UI自动化测试之五大常见问题!

UI自动化测试一直都是如此的令人纠结,自动化测试初学者总是拿它入门,但有些经验丰富者对其又是毁誉参半,又或抛出分层自动化测试那个经典的“金字塔”,来说明UI自动化测试还是少做为好。下面我们来谈谈在UI自动化测试中遇到的五个值得注意的问题:

一、关于UI自动化测试的误区

1)认为UI自动化没用处

造成这个误区的原因也很简单,在自身技术和业务拆解能力不足的情况下就直接盲目的去搞UI自动化,结果往往都不太理想,所以自然就没什么好效果,然后总结出了一个结论--UI自动化没有什么用。

2)UI自动化实现很简单

之所以有这么一个误区原因也很简单。UI自动化不论是Selenium、RF还是TestWriter。平常用的API确实没多少,很好学。稍微有代码基础的人就能很快上手,其实,如果想要更长远的发展,需要学习的东西还有很多。

二、自动化测试分层

分为三层:UI、API Testing、Unit

单元自动化测试(数据处理层):指对软件中最小的可测试单元进行检查和验证,一般需要借助单元测试框架,如java的Junit、TestNG,python的unittest,常见的手段是code review等;

接口自动化测试(业务逻辑层):主要检查验证模块间的调用返回以及不同系统、服务间的数据交换,常见的接口测试工具有postman、jmeter、loadrunner等;

UI自动化测试(GUI界面层):UI层是用户使用产品的入口,所有功能通过这一层提供给用户,测试工作大多集中在这一层,常见的测试工具有UFT、Robot Framework、Selenium、Appium等;

性价比:按照测试金字塔模型以及投入/产出比,越向下,回报率越高;

Google的自动化分层投入占比:

小测试(Unit):占比70%;

中测试(Service):占比20%;

大测试(UI):占比10%;

自动化测试面临的挑战:面临的最大挑战就是变化,因为变化会导致测试用例运行失败,所以需要对自动化脚本不断Debug

三、什么样的项目适合自动化测试

1)需求稳定,不会频繁变更

自动化测试最大的挑战就是需求的变化,而自动化脚本本身就需要修改、扩展、debug,去适应新的功能,如果投入产出比太低,那么自动化测试也失去了其价值和意义;

折中的做法是选择相对稳定的模块和功能进行自动化测试,变动较大、需求变更较频繁的部分用手工测试;

2)多平台运行,组合遍历型、大量的重复任务

测试数据、测试用例、自动化脚本的重用性和移植性较强,降低成本,提高效率和价值;

3)软件维护周期长,有生命力

自动化测试的需求稳定性要求、自动化框架的设计、脚本开发与调试均需要时间,这其实也是一个软件开发过程,如果项目周期较短,没有足够的时间去支持这一过程,那自动化测试也就不需要了;

4)被测系统开发较为规范,可测试性强

四、常见的自动化测试工具简介

1)UFT

即原来的QTP与ST合并而来,由HP公司开发,是一个企业级的商业自动化测试工具,提供了强大易用的录制回放功能,

同时兼容对象识别模式与图像识别模式,支持B/S和C/S两种架构的软件测试;

2)Robot Framework

一款基于python语言编写的自动化测试框架工具,具备良好的扩展性,支持关键字驱动,支持多种类型的客户端和接口,可进行分布式测试;

3)Selenium

应用于web的自动化测试工具,支持多平台、多浏览器、多语言来实现自动化,优点如下:

①开源、免费;

②多浏览器支持:chrome、Firefox、IE、Edge等;

③多平台支持:Linux、Windows、MAC;

④多语言支持:java、python、Ruby、C#、JavaScript、C++;

⑤对web界面有良好的支持;

⑥简单(API简单)、灵活(开发语言驱动);

⑦支持分布式测试用例执行;
五、做UI自动化测试,需要什么技能

①前端相关技术HTML、XML、JavaScript、TCP/IP协议等

②一门编程语言

就像前面说的,selenium支持多种语言,根据个人情况以及项目的开发语言酌情选择;

③合适的工具选型

比如selenium,比如UTF等;

④需求分析

项目类型,特质,生命周期,是否适合开展自动化测试等;

总结

如果一个组织真正重视软件质量,UI自动化测试是有必要做的。有以下几点理由:

1)任何自动化工具都是在简单、机械、重复的任务场景下最能发挥作用,UI测试非常符合这个特点。

2)对于很多组织来说,UI测试是当前耗费测试团队人力最多的环节,大部分专职测试人员日常工作就是UI测试。“工欲善其事必先利其器”,测试人员也需要自动化工具来提升其日常工作效率。

3)无论后台多复杂、多重要,用户接触的终究还是前端界面。现在的软件除了后台逻辑之外,还有很多前端脚本逻辑和样式,单纯靠后台接口/单元测试,无法证明用户端的可用性。

总结:

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。

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/news/1139824.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

RaNER模型多模态扩展:结合图像信息的实体识别

RaNER模型多模态扩展:结合图像信息的实体识别 1. 引言:AI 智能实体侦测服务的技术演进 随着自然语言处理(NLP)技术的不断进步,命名实体识别(Named Entity Recognition, NER)已成为信息抽取、知…

智能简历解析系统:集成RaNER实体识别功能教程

智能简历解析系统:集成RaNER实体识别功能教程 1. 引言 1.1 业务场景描述 在招聘、人才管理与人力资源信息化建设中,简历作为最核心的非结构化数据源,承载着大量关键信息。传统人工录入方式效率低、成本高、易出错,已无法满足现…

收藏!大模型理论与实践:一文掌握核心技术路线

就像人类从牙牙学语到通晓事理需要经历完整的成长周期,大语言模型的发展也遵循着清晰的“成长路径”。本文将以人类成长历程为类比,系统拆解大模型的核心理论知识体系,涵盖发展历程、Transformer主流框架、RAG与Fine-tuning技术选型、RLHF人类…

中文实体识别服务监控告警:RaNER运维指南

中文实体识别服务监控告警:RaNER运维指南 1. 引言:AI 智能实体侦测服务的运维挑战 随着自然语言处理技术在信息抽取、智能客服、舆情分析等场景中的广泛应用,中文命名实体识别(NER) 已成为构建智能化文本处理系统的核…

中文命名实体识别:RaNER模型半监督学习方案

中文命名实体识别:RaNER模型半监督学习方案 1. 技术背景与问题提出 在自然语言处理(NLP)领域,命名实体识别(Named Entity Recognition, NER) 是信息抽取的核心任务之一。其目标是从非结构化文本中自动识别…

Qwen2.5-7B深度解析:学生党福音,1块钱体验1小时

Qwen2.5-7B深度解析:学生党福音,1块钱体验1小时 引言:为什么Qwen2.5-7B是学生党的最佳选择? 作为一名计算机专业的学生,想要深入学习大模型源码却面临实验室资源紧张、个人电脑性能不足的困境,这可能是很…

零基础玩转Qwen2.5:手把手教学,没GPU也能跑7B模型

零基础玩转Qwen2.5:手把手教学,没GPU也能跑7B模型 1. 为什么选择Qwen2.5-7B模型? 作为35岁转码的你,可能已经被GitHub上复杂的英文文档和晦涩的技术术语劝退过无数次。Qwen2.5-7B模型是阿里云推出的开源大语言模型,特…

中文NER模型解释性分析:RaNER决策过程可视化

中文NER模型解释性分析:RaNER决策过程可视化 1. 引言:AI 智能实体侦测服务的背景与挑战 在信息爆炸的时代,非结构化文本数据(如新闻、社交媒体、文档)占据了数据总量的80%以上。如何从中高效提取关键信息&#xff0c…

中文NER系统搭建:RaNER模型与Cyberpunk WebUI集成

中文NER系统搭建:RaNER模型与Cyberpunk WebUI集成 1. 引言:AI 智能实体侦测服务的现实需求 在信息爆炸的时代,非结构化文本数据(如新闻、社交媒体、文档)占据了企业数据总量的80%以上。如何从中高效提取关键信息&…

基于RaNER的中文NER系统部署:WebUI高亮功能实现步骤

基于RaNER的中文NER系统部署:WebUI高亮功能实现步骤 1. 背景与应用场景 在信息爆炸的时代,非结构化文本数据(如新闻、社交媒体内容、文档资料)呈指数级增长。如何从这些海量文本中快速提取出有价值的关键信息,成为自…

低成本学习Qwen2.5:每天2块钱,AI编程不求人

低成本学习Qwen2.5:每天2块钱,AI编程不求人 引言:为什么选择Qwen2.5自学AI开发? 最近两年AI技术爆发式发展,很多待业青年都想转行做AI开发。但市面上培训班动辄收费2万元,对普通人来说门槛太高。其实现在…

常见的8个Jmeter压测问题,你知道吗?

为什么在JMeter中执行压力测试时,出现连接异常或连接重置错误? 答案:连接异常或连接重置错误通常是由于服务器在处理请求时出现问题引起的。这可能是由于服务器过载、网络故障或配置错误等原因导致的。 解决方法: 确定服务器的…

AI智能实体侦测服务版本控制:Git分支管理模型推荐

AI智能实体侦测服务版本控制:Git分支管理模型推荐 1. 引言:AI 智能实体侦测服务的工程化挑战 随着自然语言处理技术的快速发展,AI 智能实体侦测服务已成为信息抽取、知识图谱构建和智能搜索等场景的核心组件。本文聚焦于一个基于 RaNER 模型…

中文NER系统搭建:RaNER模型与REST API集成

中文NER系统搭建:RaNER模型与REST API集成 1. 引言:AI 智能实体侦测服务的工程价值 在信息爆炸的时代,非结构化文本数据(如新闻、社交媒体、客服对话)占据了企业数据总量的80%以上。如何从中高效提取关键信息&#x…

RaNER模型更新了?最新版本迁移部署注意事项详解

RaNER模型更新了?最新版本迁移部署注意事项详解 1. 引言:AI 智能实体侦测服务的演进与挑战 随着大模型在信息抽取领域的深入应用,命名实体识别(Named Entity Recognition, NER)已成为构建智能文本处理系统的基石能力…

大模型开发必备!收藏这份MCP服务器框架对比分析,快速上手AI助手集成

模型上下文协议 (Model Context Protocol,MCP) 是一个新标准,用于以统一的方式将 AI 助手 (如 llm) 与外部数据源和工具连接起来。自从 MCP 引入以来,出现了各种各样的框架来帮助开发人员更容易地构建 MCP 服务器。 在本文中,尝试…

RaNER模型部署教程:快速实现文本实体抽取

RaNER模型部署教程:快速实现文本实体抽取 1. 引言 1.1 AI 智能实体侦测服务 在信息爆炸的时代,非结构化文本数据(如新闻、社交媒体内容、文档资料)占据了数据总量的80%以上。如何从这些杂乱无章的文字中快速提取出有价值的信息…

RaNER模型对比分析:不同预训练模型的效果

RaNER模型对比分析:不同预训练模型的效果 1. 引言:AI 智能实体侦测服务的背景与选型需求 在信息爆炸的时代,非结构化文本数据(如新闻、社交媒体、文档)中蕴含着大量关键信息。如何高效地从中提取出有价值的内容&…

中文NER服务搭建:RaNER模型+WebUI完整教程

中文NER服务搭建:RaNER模型WebUI完整教程 1. 引言 1.1 AI 智能实体侦测服务 在信息爆炸的时代,非结构化文本数据(如新闻、社交媒体、文档)占据了企业数据总量的80%以上。如何从这些杂乱无章的文字中快速提取出有价值的信息&…

中文NER服务实战指南:RaNER模型应用详解

中文NER服务实战指南:RaNER模型应用详解 1. 引言:AI 智能实体侦测服务的现实需求 在信息爆炸的时代,非结构化文本数据(如新闻、社交媒体、客服对话)占据了企业数据总量的80%以上。如何从中高效提取关键信息&#xff…