多机混合并发测试

简介: 一、前言首先是启动appium,由于多台真机设备的测试,当然是要用到多个appium,其实对于多设备用appium做并发自动化测试,为了解决冲突,无非是解决两个问题a、设备udid向appium发送以识别是哪台设备要做自动化测试b、appium启动所占用的端口其实a的话有尝试过做指定设备的自动化测试就知道,b的话无非是appium用到的服务端口(默认4723),对应还有android端的bootstrap的端口以及iOS端的webdriveragent的转发端口,关于端口问题,在appium 1.6.5之后都是没问题的。

一、前言

首先是启动appium,由于多台真机设备的测试,当然是要用到多个appium,其实对于多设备用appium做并发自动化测试,为了解决冲突,无非是解决两个问题

a、设备udid向appium发送以识别是哪台设备要做自动化测试
b、appium启动所占用的端口

其实a的话有尝试过做指定设备的自动化测试就知道,b的话无非是appium用到的服务端口(默认4723),对应还有android端的bootstrap的端口以及iOS端的webdriveragent的转发端口,关于端口问题,在appium 1.6.5之后都是没问题的。
17

二、准备

iOS需要准备可正常build & test 的wda

若要在iOS真机执行,需要提前安装真机执行所需依赖

三、执行

【iOS】
appium -p 4723 --webdriveragent-port 8102 --device-name f899b567337e8eb4505ccad03752e00f56809ac8

appium -p 4725 --webdriveragent-port 8100 --device-name  bd07a036d51bad5c0b7269f3f1f6adc83149f177

--webdriveragent-port 就是webdriveragent的端口转发的指定端口,比如在iOS端上的webdriveragent启动服务后默认是手机ip:8100,那你本地就可以通过一个如8101的端口去映射手机的8100端,这样就能做到访问手机上的webdriveragent

顺带提一下一般appium是用自己目录下面的webdirveragent来build的,所以在此之前需要去里面添加证书和重命名包名,不然build不成功就不可行了

【Android】
appium -p 4723 -bp 8201 -U 68de2f65

appium -p 4724 -bp 8202 -U 81CEBMJ2379J
相关文章
|
3月前
|
并行计算 算法 调度
自研分布式训练框架EPL问题之提高GPU利用率如何解决
自研分布式训练框架EPL问题之提高GPU利用率如何解决
|
3月前
|
自然语言处理 Java
自研分布式训练框架EPL问题之实现显存的极致优化如何解决
自研分布式训练框架EPL问题之实现显存的极致优化如何解决
|
3月前
|
存储 缓存 弹性计算
解读大模型时代的数据加速:性能、稳定性与一致性一个都不能少
本文探讨了在大模型时代,如何在数据加速中平衡性能、稳定性和一致性,通过阿里云ACK Fluid的实例,详细解析了优化策略与最佳实践,旨在帮助用户高效应对数据管理挑战。
|
5月前
|
负载均衡 并行计算 Java
分布式系统中,利用并行和并发来提高整体的处理能力
分布式系统中,利用并行和并发来提高整体的处理能力
|
4月前
|
固态存储 测试技术 数据库
最新测试揭秘:TDengine 线性扩展能力能否满足你的性能需求?
**摘要:** TDengine 的线性扩展能力通过CPU和磁盘测试得以验证。在CPU测试中,使用TDengine V3.3.0.0和taosBenchmark,随着CPU核数从4增至12,写入性能线性提升,每个CPU增加对应约50W条/秒的提升,保持CPU在瓶颈状态。磁盘IO测试中,使用低速机械盘,增加磁盘数量导致写入性能成比例增长,充分利用新增磁盘IO。测试结果表明,无论CPU还是磁盘扩展,TDengine都能有效利用资源,展示出出色的线性扩展能力。
65 0
|
算法 数据库 异构计算
Milvus 2.3.功能全面升级,核心组件再升级,超低延迟、高准确度、MMap一触开启数据处理量翻倍、支持GPU使用!
Milvus 2.3.功能全面升级,核心组件再升级,超低延迟、高准确度、MMap一触开启数据处理量翻倍、支持GPU使用!
Milvus 2.3.功能全面升级,核心组件再升级,超低延迟、高准确度、MMap一触开启数据处理量翻倍、支持GPU使用!
|
存储 Oracle JavaScript
300万数据导入导出优化方案,从80s优化到8s(实测)
300万数据导入导出优化方案,从80s优化到8s(实测)
300万数据导入导出优化方案,从80s优化到8s(实测)
|
机器学习/深度学习 存储 缓存
Plasticine: 面向并行模式的可重配架构(下)
Plasticine: 面向并行模式的可重配架构(下)
302 2
Plasticine: 面向并行模式的可重配架构(下)
|
存储 机器学习/深度学习 算法
Plasticine: 面向并行模式的可重配架构(上)
Plasticine: 面向并行模式的可重配架构(上)
284 0
Plasticine: 面向并行模式的可重配架构(上)
|
SQL 并行计算 Oracle
最佳实践—混合负载HTAP的实践和优化
背景信息 本文主要提供数据库上云后OLTP+OLAP一体化架构的最佳实践,既HTAP。主要面对的业务应用范围: 混合型HTAP数据库需求:如ORACLE数据库改造上云,云上数据库方案选型; OLTP系统查询慢,存在分析型场景和瓶颈的客户; 读写分离需求。
664 0
最佳实践—混合负载HTAP的实践和优化
下一篇
无影云桌面