到底何时才使用自动化测试

简介:
什么情况下使用 自动化测试 ?是不是采取自动化测试就会提高效率?当有一天你的老板或者经理问你这问题时,你可以把下面的文字转述给他,相信老板会满意你的答案...:)

  1、执行频率

   如果测试会在应用程序的每一个新版本下运行,则该测试非常适合自动化。这包括在整个应用程序中检查基本功能的那些测试。每当应用程序有了新版本,在进行 深度测试前,应当运行这些测试来检查新版本的稳定性。数据驱动测试(测试中对同样的操作使用了多重的数据值)也是非常适合自动化的测试类型。每次对不同的 输入数据集通过手工方式运行测试既单调乏味也效率低下。通过创建一个自动化的数据驱动测试,能够在一个测试中使用多重的数据集。

  2、压力/负载 测试

  同样推荐将压力测试和负载测试进行自动化。举例来说,假设一个测试必须重复1000次,手工运行测试将会非常不切实际。使用WinRunner,则能够创建一个循环来运行测试1000个来回。

  何时不要使用自动化测试?

  下面描述了不应当被自动化的测试用例

  1)可用性测试-提供可用的模块来检查应用程序的易用性的测试

  2)只运行一次的测试

  3)需要立即运行的测试

  4)基于用户对于应用程序的直觉和知识的测试

  5)没有可预测结果的测试

  自动测试的优点是能够很快、很广泛地查找Bug,缺点是它们只能检查一些最主要的问题,如崩溃、死机,但是却无法发现一些一般的日常错误,这些错误通过人眼很容易找到,但机器却往往找不到。另外,在自动测试中编写测试工作量也很大,因此在实际测试中通常是手工测试和自动测试相结合,而且手工测试往往是主要的,占了1/2-2/3,而自动测试只占1/3-1/2。在不同的开发队伍中,这个比例会有所不同,但总体趋势是这样的。








====================================分割线================================



最新内容请见作者的GitHub页:http://qaseven.github.io/

目录
相关文章
|
5月前
|
Web App开发 Java 测试技术
反了!居然让我教她自动化测试!
反了!居然让我教她自动化测试!
30 0
|
5月前
|
存储 监控 安全
自动化测试适用场景
自动化测试适用场景
|
5月前
|
Dubbo Java 应用服务中间件
Dubbo 第四节: Spring与Dubbo整合原理与源码分析
DubboConfigConfigurationRegistrar的主要作⽤就是对propties⽂件进⾏解析并根据不同的配置项项⽣成对应类型的Bean对象。
145 0
flutter系列之:构建Widget的上下文环境BuildContext详解
我们知道Flutter中有两种Widget,分别是StatelessWidget和StatefulWidget,StatelessWidget中有一个build方法来创建对应的Widget,虽然StatefulWidget中没有对应的build方法,但是和StatefulWidget对应的State中也有同样的build方法。 这个build方法就是用来创建Widget的核心方法。
flutter系列之:构建Widget的上下文环境BuildContext详解
|
缓存 网络协议 安全
Linux:设置/修改linux主机名+hosts映射+主机名解析机制分析+DNS域名劫持
Linux:设置/修改linux主机名+hosts映射+主机名解析机制分析+DNS域名劫持
677 0
Linux:设置/修改linux主机名+hosts映射+主机名解析机制分析+DNS域名劫持
|
存储 C语言
【C语言】指针应用-理论结合实践,真正理解指针
【C语言】指针应用-理论结合实践,真正理解指针
|
人工智能 前端开发 机器人
浅谈自动化测试
本文首先介绍了自动化测试的概念、分类和现状,并分别对不同端上的自动化测试实现原理进行了详细地分析和阐述,通过对目前主流的一些自动化测试框架和工具的比较,指出了当前不同端上实施自动化测试的痛点和困难。最后通过由数据驱动的自动化测试向关键词驱动的自动化测试的探索,进而由传统模式下的自动化测试转向基于AI的自动化测试的摸索,对自动化测试的未来进行了展望。
1692 1
|
23天前
|
弹性计算 人工智能 架构师
阿里云携手Altair共拓云上工业仿真新机遇
2024年9月12日,「2024 Altair 技术大会杭州站」成功召开,阿里云弹性计算产品运营与生态负责人何川,与Altair中国技术总监赵阳在会上联合发布了最新的“云上CAE一体机”。
阿里云携手Altair共拓云上工业仿真新机遇
|
15天前
|
存储 关系型数据库 分布式数据库
GraphRAG:基于PolarDB+通义千问+LangChain的知识图谱+大模型最佳实践
本文介绍了如何使用PolarDB、通义千问和LangChain搭建GraphRAG系统,结合知识图谱和向量检索提升问答质量。通过实例展示了单独使用向量检索和图检索的局限性,并通过图+向量联合搜索增强了问答准确性。PolarDB支持AGE图引擎和pgvector插件,实现图数据和向量数据的统一存储与检索,提升了RAG系统的性能和效果。