右括号自动跳过(自动重写) - 自录制gif演示 前言 不知道大家在编程时候的按键习惯是怎样的。输入完左括号后编辑器一般会自动补全右括号&#xff0c;输入完左括号的内容后&#xff0c;是按→跳过右括号还是按)跳过右括号呢&#xff1f; for (int i 0; i < a.s…
阅读更多...
用Python和Stable Diffusion生成AI动画：从图像到视频的全流程指南

用Python和Stable Diffusion生成AI动画：从图像到视频的全流程指南

引言 本文将演示如何通过Python代码实现基于文本提示的AI动画生成。我们将使用Stable Diffusion生成连贯图像帧，结合OpenCV合成视频，最终实现一个可自定义的动画生成 pipeline。 一、环境准备 1. 依赖安装 # 安装核心库 pip install diffusers transformers torch numpy …
阅读更多...
【Git 常用指令速查表】

【Git 常用指令速查表】

Git 常用指令速查表 Git 常用指令速查表目录1. 初始化仓库2. 提交代码流程3. 分支管理4. 远程仓库操作5. 撤销操作6. 查看状态与日志7. 其他实用指令完整操作示例常用场景速查表 Git 常用指令速查表 目录 初始化仓库提交代码流程分支管理远程仓库操作撤销操作查看状态与日志其…
阅读更多...
分布式爬虫框架Scrapy-Redis实战指南

分布式爬虫框架Scrapy-Redis实战指南

引言 在当今数字化的时代背景下&#xff0c;互联网技术的蓬勃兴起极大地改变了旅游酒店业的运营模式与市场格局。作为旅游产业链中的关键一环&#xff0c;酒店业的兴衰与互联网技术的应用程度紧密相连。分布式爬虫技术&#xff0c;尤其是基于 Scrapy 框架的 Scrapy-Redis 扩展…
阅读更多...
最新文章

Copyright @ 2022~2023