【8月16日直播】持续交付和质量红线牵手,RDC自动化测试和持续集成服务上线

简介: 面对繁杂机械重复的测试工作,面对测试精度、难度极高的大数据量校验、单元测试、统计测试覆盖率等工作,面对多线程的并发测试,如何使用软件或工具,帮助减少重复机械工作,将繁杂工作流程化、自动化,提高测试的准确性和测试人员的积极性。
​面对繁杂机械重复的测试工作,面对测试精度、难度极高的大数据量校验、单元测试、统计测试覆盖率等工作,面对多线程的并发测试,如何使用软件或工具,帮助减少重复机械工作,将繁杂工作流程化、自动化,提高测试的准确性和测试人员的积极性。
阿里巴巴研发协同平台资深开发工程师迪龙分享如何 帮助企业把控质量红线?
RDC提供了完备的Pipeline, 在整个研发过程开发代码提交后自动触发单元测试, 静态代码扫描。应用发布打包,部署, 自动触发集成测试, 构成了开发和测试共同参与的一套流水线. 在持续交付的实践中, 这样的做法可以有效的加快开发测试效率, 以最小的成本, 找到代码中的错误, 保持代码的质量平稳, 发布周期可预。

下面就跟着我三步搞定研发协同RDC的实验室新功能。

启用实验室

在 项目 目录的 设置 页面里,切换到 服务 模块,在 实验室 图标上点击 添加 。启用实验室

实验室 会出现在左侧的菜单栏里,这样就完成了 启用实验室 。点击就可以进入到实验室页面。实验室列表

新建实验室

在 实验室 页面,点击 新建 按钮,会在浮层里出现新建实验室的表单新建实验室

在表单里一共有四项内容:代码地址,分支,构建配置文件,名称。其中需要将 构建配置文件 放置在代码根目录下,点击 编辑帮助 进入到 构建配置编辑 页面,点击右上角可以 切换到源码模式构建配置

一个典型的构建配置如下:


  
  
  1. stage:
  2. 单元测试:
  3. env:
  4. cluster: rdc
  5. plugin:
  6. -
  7. param:
  8. url: '${repo}'
  9. branch: '${branch}'
  10. path: '${source_root}'
  11. name: checkout
  12. pos: front
  13. -
  14. param:
  15. source_path: '${source_root}'
  16. source_old_path: '${source_root}/../sourceold'
  17. type: java
  18. diffcoverage: open
  19. coverage: open
  20. name: java_coverage_collector
  21. pos: back
  22. -
  23. param:
  24. path: '${source_root}'
  25. name: case_result_parser
  26. pos: back
  27. exec:
  28. - 'mvn -B install -Dmaven.test.skip=true -Dautoconfig.skip'
  29. - 'mvn -B org.codehaus.mojo:cobertura-maven-plugin:2.7:cobertura -Dmaven.test.failure.ignore=true'
  30. 集成测试:
  31. env:
  32. load: 单元测试
  33. plugin:
  34. -
  35. param:
  36. url: '${repo}'
  37. branch: '${branch}'
  38. path: '${source_root}'
  39. name: checkout
  40. pos: front
  41. -
  42. param:
  43. path: '${source_root}'
  44. name: case_result_parser
  45. pos: back
  46. exec:
  47. - 'mvn -B test -Dmaven.test.failure.ignore=true'
  48. pipeline:
  49. - 单元测试
  50. - 集成测试

stage 执行阶段,一个构建可以包含多个阶段。
env 执行环境
cluster 集群环境,目前提供公共集群 rdc, 一次构建只能使用一个环境
load 复用环境
exec 执行脚本
plugin 插件
pipeline 执行顺序,数组类型。数组里的每一项对应阶段键名。按数组顺序依次串行执行。

编辑完成后,点击下载。将下载下来的 .rdcci.yml 文件提交到代码项目里。填写完表单和上述操作后,点击新建按钮就可以看到构建的进行情况了。

运行实验室

新建完实验室就会直接运行了。点击右上角的 运行 按钮可以再次构建了。运行实验室

在公测期间,实验室首先提供自动化测试服务,并且暂时只支持 阿里云Code 托管的公共代码项目(如果是Private的代码项目,需要有相应的访问权限)

立即体验研发协同RDC实验室自动化测试和持续集成功能,点击“研发协同RDC”开始体验。

相关文章
|
6月前
|
存储 文字识别 自然语言处理
通义大模型在文档自动化处理中的高效部署指南(OCR集成与批量处理优化)
本文深入探讨了通义大模型在文档自动化处理中的应用,重点解决传统OCR识别精度低、效率瓶颈等问题。通过多模态编码与跨模态融合技术,通义大模型实现了高精度的文本检测与版面分析。文章详细介绍了OCR集成流程、批量处理优化策略及实战案例,展示了动态批处理和分布式架构带来的性能提升。实验结果表明,优化后系统处理速度可达210页/分钟,准确率达96.8%,单文档延迟降至0.3秒,为文档处理领域提供了高效解决方案。
712 1
|
5月前
|
XML jenkins 机器人
JMeter+Ant+Jenkins实现接口自动化测试持续集成
本文介绍了如何使用Ant生成JMeter接口测试报告,并集成到Jenkins中实现自动化测试。内容涵盖Ant与JMeter环境配置、build.xml文件设置、测试执行及报告生成,同时包括Jenkins插件安装、项目配置和钉钉消息通知的集成,帮助实现持续测试与结果可视化。
682 0
|
3月前
|
Java 测试技术 API
自动化测试工具集成及实践
自动化测试用例的覆盖度及关键点最佳实践、自动化测试工具、集成方法、自动化脚本编写等(兼容多语言(Java、Python、Go、C++、C#等)、多框架(Spring、React、Vue等))
159 6
|
10月前
|
人工智能 Kubernetes jenkins
容器化AI模型的持续集成与持续交付(CI/CD):自动化模型更新与部署
在前几篇文章中,我们探讨了容器化AI模型的部署、监控、弹性伸缩及安全防护。为加速模型迭代以适应新数据和业务需求,需实现容器化AI模型的持续集成与持续交付(CI/CD)。CI/CD通过自动化构建、测试和部署流程,提高模型更新速度和质量,降低部署风险,增强团队协作。使用Jenkins和Kubernetes可构建高效CI/CD流水线,自动化模型开发和部署,确保环境一致性并提升整体效率。
|
5月前
|
Web App开发 开发框架 .NET
Playwright 自动化测试系列(6)| 第三阶段:测试框架集成​指南:参数化测试 + 多浏览器并行执行
Pytest 与 Playwright 集成可提升自动化测试效率,支持参数化测试、多浏览器并行执行及统一报告生成。通过数据驱动、Fixture 管理和并行优化,显著增强测试覆盖率与执行速度,适用于复杂 Web 应用测试场景。
|
6月前
|
人工智能 Java 测试技术
SpringBoot 测试实践:单元测试与集成测试
在 Spring Boot 测试中,@MockBean 用于创建完全模拟的 Bean,替代真实对象行为;而 @SpyBean 则用于部分模拟,保留未指定方法的真实实现。两者结合 Mockito 可灵活控制依赖行为,提升测试覆盖率。合理使用 @ContextConfiguration 和避免滥用 @SpringBootTest 可优化测试上下文加载速度,提高测试效率。
351 5
|
5月前
|
测试技术 API C++
Playwright 自动化测试系列(7)| 第三阶段:测试框架集成​​Page Object 模式
本课程详解Playwright测试框架中的Page Object模式,通过电商登录-下单实战演示PO架构设计与高级技巧,结合Pytest实现多用户测试。重点解析PO模式提升代码复用性、降低维护成本的核心价值,并提供常见问题解决方案,助力构建高可维护性的自动化测试体系。
|
8月前
|
人工智能 API 开发工具
GitHub官方开源MCP服务!GitHub MCP Server:无缝集成GitHub API,实现Git流程完全自动化
GitHub MCP Server是基于Model Context Protocol的服务器工具,提供与GitHub API的无缝集成,支持自动化处理问题、Pull Request和仓库管理等功能。
1600 2
GitHub官方开源MCP服务!GitHub MCP Server:无缝集成GitHub API,实现Git流程完全自动化
|
6月前
|
测试技术 Python
Python接口自动化测试中Mock服务的实施。
总结一下,Mock服务在接口自动化测试中的应用,可以让我们拥有更高的灵活度。而Python的 `unittest.mock`库为我们提供强大的支持。只要我们正确使用Mock服务,那么在任何情况下,无论是接口是否可用,都可以进行准确有效的测试。这样,就大大提高了自动化测试的稳定性和可靠性。
279 0
|
10月前
|
人工智能 IDE 测试技术
用户说 | 通义灵码2.0,跨语言编码+自动生成单元测试+集成DeepSeek模型且免费使用
用户说 | 通义灵码2.0,跨语言编码+自动生成单元测试+集成DeepSeek模型且免费使用

热门文章

最新文章