Robot Framework's built-in tool:libdoc

简介: Libdoc是Robot框架的内置工具之一,用于生成HTML和XML格式的测试库和资源文件的关键字文档,使用起来我感觉非常的灵活方便。General Usage语法使用python -m robot.

Libdoc是Robot框架的内置工具之一,用于生成HTML和XML格式的测试库和资源文件的关键字文档,使用起来我感觉非常的灵活方便。

General Usage

语法使用

python -m robot.libdoc [options] library_or_resource output_file
python -m robot.libdoc [options] library_or_resource list|show|version [names]

选项支持

-f, --format <html|xml>
    指定输出文档的格式,如果不使用此选项,则从输出文件的扩展名自动获取格式。如以下两种写法都是支持的:
      python -m robot.libdoc -f html SeleniumLibrary SL   或  
      python -m robot.libdoc  SeleniumLibrary SL.html

-F, --docformat <robot|html|text|rest>
    指定源文档格式,可能的值为Robot框架的文档格式:HTML、纯文本和reStructuredText。默认值可以在测试库源代码中指定,初始默认值为robot,支持2.7.5版本以上版本。

-N,--name <newname>
设置源库或资源的名称。

-V, --version <newversion>
  设置文档化库或资源的版本。测试库的默认值是从源代码获得的。

-h --help
    获取帮助文档

Examples

# 库或资源名称字母区分大小写
python -m robot.libdoc OperatingSystem OperatingSystem.html
python -m robot.libdoc --name MyLibrary Remote::http://10.0.0.42:8270 MyLibrary.xml
python -m robot.libdoc test/resource.html doc/resource_doc.html
python -m robot.libdoc SeleniumLibrary list >list.txt
jython -m robot.libdoc --version 1.0 MyJavaLibrary.java MyJavaLibrary.html
相关文章
|
JavaScript 算法 数据安全/隐私保护
原生JS实现:密码输入框显示隐藏密码效果
原生JS实现:密码输入框显示隐藏密码效果
373 4
|
存储 SQL 运维
一步到位,服务器监控就是这么简单
对于运维的日常工作来说,服务器监控是必须且最基础的一项内容。在企业基础设施运维过程中,管理员必须能够掌握所有服务器的运行状况,以便及时发现问题,尽可能减少故障的发生。本期为大家介绍如何使用阿里云SLS来快速构建一套完整的服务器/主机基础指标实时监控方案。
5555 0
 一步到位,服务器监控就是这么简单
|
存储 分布式数据库 Hbase
HBase scan过程简析
HBase scan过程简析。 scan过程总体上是分层处理的,与存储上的组织方式一致,脉络比较清晰; 具体来说,就是region->store→hfile/memstore,分别都有对应的scanner实现进行数据读取; scan请求本身设置的条件,以及server和table层面的一些参数限制,会根据需要分布在不同层次的scanner中进行处理; 2.
2515 0
HBase scan过程简析
|
Rust 安全 Go
揭秘Rust语言:为何它能让你在编程江湖中,既安全驰骋又高效超车,颠覆你的编程世界观!
【8月更文挑战第31天】Rust 是一门新兴的系统级编程语言,以其卓越的安全性、高性能和强大的并发能力著称。它通过独特的所有权和借用检查机制解决了内存安全问题,使开发者既能享受 C/C++ 的性能,又能避免常见的内存错误。Rust 支持零成本抽象,确保高级抽象不牺牲性能,同时提供模块化和并发编程支持,适用于系统应用、嵌入式设备及网络服务等多种场景。从简单的 “Hello World” 程序到复杂的系统开发,Rust 正逐渐成为现代软件开发的热门选择。
384 1
|
数据挖掘 Linux
服务器数据恢复—误操作导致xfs文件系统丢失,无法访问的数据恢复案例
一台服务器+MD1200磁盘柜通过RAID卡创建了一组RAID5阵列并分配一个LUN。在Linux系统层面将该LUN划分了sdc1和sdc2两个分区。通过LVM扩容的方式将sdc1分区加入到了卷组中的一个逻辑卷中,sdc2分区格式化为XFS文件系统使用。Linux操作系统采用的xfs文件系统。
服务器数据恢复—误操作导致xfs文件系统丢失,无法访问的数据恢复案例
|
缓存 运维 监控
打造稳定高效的数据引擎:数据库服务器运维最佳实践全解析
打造稳定高效的数据引擎:数据库服务器运维最佳实践全解析
|
8月前
|
Web App开发 人工智能
翻译类插件 实现英文文献自由
这是一组提升阅读与学习效率的翻译及语言辅助插件简介,包含:Google 翻译(快速整页翻译)、彩云小译(AI 翻译支持双语对照)、DeepL Translator(高精准度翻译)、Mate Translate(单词翻译带发音例句)和 Readlang Web Reader(生词点击翻译与保存功能)。以上工具各具特色,满足不同场景下的翻译与学习需求。
232 4
|
PyTorch TensorFlow API
大模型中 .safetensors 文件、.ckpt文件、.gguf和.pth以及.bin文件区别、加载和保存以及转换方式
本文讨论了大模型中不同文件格式如`.safetensors`、`.ckpt`、`.gguf`、`.pth`和`.bin`的区别、用途以及如何在TensorFlow、PyTorch和ONNX等框架之间进行加载、保存和转换。
4201 2
|
存储 人工智能 搜索推荐
RAG系统的7个检索指标:信息检索任务准确性评估指南
大型语言模型(LLMs)在生成式AI领域备受关注,但其知识局限性和幻觉问题仍具挑战。检索增强生成(RAG)通过引入外部知识和上下文,有效解决了这些问题,并成为2024年最具影响力的AI技术之一。RAG评估需超越简单的实现方式,建立有效的性能度量标准。本文重点讨论了七个核心检索指标,包括准确率、精确率、召回率、F1分数、平均倒数排名(MRR)、平均精确率均值(MAP)和归一化折损累积增益(nDCG),为评估和优化RAG系统提供了重要依据。这些指标不仅在RAG中发挥作用,还广泛应用于搜索引擎、电子商务、推荐系统等领域。
6046 2
RAG系统的7个检索指标:信息检索任务准确性评估指南
|
XML IDE Java
JavaFX 教程
JavaFX 教程
1035 1