Cypress系列(64)- 数据驱动策略

简介: Cypress系列(64)- 数据驱动策略

如果想从头学起Cypress,可以看下面的系列文章哦

https://www.cnblogs.com/poloyy/category/1768839.html

 

前言


  • 数据驱动是测试框架中最常用的设计模式了
  • 使用数据驱动,可以在不增加代码量的前提下根据数据生成不同的测试策略

 

策略一:数据通过 JS 的方式创建


describe('测试数据放在前置条件里', function () {
    let testDatas = testDatas = [
        {'name': 'yy', 'password': 'helloqa'},
        {'name': 'age', 'password': 'helloqa2'}]
    // 循环生成测试用例
    for (const data in testDatas) {
        it(`测试外部数据${data}`, function () {
            cy.log(testDatas[data].name, testDatas[data].password)
        });
    }
})


策略二:使用 fixtures(推荐)


直接看我这篇文章就好了:https://www.cnblogs.com/poloyy/p/13714430.html

 

策略三:数据保存在自定义文件中


// 导入数据文件 example.json,并保存在 testData 变量中
import testData from '../../data/example.json'
describe('数据驱动的栗子', function () {
    describe('数据保存在自定义文件中', function () {
        for (const data in testData) {
            it(`测试外部数据${data}`, function () {
                cy.log(testData[data].name, testData[data].body)
            });
        }
    })
})


image.png

相关文章
|
4月前
|
敏捷开发 API
【sgCreateAPI】自定义小工具:敏捷开发→自动化生成API接口脚本(接口代码生成工具)
【sgCreateAPI】自定义小工具:敏捷开发→自动化生成API接口脚本(接口代码生成工具)
|
2天前
|
人工智能 决策智能 C++
【AI Agent教程】【MetaGPT】案例拆解:使用MetaGPT实现“狼人杀“游戏(1)- 整体框架解析
【AI Agent教程】【MetaGPT】案例拆解:使用MetaGPT实现“狼人杀“游戏(1)- 整体框架解析
32 1
|
3天前
自动化脚本之4G模块配置
自动化脚本之4G模块配置
8 0
|
13天前
|
前端开发 JavaScript Java
框架分析(1)-IT人必须会
框架分析(1)-IT人必须会
框架分析(1)-IT人必须会
|
13天前
|
Web App开发 前端开发 Java
框架分析(11)-测试框架
框架分析(11)-测试框架
|
18天前
|
机器学习/深度学习 数据采集 人工智能
人工智能,应该如何测试?(四)模型全生命周期流程与测试图
本文补充了完整的业务和测试流程,包括生命周期流程图,强调测试人员在模型测试中的角色。主要测试活动有:1) 离线模型测试,使用训练集、验证集和测试集评估模型;2) 线上线下一致性测试,确保特征工程的一致性;3) A/B Test,逐步替换新旧模型以观察效果;4) 线上模型监控,实时跟踪用户行为变化;5) 数据质量测试,验证新数据质量以防影响模型效果。
14 0
|
25天前
|
C++ Python
量化交易系统开发详细步骤/需求功能/策略逻辑/源码指南
Developing a quantitative trading system involves multiple steps, and the following is a possible development process
|
4月前
|
设计模式 人工智能 测试技术
软件测试/人工智能|如何使用ChatGPT编写符合PO模式的数据驱动测试框架
软件测试/人工智能|如何使用ChatGPT编写符合PO模式的数据驱动测试框架
55 0
|
机器学习/深度学习 存储 监控
DVC 使用案例(三):机器学习持续集成与持续交互( CI/CD )
将 DevOps 方法应用于机器学习 (MLOps) 和数据管理 (DataOps) 越来越普遍。对于一个完善的 MLOps 平台来说,需要囊括资源编排(为模型训练提供服务器)、模型测试(验证模型推理)、模型部署到生产,以及模型监控和反馈等机器学习生命周期各个环节。 DVC 可以管理数据/模型和重现 ML 流水线,而 CML 可以协助编排、测试以及监控。
|
资源调度 测试技术
Cypress系列(66)- 测试运行最佳实践
Cypress系列(66)- 测试运行最佳实践
157 0
Cypress系列(66)- 测试运行最佳实践