DDT數據驅動Python

一、DDT數據驅動Python

DDT全稱Data-Driven Tests，是基於Python語言寫的數據驅動測試框架，可以通過參數化來進行測試數據的準備和自動化測試這兩個流程. 它可以讓測試人員僅通過不同的數據配置來測試同一個用例的不同情況，從而減少代碼的重複量，增加測試用例的覆蓋率和靈活性。

二、Python DDT數據驅動詳解

DDT的核心思想是將測試數據和測試用例分離，測試數據可以由一些矩陣（Vector）和列表（List）組成，測試用例實現單元測試用例。在DDT中，測試數據是通過一個裝飾器 @data 和一個參數裝飾器 @unpack 來處理的。裝飾器是Python語言中使函數擁有特殊功能的語法糖，使函數有了更多的功能。通過@data 和 @unpack 裝飾器就可以快速的為`test_xxxxxx` （`xxxxxx`表示你自己寫的測試用例函數名）指定測試數據來進行自動化測試。下面是示例代碼：

import unittest
from ddt import ddt, data, unpack

@ddt
class Test_Demo(unittest.TestCase):
    @data([1, 2], [3, 4], [5, 6])
    @unpack
    def test_add(self, a, b):
        result = a + b
        self.assertEqual(result, a + b)

三、Python數據驅動框架DDT

DDT是一個數據驅動框架，可以將測試數據集中在一個文件中，可以在單獨的文件中創建以要測試函數名稱命名的CSV、JSON、EXCEL等文件，在這些文件中存儲要測試的數據。這樣可以讓代碼結構更清晰，也更適合重複測試，因為我們可以只使用一部分數據對代碼進行多次測試。這裡給出一個CSV的示例代碼：

1,2
3,4
5,6

Python代碼中讀取CSV數據：

import csv
temp = []
with open('data.csv', 'r', encoding='utf-8') as myfile:
    lines = csv.reader(myfile)
    for line in lines:
        temp.append(line)

四、Pytest DDT數據驅動

DDT對於Pytest來說也同樣很重要，它可以使用 @pytest.mark.parametrize 裝飾器來為測試用例指定測試數據，功能與@data,@unpack相同，下面是示例代碼：

import pytest
@pytest.mark.parametrize("input1, input2, expect_output", [
    (3, 5, 8),
    (-2, 5, 3),
    (6, -3, 3),
])
def test_add(input1, input2, expect_output):
    result = input1 + input2
    assert result == expect_output

五、Python中DDT驅動

在使用python的時候，需要預先安裝ddt模塊。ddt是Python的單元測試框架，它可以針對不同的數據場景使同一個測試用例重複執行多次，並根據數據進行斷言判斷。下面是使用ddt的示例代碼：

import unittest
from ddt import ddt, data, unpack

@ddt
class Test_Demo(unittest.TestCase):
    @data([1, 2], [3, 4], [5, 6])
    @unpack
    def test_add(self, a, b):
        result = a + b
        self.assertEqual(result, a + b)

六、DDT數據驅動的作用

DDT可以有效地減少代碼的重複量，增加測試用例的覆蓋率和靈活性。在實際的測試工作中，我們通常需要重複測試某個用例的多個不同測試數據，有時我們需要測試用例的所有參數都是變量，如果每個變量都重新寫一個測試用例，會使代碼變得非常冗長，很難維護。而使用數據驅動模塊，我們可以使用一個測試用例和很多數據來測試不同的情況。

七、DDT數據驅動原理

DDT是如何實現數據驅動的呢？當我們使用 @data 裝飾器時，我們可以在這個裝飾器中設置(多)個測試用例數據，每組測試用例數據都會被傳遞給測試方法。測試系統會對測試方法及所傳遞的參數實例化，並進行調用。舉個例子，我們傳遞了兩組測試用例數據給測試方法test_add(a, b)，那麼test_add(a, b)就會被實例化兩次，每次會傳遞一個測試用例數據，從而實現自動化測試多組數據變量化傳參的目的。

八、DDT數據驅動模式

DDT有多種數據驅動模式：列表（List）、元組（Tuple）、字典（Dict）、嵌套列表和自定義類型。我們可以根據實際測試用例的需求來選擇相應的數據驅動模式。下面給出一個元組和嵌套列表的實例：

@ddt
class Test_Demo(unittest.TestCase):
    @data((1,2), (3,4), (5,6))
    def test_add_tuple(self, value):
        result = sum(value)
        self.assertEqual(result, value[0]+value[1])
   
    @data([1,2], [3,4], [5,6])
    @unpack
    def test_add_list(self, a, b):
        result = a + b
        self.assertEqual(result, a + b)

九、DDT數據驅動YAML文件選取

除了CSV、JSON、EXCEL文件，DDT還支持從YAML文件中讀取測試數據。YAML文件是一種數據格式，比CSV、JSON文件更為人類可讀。下面給出一個YAML的測試數據文件：

- a: 1
  b: 2
- a: 3
  b: 4
- a: 5
  b: 6

Python代碼中讀取YAML數據：

import yaml
temp = []
with open('data.yaml', 'r', encoding='utf-8') as f:
    data = yaml.load(f)
    for item in data:
        temp.append((item.get('a'), item.get('b')))

以上就是DDT數據驅動Python的詳細闡述，希望對你有所幫助。