python API自动化(Pytest+Excel+Allure完整框架集成+yaml入门+大量响应报文处理及加解密、签名处理)

1.pytest数据参数化

假设你需要测试一个登录功能，输入用户名和密码后验证登录结果。可以使用参数化实现多组输入数据的测试:

测试正确的用户名和密码登录成功

测试正确的用户名和错误的密码登录失败

测试错误的用户名和正确的密码登录失败

测试错误的用户名和密码登录失败

在参数化中我们可以单参数、多参数、函数数据参数化

不管哪一种场景，它们都是数据不一样而产生的问题。核心步骤其实都是一样的---发送请求。

我们采取的思想就是进行数据分离--DDT数据驱动

# 1. 第一个情况：单数据
data = [值1,值2,值3...]
data = (值1,值2,值3...)单数据，通过对应的下标去进行获取【pytest会自己进行处理】# 2. 第一个情况：多数据，列表和元组嵌套
data = [("admin","123456"),("admin","123456"),("admin","123456"),...]
data = (["admin","123456"],["admin","123456"],...)
多数据，通过对应的下标去进行获取# 3.【重要】：列表嵌套字典
data = [{“name”:"admin","password":"123456"},
{“name”:"admin","password":"123456"},
{“name”:"admin","password":"123456"}
...]
多数据，通过对应的KEY去进行获取2. 引用对应的数据
在对应的方法上去加上一个装饰器即可引用：
@pytest.mark.parametrize(argnames,argvalues)
@pytest.mark.parametrize("变量名",引用的变量的值)  #  引用上面的数据，并且取名加：变量名

2. Pytest+Excel接口自动化框架

我们如何将对应的数据信息进行提取出来,我们如何使用python来读取Excel

读取excel的方法如下


import openpyxl
from collectionsFramework.P02_pytest_excel_allure.config import *class FileReader:"""专门用来读取和写入yaml、excel文件"""# 读取excel--openpyxl -- 文件格式：.xlsx@staticmethod  # 直接通过类名进行调用def read_excel(file_path=CASEDATAURL, sheet_name=SHEETNAME):"""读取Excel文件，只支持 .xlsx文件:param file_path: 文件路径:return: excel文件数据,元组的格式"""# 打开现有的Excel文件或创建新的文件try:#  正常情况下直接打开workbook = openpyxl.load_workbook(file_path)except FileNotFoundError:workbook = openpyxl.Workbook()# 选择或创建指定的工作表if sheet_name in workbook.sheetnames:# 【正常】  判断有没有对应的shtttname ，有的话把对应的数据给我加载出来worksheet = workbook[sheet_name]else:# 没有的话，给我新建一个worksheet = workbook.create_sheet(sheet_name)# 获取列名 --- 把第2行的数据拿出来作为我们的key值headers = [cell.value for cell in worksheet[2]]# print("所有的key", headers)# 将数据存储为字典,并且放在我们data当中data = []  # 所有的数据# 把小的数据从第三行开始for row in worksheet.iter_rows(min_row=3, values_only=True):data.append(dict(zip(headers, row)))# data.append(dict(zip(headers, row)))# data.append()# dict(zip(headers, row))  # key 和 value 一一对应起来 ==={}workbook.close()# 所有的数据return dataif __name__ == '__main__':CaseData = FileReader.read_excel()print(CaseData)

EXCEL读取的方法封装

# -*- coding: utf-8 -*-
# @Time : 2023/11/8 20:55
# @Author : Hami
import json
import pytest
from collectionsFramework.P02_pytest_excel_allure.common.FileDataDriver import FileReader
from collectionsFramework.P02_pytest_excel_allure.api_keyword.api_key import ApiKeyclass TestCase:# 获取对应的数据 CaseData 需要从文档当中去进行读取CaseData = FileReader.read_excel()ak = ApiKey()@pytest.mark.parametrize("CaseData", CaseData)def testCase(self, CaseData):# 没一个对应的数据都来临，获取对应的接口请求的四要素# 1. 获取数据(四要素) 2. 发送请求 3.获取响应数据 4.断言# 1. 字典获取的方式依次拿到# url = CaseData["url"]+CaseData["path"]# params = eval(CaseData["params"])# headers = eval(CaseData["headers"])# data = eval(CaseData["data"])dict_data = {"url":CaseData["url"]+CaseData["path"],"params": eval(CaseData["params"]),"headers": eval(CaseData["headers"]),"data": eval(CaseData["data"])}if CaseData["type"] == "json":dict_data["data"] = json.dumps(dict_data["data"])# self.ak.post(url=url,....)  # 不建议res = self.ak.post(**dict_data) # 不定长参数传值方式print(res)

eval

eval() 函数是 Python 内置的一个函数，用于将字符串作为代码执行，并返回结果。

def add(a, b):
return a + b
result = eval("add(2, 3)")
print(result) # 输出: 5

getattr()函数的应用

getattr() 函数是 Python 内置的一个函数，用于获取对象的属性或方法

getattr(object, name, default)
object : 表示要获取属性或方法的对象。

name : 表示要获取的属性或方法的名称。

default (可选): 表示当属性或方法不存在时的默认值

例子如下

"""
`getattr()` 函数是 Python 内置的一个函数，用于获取对象的属性或方法。
语法结构：
getattr(object, name, default)
- `object`: 表示要获取属性或方法的对象。
- `name`: 表示要获取的属性或方法的名称。
- `default` (可选): 表示当属性或方法不存在时的默认值。
"""
# 案例一：类当中只有属性
class MyClass:
name = "hami"
age = 18
obj = MyClass()
value = getattr(obj, "name")
print(value) # 输出: hami
# 案例二：类当中对应的属性不存在（有参数）,如果直接参数不存在也没有给参数，报错
class MyClass:
name = "hami"
age = 18
obj = MyClass()
value = getattr(obj, "sex", "女")
print(value) # 输出: hami
# 案例三：类当中对应的方法，一定要记得调用（无参数）
class MyClass:
def greet(self):
print("Hello, world!")
obj = MyClass()
method = getattr(obj, "greet") # 返回对应的方法
method() # 输出: Hello, world!
# 案例四：类当中对应的方法，一定要记得调用（有参数）
class MyClass:
def greet(self,name,age):
print("您的姓名是: {}，年龄是：{}".format(name,age))
obj = MyClass()
method = getattr(obj, "greet")("hami","25") # 您的姓名是hami，年龄是：25

封装主函数


import json
import pytest
from collectionsFramework.P02_pytest_excel_allure.common.FileDataDriver import FileReader
from collectionsFramework.P02_pytest_excel_allure.api_keyword.api_key import ApiKey
from collectionsFramework.P02_pytest_excel_allure.config import *class TestCase:# 获取对应的数据 CaseData 需要从文档当中去进行读取# 1. 获取数据(四要素) 2. 发送请求 3.获取响应数据 4.断言CaseData = FileReader.read_excel()ak = ApiKey()@pytest.mark.parametrize("CaseData", CaseData)def testCase(self, CaseData):# -------------------------发送请求-------------------------------try:# 请求数据dict_data = {"url": CaseData["url"] + CaseData["path"],"params": eval(CaseData["params"]),"headers": eval(CaseData["headers"]),"data": eval(CaseData["data"])}if CaseData["type"] == "json":dict_data["data"] = json.dumps(dict_data["data"])except Exception:value = MSG_DATA_ERROR# ----待定----print("写入测试结果", value)else:# 得到对应的响应数据res = getattr(self.ak, CaseData["method"])(**dict_data)# -------------------------进行断言处理-------------------------------# 实际结果try:msg = self.ak.get_text(res.json(),CaseData["actualResult"])except Exception:value = MSG_EXDATA_ERROR# ----待定----print("写入测试结果", value)else:# 只会是一个分支语言，但是不会造成测试结果成功或者失败，所以必须无论如何都是需要断言if msg == CaseData["expectResult"]:value = MSG_ASSERT_OKelse:value = MSG_ASSERT_NO# ----待定----print("写入测试结果", value)finally:assert msg == CaseData["expectResult"],value

Allure报告日志及动态标题


import json
import pytest
from collectionsFramework.P02_pytest_excel_allure.common.FileDataDriver import FileReader
from collectionsFramework.P02_pytest_excel_allure.api_keyword.api_key import ApiKey
from collectionsFramework.P02_pytest_excel_allure.config import *import allureclass TestCase:# 获取对应的数据 CaseData 需要从文档当中去进行读取# 1. 获取数据(四要素) 2. 发送请求 3.获取响应数据 4.断言CaseData = FileReader.read_excel()ak = ApiKey()def __dynamic_title(self, CaseData):# # 动态生成标题# allure.dynamic.title(data[11])# 如果存在自定义标题if CaseData["caseName"] is not None:# 动态生成标题allure.dynamic.title(CaseData["caseName"])if CaseData["storyName"] is not None:# 动态获取story模块名allure.dynamic.story(CaseData["storyName"])if CaseData["featureName"] is not None:# 动态获取feature模块名allure.dynamic.feature(CaseData["featureName"])if CaseData["remark"] is not None:# 动态获取备注信息allure.dynamic.description(CaseData["remark"])if CaseData["rank"] is not None:# 动态获取级别信息(blocker、critical、normal、minor、trivial)allure.dynamic.severity(CaseData["rank"])@pytest.mark.parametrize("CaseData", CaseData)def testCase(self, CaseData):self.__dynamic_title(CaseData)# -------------------------发送请求-------------------------------try:# 请求数据dict_data = {"url": CaseData["url"] + CaseData["path"],"params": eval(CaseData["params"]),"headers": eval(CaseData["headers"]),"data": eval(CaseData["data"])}if CaseData["type"] == "json":dict_data["data"] = json.dumps(dict_data["data"])except Exception:value = MSG_DATA_ERROR# ----待定----print("写入测试结果", value)else:# 得到对应的响应数据res = getattr(self.ak, CaseData["method"])(**dict_data)# -------------------------进行断言处理-------------------------------# 实际结果try:msg = self.ak.get_text(res.json(),CaseData["actualResult"])except Exception:value = MSG_EXDATA_ERROR# ----待定----print("写入测试结果", value)else:# 只会是一个分支语言，但是不会造成测试结果成功或者失败，所以必须无论如何都是需要断言if msg == CaseData["expectResult"]:value = MSG_ASSERT_OKelse:value = MSG_ASSERT_NO# ----待定----print("写入测试结果", value)finally:assert msg == CaseData["expectResult"],value

3.Excel框架优化及Yaml入门

1.写入excel框架

我们在FileDataDriver.py，增加一个写入excel的方法

 @staticmethoddef writeDataToExcel(file_path=CASEDATAURL, sheet_name=SHEETNAME, row=None, column=None, value=None):# 打开现有的Excel文件或创建新的文件try:workbook = openpyxl.load_workbook(file_path)except FileNotFoundError:workbook = openpyxl.Workbook()# 选择或创建指定的工作表if sheet_name in workbook.sheetnames:worksheet = workbook[sheet_name]else:worksheet = workbook.create_sheet(sheet_name)# 写入数据到指定行和列worksheet.cell(row=row, column=column).value = value# 保存修改后的文件--- 所以执行过程当中excel是要关闭的状态workbook.save(file_path)

在config.py中写入对应的常量,我们就可以在对应的测试用例中修改代码如下


import json
import pytest
from YamlOptimization.P02_pytest_excel_allure.common.FileDataDriver import FileReader
from YamlOptimization.P02_pytest_excel_allure.api_keyword.api_key import ApiKey
from YamlOptimization.P02_pytest_excel_allure.config import *
import allureclass TestCase:# 获取对应的数据 CaseData 需要从文档当中去进行读取# 1. 获取数据(四要素) 2. 发送请求 3.获取响应数据 4.断言AllCaseData = FileReader.read_excel()ak = ApiKey()def __dynamic_title(self, CaseData):# # 动态生成标题# allure.dynamic.title(data[11])# 如果存在自定义标题if CaseData["caseName"] is not None:# 动态生成标题allure.dynamic.title(CaseData["caseName"])if CaseData["storyName"] is not None:# 动态获取story模块名allure.dynamic.story(CaseData["storyName"])if CaseData["featureName"] is not None:# 动态获取feature模块名allure.dynamic.feature(CaseData["featureName"])if CaseData["remark"] is not None:# 动态获取备注信息allure.dynamic.description(CaseData["remark"])if CaseData["rank"] is not None:# 动态获取级别信息(blocker、critical、normal、minor、trivial)allure.dynamic.severity(CaseData["rank"])@pytest.mark.parametrize("CaseData", AllCaseData)def testCase(self, CaseData):self.__dynamic_title(CaseData)# 写Excle的行和列row = CaseData["id"]column = 11# 初始化对应的值：res = Nonemsg = Nonevalue = None# -------------------------发送请求-------------------------------try:# 请求数据dict_data = {"url": CaseData["url"] + CaseData["path"],"params": eval(CaseData["params"]),"headers": eval(CaseData["headers"]),"data": eval(CaseData["data"])}if CaseData["type"] == "json":dict_data["data"] = json.dumps(dict_data["data"])except Exception:value = MSG_DATA_ERRORFileReader.writeDataToExcel(row=row,column=column,value=value)else:# 得到对应的响应数据res = getattr(self.ak, CaseData["method"])(**dict_data)# -------------------------进行断言处理-------------------------------# 实际结果try:msg = self.ak.get_text(res.json(), CaseData["actualResult"])except Exception:value = MSG_EXDATA_ERRORFileReader.writeDataToExcel(row=row,column=column,value=value)else:# 只会是一个分支语言，但是不会造成测试结果成功或者失败，所以必须无论如何都是需要断言if msg == CaseData["expectResult"]:value = MSG_ASSERT_OKelse:value = MSG_ASSERT_NOFileReader.writeDataToExcel(row=row,column=column,value=value)finally:assert msg == CaseData["expectResult"], value

2.实现优化接口关联

思路:

excel ---字段 {"key":"value"} ----{"变量名":"jsonpath值"，"变量名":"jsonpath值"}

{"token":"$..token"，"name":"$..name"}

2. 写一个方法：

循环遍历这个值：{"token":"$..token"，"name":"$..name"}

遍历的过程当中，通过"$..token"提取具体的值：56465456456313521456 ---new_value

3. 定义一个全局变量：专门用来存放提取之后的数据。

all_val={"token":"56465456456313521456"，"name":"hami"}

代码如下:

  def __json_extraction(self, CaseData, res):"""提取响应之后的数据:param CaseData: 当前的Case，主要获取需要提取数据的字段：jsonExData:param res:响应得到的对应的结果:return:"""try:if CaseData["jsonExData"]:Exdata = eval(CaseData["jsonExData"])  # {"VAR_TOKEN":"$..token","MSG":"$.msg"}print("需要提取的数据：>>>", Exdata)for key, value in Exdata.items():# 通过对应的jsonpath获取具体的数据new_value = self.ak.get_text(res.json(), value)self.all_var.update({key: new_value})print("提取出来的数据：>>>", self.all_var)else:print("需要提取的数据为空")except Exception:print("请检查你需要提取数据数据格式的正确性。")

3.进行变量渲染

我们提取出来的casedata如下所示

我们可以看到此处的id和var_token没有具体的值,我们需要把具体的值渲染进去

 all_val = {"VAR_TOKEN": "134324324324", "id": "158"}CaseData = {"id": 3,"url": "http://novel.hctestedu.com/book/queryBookDetail/{{id}}",'params': '{"application": "app",\n"application_client_type": "weixin",\n"token":  "{{VAR_TOKEN}}"}'}CaseData = eval(Template(str(CaseData)).render(all_val))

就用template来进行渲染

3.数据库操作(提取数据)

我们的思路如下:

框架能够连接数据库
执行SQL
把数据返回

思路：同json提取器

从数据库提取数据：Excle进行维护；思路：同json提取器

1.游标对象

在数据库中，游标是一个十分重要的概念。游标提供了一种从表中检索出的数据进行操作的灵活手段，就本质而言，游标实际上是一种能从包括多条数据记录的结果集中每次提取一条记录的机制。游标总是与一条SQL 选择语句相关联因为游标由结果集（可以是零条，一条或由相关的选择语句检索出的多条记录）和结果集中指向特定记录的游标位置组成。当决定对结果进行处理时，必须声明一个指向该结果的游标

常用的方法:

cursor(): 创建游标对象

close(): 关闭游标对象

fetchone(): 得到结果集的下一行

fetchmany([size = cursor.arraysize]):得到结果集的下几行fetchall():得到结果集中剩下的所有行

excute(sql[,args]): 执行一个数据库查询或命令executemany(sql,args):执行多个数据库查询或命令

例子如下:

"""
在测试过程中偶然需要从数据库获取数据进行测试或者通过数据库的数据进行断言，这时候既要连接到数据库。python当中利用PySQL进行连接
安装：pip install pymysql
"""
import pymysql# 1. 配置数据库连接信息并连接
connection = pymysql.connect(host='shop-xo.hctestedu.com',  # 数据库地址port=3306,user='api_test',  # 数据库用户名password='Aa9999!',  # 数据库密码db='shopxo_hctested',  # 数据库名称
)# 2. 创建游标对象，使用它进行操作---人
cursor = connection.cursor()# 3. SQL语句---饭
sql =  "SELECT username FROM sxo_user WHERE id = 75;"# 4. 使用游标对象去执行操作SQL
cursor.execute(sql)# 5. 得到结果集的下一行
result = cursor.fetchone()print(result)  # 元组
# 6. 关闭数据库连接
cursor.close()

2.我们继续优化代码将数据库提取的操作写入api_key和测试用例当中

api中

 @allure.step(">>>>>>:开始提取数据库的数据")def get_sqlData(self, sqlValue):""":param sqlValue: SQL,返回的数据是一个元组:return:"""import pymysql# 1. 配置数据库连接信息并连接connection = pymysql.connect(host=DB_HOST,  # 数据库地址port=DB_PORT,user=DB_USER,  # 数据库用户名password=DB_PASSWORD,  # 数据库密码db=DB_NAME,  # 数据库名称)# 2. 创建游标对象，使用它进行操作cursor = connection.cursor()# 4. 使用游标对象去执行操作SQLcursor.execute(sqlValue)# 5. 得到结果集的下一行result = cursor.fetchone()# 6. 关闭数据库连接cursor.close()return result[0]

测试用例中

    def __sql_extraction(self,CaseData):"""从数据库提取数据:param CaseData: 当前的Case，主要获取需要提取数据的字段：sqlExData:return:"""try:if CaseData["sqlExData"]:Exdata = eval(CaseData["sqlExData"])  # {"name":"SELECT username FROM sxo_user WHERE username='hami'","id":"SELECT id FROM sxo_user WHERE username='hami'"}print("SQL-需要提取的数据：>>>", Exdata)for key, value in Exdata.items():# 通过对应的sql获取具体的数据new_value = self.ak.get_sqlData(value)self.all_var.update({key: new_value})print("SQL-提取出来的数据：>>>", self.all_var)else:print("SQL-需要提取的数据为空")except Exception:print("SQL-请检查你需要提取数据数据格式的正确性。")

4.数据库操作-数据库断言【一般是极为重要的接口我们去做】

检查数据库是否有这个用户？ --- 数据库断言
是否能够正确的登录

思路：excel

期望结果：{"username":"yeye"}
实际结果：{"username":"SELECT username FROM sxo_user WHERE id=75"}

代码如下

  def __sql_assertData(self, CaseData):res = Trueif CaseData["sqlAssertData"] and CaseData["sqlExpectRe ult"]:# 实际结果：从数据库读取出来的数据--字典的格式 # {"name":"SELECT username FROM sxo_user WHERE username='hami'","id":"SELECT id FROM sxo_user WHERE username='hami'"}realityData = eval(CaseData["sqlAssertData"])# 期望结果:{"name":"hami","id":75}expectData = json.loads(CaseData["sqlExpectResult"])realityDataDict = {}for key, value in realityData.items():# 通过对应的sql获取具体的数据new_value = self.ak.get_sqlData(value)realityDataDict.update({key: new_value})if expectData != realityDataDict:res = Falsereturn res

整个侧事故用例代码如下

# -*- coding: utf-8 -*-
# @Time : 2023/11/8 20:55
# @Author : Hami
import json
import pytest
from YamlOptimization.P02_pytest_excel_allure.common.FileDataDriver import FileReader
from YamlOptimization.P02_pytest_excel_allure.api_keyword.api_key import ApiKey
from YamlOptimization.P02_pytest_excel_allure.config import *
import allure
from jinja2 import Template  # 变量渲染class TestCase:# 获取对应的数据 CaseData 需要从文档当中去进行读取# 1. 获取数据(四要素) 2. 发送请求 3.获取响应数据 4.断言AllCaseData = FileReader.read_excel()ak = ApiKey()# 定义：all_val 存放提取出的数据all_var = {}def __dynamic_title(self, CaseData):# # 动态生成标题# allure.dynamic.title(data[11])# 如果存在自定义标题if CaseData["caseName"] is not None:# 动态生成标题allure.dynamic.title(CaseData["caseName"])if CaseData["storyName"] is not None:# 动态获取story模块名allure.dynamic.story(CaseData["storyName"])if CaseData["featureName"] is not None:# 动态获取feature模块名allure.dynamic.feature(CaseData["featureName"])if CaseData["remark"] is not None:# 动态获取备注信息allure.dynamic.description(CaseData["remark"])if CaseData["rank"] is not None:# 动态获取级别信息(blocker、critical、normal、minor、trivial)allure.dynamic.severity(CaseData["rank"])def __json_extraction(self, CaseData, res):"""提取响应之后的数据:param CaseData: 当前的Case，主要获取需要提取数据的字段：jsonExData:param res:响应得到的对应的结果:return:"""try:if CaseData["jsonExData"]:Exdata = eval(CaseData["jsonExData"])  # {"VAR_TOKEN":"$..token","MSG":"$.msg"}print("需要提取的数据：>>>", Exdata)for key, value in Exdata.items():# 通过对应的jsonpath获取具体的数据new_value = self.ak.get_text(res.json(), value)self.all_var.update({key: new_value})print("提取出来的数据：>>>", self.all_var)else:print("需要提取的数据为空")except Exception:print("请检查你需要提取数据数据格式的正确性。")def __sql_extraction(self, CaseData):"""从数据库提取数据:param CaseData: 当前的Case，主要获取需要提取数据的字段：sqlExData:return:"""try:if CaseData["sqlExData"]:Exdata = eval(CaseData["sqlExData"])  # {"name":"SELECT username FROM sxo_user WHERE username='hami'","id":"SELECT id FROM sxo_user WHERE username='hami'"}print("SQL-需要提取的数据：>>>", Exdata)for key, value in Exdata.items():# 通过对应的sql获取具体的数据new_value = self.ak.get_sqlData(value)self.all_var.update({key: new_value})print("SQL-提取出来的数据：>>>", self.all_var)else:print("SQL-需要提取的数据为空")except Exception:print("SQL-请检查你需要提取数据数据格式的正确性。")def __sql_assertData(self, CaseData):res = Trueif CaseData["sqlAssertData"] and CaseData["sqlExpectRe ult"]:# 实际结果：从数据库读取出来的数据--字典的格式 # {"name":"SELECT username FROM sxo_user WHERE username='hami'","id":"SELECT id FROM sxo_user WHERE username='hami'"}realityData = eval(CaseData["sqlAssertData"])# 期望结果:{"name":"hami","id":75}expectData = json.loads(CaseData["sqlExpectResult"])realityDataDict = {}for key, value in realityData.items():# 通过对应的sql获取具体的数据new_value = self.ak.get_sqlData(value)realityDataDict.update({key: new_value})if expectData != realityDataDict:res = Falsereturn res@pytest.mark.parametrize("CaseData", AllCaseData)def testCase(self, CaseData):self.__dynamic_title(CaseData)CaseData = eval(Template(str(CaseData)).render(self.all_var))print(CaseData)# 写Excle的行和列row = CaseData["id"]column = 11# 初始化对应的值：res = Nonemsg = Nonevalue = None# -------------------------发送请求-------------------------------try:# 请求数据dict_data = {"url": CaseData["url"] + CaseData["path"],"params": eval(CaseData["params"]),"headers": eval(CaseData["headers"]),"data": eval(CaseData["data"])}if CaseData["type"] == "json":dict_data["data"] = json.dumps(dict_data["data"])except Exception:value = MSG_DATA_ERRORFileReader.writeDataToExcel(row=row, column=column, value=value)else:# 得到对应的响应数据res = getattr(self.ak, CaseData["method"])(**dict_data)# -------------------------提取数据库的操作---------------------------self.__sql_extraction(CaseData)# -------------------------进行断言处理-------------------------------# 实际结果try:msg = self.ak.get_text(res.json(), CaseData["actualResult"])except Exception:value = MSG_EXDATA_ERRORFileReader.writeDataToExcel(row=row, column=column, value=value)else:# 只会是一个分支语言，但是不会造成测试结果成功或者失败，所以必须无论如何都是需要断言if msg == CaseData["expectResult"]:value = MSG_ASSERT_OK# 成功之后进行数据提取self.__json_extraction(CaseData, res)else:value = MSG_ASSERT_NOFileReader.writeDataToExcel(row=row, column=column, value=value)finally:assert msg == CaseData["expectResult"], value# -------------------------进行数据库断言处理-------------------------------try:res = self.__sql_assertData(CaseData)  # False Trueexcept:print("SQL断言出现问题")value = "SQL断言出现问题"assert res, valueelse:assert resfinally:FileReader.writeDataToExcel(row=row, column=column, value=value)

5.yaml应用

yaml的概念:

YAML 的语法和其他高级语言类似，并且可以简单表达清单、散列表，标量等数据形态。它使用空白符号缩进和大量依赖外观的特色，特别适合用来表达或编辑数据结构、各种配置文件、倾印调试内容、文件大纲（例如：许多电子邮件标题格式和YAML非常接近）

YAML 的配置文件后缀为 .yml或.yaml，如：huace.yml

基本语法:

大小写敏感

使用缩进表示层级关系

缩进不允许使用tab，只允许空格

缩进的空格数不重要，只要相同层级的元素左对齐即可

'#' 表示注释

Yaml当中如果是数字字符的话，一定要加双引号（不加就是一个整型）

数据类型

纯量：字符串/数字，直接写就好了

列表：用符号去代替： -

字典：key : value

符号后面必须要有对应空格

我们的yaml中可以这样写

data:
-id: "0001"name: "qsdd"
-id: "0002"name: "yeyeyeye"

可以成功转换为json格式

也可以这样写:

data: [{ "id": "0001"},{ "id": "0002"}]

也可以转换为json格式

excel格式的转换

方法一：
- {"id":"0001","name":"hami"}
-{"id":"0002","name":"hami"}
方法二：
- id: "0001"name: hami1
-id: 0002name: hami2效果：[{"id":"0001","name":"hami"},{"id":"0002","name":"hami"}]

excel转换为yaml格式

代码如下


"""
YAML 是 "YAML Ain't a Markup Language" -- 数据格式
YAML 的配置文件后缀为 .yml或.yam，如：huace.yml 。1.1 基本语法
- 大小写敏感
- 使用缩进表示层级关系
- 缩进不允许使用tab，只允许空格
- 缩进的空格数不重要，只要相同层级的元素左对齐即可
- '#' 表示注释YAML 支持以下几种数据类型：
- 对象：键值对的集合，又称为映射（mapping）/ 哈希（hashes） / 字典（dictionary）
- 数组：一组按次序排列的值，又称为序列（sequence） / 列表（list）
- 纯量（scalars）：单个的、不可再分的值 -- 任意的数据类型对象格式： key: value
数组格式： -可以在在线网址先确定格式的正确性：https://tool.p2hp.com/tool-format-yaml/安装：pip install pyyaml
"""
# 1. 读取数据
import yaml# file_path = "yamlData/test_yaml_04.yaml"
file_path = "yamlData/x_testFavor.yaml"
with open(file_path, 'r', encoding="utf-8") as file:data = yaml.safe_load(file)
print(data)# # 2. 修改数据
# data[1]["res"] = "执行失败"
#
# # 3. 写入数据
# with open(file_path, 'w', encoding="utf-8") as file:
#     # allow_unicode=True，避免将中文字符转换为 Unicode 转义序列
#     yaml.dump(data, file, allow_unicode=True)

对yaml进行读写

我们在专门用来读写yaml和excel的py文件中新增一个方法

  @staticmethoddef write_yaml(data, file_path=YAMLDATA):"""写入yaml文件，写入无序没有关系，通过key获取数据:param data: 需要写入的数据:param file_path: 文件路径:return:"""with open(file_path, 'w', encoding='utf-8') as file:# 可以结合异常处理进行封装try:yaml.dump(data, file, allow_unicode=True)print("YAML数据写入成功。")except yaml.YAMLError as e:print(f"YAML数据写入失败: {e}")

对框架进行修改

我们改成读取yaml文件

对应的读取读取数据源的方法需要修改成： AllCaseData = FileReader.read_yaml()

写入到Yaml文件，所以无需行号去进行记录，可删除变量： row、cell

因为通过Yaml读取出来的本身就是json，所以 dict_data 这个变量值，有可能

是字典，也有可能是字符串，所以为了灵活起见，统一改成如下，同时也可以直接去掉eval方法即可

# 扩展：不做强制要求
# 字符串
# input_string = "{'name':'Alice', 'age':'25', 'city':'New York'}"
# 字典
input_string = {'name':'Alice', 'age':'25', 'city':'New York'}print("转之前：", type(input_string))  # 字符串
# 如果input_string类型是str 则 转成字典eval(input_string)； 否则的话：直接输出 （ else input_string）
result = eval(input_string) if isinstance(input_string, str) else input_string
print("转之后：", type(result))  # 字典
print(result)

就是判断值是字典还是字符串是字符串就转为字典

我们只需要在测试用例中修改读写的数据

再根据情况修改上述的转换格式的代码即可

回写数据到yaml

首先我们写入的时候是写入所有的数据到data 当中

如，我们所有读取出来的数据是AllCaseData，比如如下格式

[{id":0,"caseName":"登录接口","result":nall},
{id":1,"caseName":"加入购物车","result":nall}]

通过参数化方式我们每次能够拿到一条数据，比如你要修改第一个这条数据，可以

CaseData["result"] = value

重点：但是你修改的只是这一条数据，直接写入就会不正确（覆盖其它的数据）。
所以，正确的做法是：这里的CaseData["id"] 代表下标。

AllCaseData[CaseData["id"] ] = value

yaml+allure+pytest框架如下所示:


import json
import pytest
from YamlOptimization.pytest_yaml_allure.common.FileDataDriver import FileReader
from YamlOptimization.pytest_yaml_allure.api_keyword.api_key import ApiKey
from YamlOptimization.pytest_yaml_allure.config import *
import allure
from jinja2 import Template  # 变量渲染class TestCase:# 获取对应的数据 CaseData 需要从文档当中去进行读取# 1. 获取数据(四要素) 2. 发送请求 3.获取响应数据 4.断言AllCaseData = FileReader.read_yaml()ak = ApiKey()# 定义：all_val 存放提取出的数据all_var = {}def __dynamic_title(self, CaseData):# # 动态生成标题# allure.dynamic.title(data[11])# 如果存在自定义标题if CaseData["caseName"] is not None:# 动态生成标题allure.dynamic.title(CaseData["caseName"])if CaseData["storyName"] is not None:# 动态获取story模块名allure.dynamic.story(CaseData["storyName"])if CaseData["featureName"] is not None:# 动态获取feature模块名allure.dynamic.feature(CaseData["featureName"])if CaseData["remark"] is not None:# 动态获取备注信息allure.dynamic.description(CaseData["remark"])if CaseData["rank"] is not None:# 动态获取级别信息(blocker、critical、normal、minor、trivial)allure.dynamic.severity(CaseData["rank"])def __json_extraction(self, CaseData, res):"""提取响应之后的数据:param CaseData: 当前的Case，主要获取需要提取数据的字段：jsonExData:param res:响应得到的对应的结果:return:"""try:if CaseData["jsonExData"]:Exdata = CaseData["jsonExData"] # {"VAR_TOKEN":"$..token","MSG":"$.msg"}print("需要提取的数据：>>>", Exdata)for key, value in Exdata.items():# 通过对应的jsonpath获取具体的数据new_value = self.ak.get_text(res.json(), value)self.all_var.update({key: new_value})print("提取出来的数据：>>>", self.all_var)else:print("需要提取的数据为空")except Exception:print("请检查你需要提取数据数据格式的正确性。")def __sql_extraction(self, CaseData):"""从数据库提取数据:param CaseData: 当前的Case，主要获取需要提取数据的字段：sqlExData:return:"""try:if CaseData["sqlExData"]:Exdata = CaseData["sqlExData"]  # {"name":"SELECT username FROM sxo_user WHERE username='hami'","id":"SELECT id FROM sxo_user WHERE username='hami'"}print("SQL-需要提取的数据：>>>", Exdata)for key, value in Exdata.items():# 通过对应的sql获取具体的数据new_value = self.ak.get_sqlData(value)self.all_var.update({key: new_value})print("SQL-提取出来的数据：>>>", self.all_var)else:print("SQL-需要提取的数据为空")except Exception:print("SQL-请检查你需要提取数据数据格式的正确性。")def __sql_assertData(self, CaseData):res = Trueif CaseData["sqlAssertData"] and CaseData["sqlExpectResult"]:# 实际结果：从数据库读取出来的数据--字典的格式 # {"name":"SELECT username FROM sxo_user WHERE username='hami'","id":"SELECT id FROM sxo_user WHERE username='hami'"}realityData = CaseData["sqlAssertData"]# 期望结果:{"name":"hami","id":75}expectData = CaseData["sqlExpectResult"]realityDataDict = {}for key, value in realityData.items():# 通过对应的sql获取具体的数据new_value = self.ak.get_sqlData(value)realityDataDict.update({key: new_value})if expectData != realityDataDict:res = Falsereturn res@pytest.mark.parametrize("CaseData", AllCaseData)def testCase(self, CaseData):self.__dynamic_title(CaseData)CaseData = eval(Template(str(CaseData)).render(self.all_var))print(CaseData)# 写Yaml的下标row = CaseData["id"]# 初始化对应的值：res = Nonemsg = Nonevalue = None# 知识：是否断言# is_assert = True# -------------------------发送请求-------------------------------try:# 请求数据params = eval(CaseData["params"]) if isinstance(CaseData["params"], str) else CaseData["params"]dict_data = {"url": CaseData["url"] + CaseData["path"],"params": params,"headers": CaseData["headers"],"data": CaseData["data"]}if CaseData["type"] == "json":dict_data["data"] = json.dumps(dict_data["data"])except Exception:value = MSG_DATA_ERRORCaseData["result"] = valueelse:# 得到对应的响应数据res = getattr(self.ak, CaseData["method"])(**dict_data)# -------------------------提取数据库的操作---------------------------self.__sql_extraction(CaseData)# -------------------------进行断言处理-------------------------------# 实际结果try:msg = self.ak.get_text(res.json(), CaseData["actualResult"])except Exception:value = MSG_EXDATA_ERRORCaseData["result"] = valueelse:# 只会是一个分支语言，但是不会造成测试结果成功或者失败，所以必须无论如何都是需要断言if msg == CaseData["expectResult"]:value = MSG_ASSERT_OK# 成功之后进行数据提取self.__json_extraction(CaseData, res)else:# is_assert = Falsevalue = MSG_ASSERT_NOCaseData["result"] = valuefinally:assert msg == CaseData["expectResult"], value# -------------------------进行数据库断言处理-------------------------------try:res = self.__sql_assertData(CaseData)  # False Trueexcept:print("SQL断言出现问题")value = "SQL断言出现问题"assert res, valueelse:assert resfinally:CaseData["result"] = value# -------------------------把当前的CaseData值写入：可以通过后置处理方法去处理-------------------------------self.AllCaseData[row] = CaseDataFileReader.write_yaml(self.AllCaseData)

4.大量响应报文处理及加解密、签名处理

1.全字段断言-DeepDiff

deepdiff 是一个Python库，用于比较Python数据结构（例如字典、列表、JSON等）之间的差异。它不仅可以比较简单的Python数据类型，还可以比较任意深度或复杂度的数据结构。

在Python中，我们经常需要比较两个JSON对象的异同。例如测试中，我们需要比较预期输出和实际输出是否相同。而在开发中，我们也需要比较两个JSON对象的差异以便维护。使用 deepdiff 库，可以轻松处理这些场景

DeepDiff库的主要模块如下：

1. deepdiff.DeepDiff ：这是DeepDiff库的核心模块，提供了比较两个对象之间差异的功能。它可以比较字典、列表、集合等复杂对象，并返回差异的详细信息。

2. deepdiff.DeepSearch ：这是一个工具类，用于在复杂对象中搜索指定值。它可以深度遍历对象，并返回找到的匹配项的路径信息。

3. deepdiff.DeepHash ：这个模块用于生成复杂对象的哈希值。它可以递归地计算对象的哈希值，并考虑对象中的差异

2.deepdiff常用操作

如果实际请求结果和预期值的json数据都一致，那么会返回 {} 空字典，否则会返回对比差异的结果，接口测试中我们也可以根据这个特点进行断言

如果对比结果不同，将会给出下面对应的返回
1. type_changes：类型改变的key=

2. values_changed：值发生变化的key

3. dictionary_item_added：字典key添加

4. dictionary_item_removed：字段key删除

案例如下


from deepdiff import DeepDiff
"""
总结:
1. 当数据没有差异的时候: 返回是一个空字典 {}
2. 当数据有差异的情况,会根据实际情况显示:1. type_changes：类型改变的key2. values_changed：值发生变化的key3. dictionary_item_added：字典key添加4. dictionary_item_removed：字段key删除
"""# 期望结果
exjson = {'code': 0,"message": "成功","data": {"total": 28,"id": 123}
}# 实际结果
sjjson= {'code': 0,"message": "成功","data": {"total": 28,"id": 123}
}# 1. 如果两个json 是一样的情况下，返回的值是一个空字典
res = DeepDiff(exjson,sjjson)
print(res)实际结果
sjjson = {'code': "0",  # 类型不一样"message": "成功","data": {"total": 28,"id": 123}
}# 2. 类型错误会提示：{'type_changes'：XXXXXXXXX},root代表的是根节点
res = DeepDiff(exjson, sjjson)
print(res)  # {'type_changes'：XXXXXXXXX}
sjjson = {'code': 100,  # 类型一样，数据不一样"message": "成功","data": {"total": 28,"id": 123}
}
3. 当你的值有改变，会显示 ：values_changed
res = DeepDiff(exjson, sjjson)
print(res)  # 'values_changed': {"root['code']": {'new_value': 100, 'old_value': 0}}}sjjson = {'code': 0,  # 类型一样，数据不一样"message": "成功","data": {"total": 28,"id": 123},"add": "长沙"
}
res = DeepDiff(exjson, sjjson)
print(res)  # {'dictionary_item_added': [root['add']]}sjjson = {"message": "成功","data": {"total": 28,"id": 123}
}
res = DeepDiff(exjson, sjjson)
print(res)  # {'dictionary_item_removed': [root['code']]}

忽略排序、大小写及某个字段\

其实，在实际接口断言中，可能需要校验的字段顺序不一样，又或者有一些字段值不需要，为了解决这类问题，Deepdiff也提供了相信的参数，只需要在比较的时候加入，传入对应参数即可

例如我们遇到一个相应数据:

期望结果：

{"code":"200","ordeid":"OR567456415645646",data:"241523415361123132132"}

实际结果：【未定】--- ID 是不确定的，是后端自动生成的，过滤字段。

{"code":"200","ordeid":"OR567456415645646",data:"241523415361123132132"}

ignore_order(忽略排序)

ignore_string_case(忽略大小写)

exclude_paths排除指定的字段

from deepdiff import DeepDiff"""
总结:
1. 当数据没有差异的时候: 返回是一个空字典 {}
2. 当数据有差异的情况,会根据实际情况显示:1. type_changes：类型改变的key2. values_changed：值发生变化的key3. dictionary_item_added：字典key添加4. dictionary_item_removed：字段key删除
"""
from deepdiff import DeepDiff# 1. 字典是以key,顺序没有关系
# json1 = {"name": "hami", "age": 18}
# json2 = {"age": 18, "name": "hami"}# res = DeepDiff(json1,json2)
# print(res)# 2. 定义两个列表进行比较,列表有序的,按照顺序去进行对比
# list1 = [1, 2, 3]
# list2 = [3, 2, 1]# 有序列表,会返回对应的数据: {'values_changed': {'root[0]': {'new_value': 3, 'old_value': 1}, 'root[2]': {'new_value': 1, 'old_value': 3}}}
# res = DeepDiff(list1, list2)
# print(res)
# # 过滤对应的顺序: ignore_order=True ------{}
# res = DeepDiff(list1, list2, ignore_order=True)
# print(res)# 3. 过滤大小写的操作:  ignore_string_case=True
# json1 = {"name": "hami", "age": 18}
# json2 = {"age": 18, "name": "Hami"}
#
# res = DeepDiff(json1, json2)
# print(res)
# # 过滤字符的大小写(不区分)
# res = DeepDiff(json1, json2, ignore_string_case=True)
# print(res)# 4. 忽略某个字段  exclude_paths={"age"} --- 用的最多
json1 = {"code": "200", "name": "hami", "usercode": "431123456789", "age": 18}
json2 = {"code": "200", "name": "hami", "usercode": "431123456789", "age": 20}
res = DeepDiff(json1, json2)
print(res)
res = DeepDiff(json1, json2, exclude_paths={"age"})
# res = DeepDiff(json1, json2, exclude_paths={"root['age']"})
print(res)

其他参数:


from deepdiff import DeepDiff"""
总结:
1. 当数据没有差异的时候: 返回是一个空字典 {}
2. 当数据有差异的情况,会根据实际情况显示:1. type_changes：类型改变的key2. values_changed：值发生变化的key3. dictionary_item_added：字典key添加4. dictionary_item_removed：字段key删除
"""
from deepdiff import DeepDiff# 忽略数字
from decimal import Decimal
# 高精度的十进制计算，避免了浮点数运算中的精度丢失问题。
t1 = Decimal('10.01') # 数字类型
t2 = 10.01# print(DeepDiff(t1, t2))
# print(DeepDiff(t1, t2, ignore_numeric_type_changes=True))# 忽略字符串
res = DeepDiff(b'hello', 'hello', ignore_string_type_changes=True)
# print(res)# 打印出来的格式可以指定:
# TREE_VIEW = 'tree'
# TEXT_VIEW = 'text'  # 默认
t1 = {"name": "yanan", "pro": {"sh": "shandong", "city": ["zibo", "weifang"]}}
t2 = {"name": "yanan", "pro": {"sh": "shandong", "city": ["taian", "weifang"]}}
# 显示格式：tree
diff1 = DeepDiff(t1, t2, view='tree')
print(diff1)
# 默认为text # 可读性
diff2 = DeepDiff(t1, t2, view='text')
print(diff2)

搜索模块

我们使用deepdiff还可以用来搜索


from deepdiff import DeepSearchobj = ["long somewhere", "string", 0, "somewhere great!"]
item = 'some' # 大小写敏感的
ds = DeepSearch(obj, item, case_sensitive=True)
print(ds)

返回的结果就是其下标值

哈希模块-DeepHash

DeepHash模块是DeepDiff库中的一个模块，用于生成复杂对象的哈希值。它可以递归地计算对象的哈希值，并考虑对象中的差异。可以方便地计算复杂对象的哈希值，并在需要时用于对象的唯一标识或数据校验等用途

from deepdiff import DeepHash
#  可以把对应的Value 转成对应的Hasht1 = {"name": "yanan", "pro": {"sh": "shandong", "city": ["zibo", "weifang"]}}
res = DeepHash(t1)
print(res)

如图显示,输出的结果就是一串hash值

3.全字段对比

deepdiff的封装

from deepdiff import DeepDiffdef jsonDeepDiff(json1, json2, **other):"""对比json数据的一致性:param json1: 期望结果:param json2: 实际结果:param other: 你想要写的对应的规则:return:"""res = DeepDiff(json1, json2, **other)if res == {}:return Trueelse:return False

将deepdiff结果之前的框架

我们在deepdiff封装在关键字封装的类之中和对应的测试用例中

另外我们还要避免excel表中的值为空的情况,因此,我们需要再请求数据的地方进行修改

4.加密

核心思路：如果说对应的参数需要进行加密的话，在传参的时候在key当中通过 @ 符号进行标识
对我们的data对进行遍历,判断key的[0] == @

例如:{"@name":"tony","@password":"123456"}

我们先把加密方法进行封装

"""
对称加密：加密和解密使用的是同一把钥匙，即：使用相同的密匙对同一密码进行加密和解密。
常用的加密方法：DES、3DES、AES...(AES算法是目前最常用的对称加密算法)
"""
import base64
from Crypto.Cipher import AESclass EncryptDate:# 构造方法def __init__(self, key):#  类属性self.key = key.encode("utf-8")  # 初始化密钥self.length = AES.block_size  # 初始化数据块大小 ：16位self.aes = AES.new(self.key, AES.MODE_ECB)  # 初始化AES,ECB模式的实例# 截断函数，去除填充的字符self.unpad = lambda date: date[0:-ord(date[-1])]# 缺几位数据就补齐多少位数据：16的倍数def pad(self, text):  # text == tony"""#填充函数，使被加密数据的字节码长度是block_size的整数倍"""count = len(text.encode('utf-8'))  # count = 4add = self.length - (count % self.length)  # 求它们相差的位数# add = 16- （4%16）  === 16 - 4 == 12entext = text + (chr(add) * add)#  entext = “tony” + （chr(add) * 12  ）  === entext == tony# print("entext的数据是:",entext)return entext# 加密函数def encrypt(self, encrData):  # 加密函数   encrData == tony （16位）res = self.aes.encrypt(self.pad(encrData).encode("utf8"))  # self.aes.encrypt(tony)msg = str(base64.b64encode(res), encoding="utf8")return msg# 解密函数def decrypt(self, decrData):  # 解密函数   XbXHJrNLwoTVcyfqM9eTgQ==# 从base64编码转回来res = base64.decodebytes(decrData.encode("utf8"))# 将数据进行对应的解密：XbXHJrNLwoTVcyfqM9eTgQ==msg = self.aes.decrypt(res).decode("utf8")# print("msg的值：",msg)# 把转回来的数据后面的字符去掉。return self.unpad(msg)key = "1234567812345678"
ENCRYPTAES = EncryptDate(key)

然后我们再进行加密处理

在excel和yaml的处理py文件中写上对应的方法:

    @staticmethoddef data_EncryptDateAES(data):newdata = {}  # 去掉前面@符号同时数据进行加密for key in data:if key[0] == "@":# 需要加密处理newdata[key[1:]] = ENCRYPTAES.encrypt(data[key])else:# 不需要加密处理newdata[key] = data[key]return newdata

5.接口签名Sign封装

数字签名是一种用于验证数据完整性和身份认证的密码学技术。它通过使用私钥对数据进行加密来创建一个唯一的数字标识，该标识称为签名。验证者可以使用相应的公钥对签名进行解密和验证，以确认数据的完整性和真实性

token \ session \ cookie \ 签名(sign) --- 都是用来鉴权的

它们的区别是什么?

token \ session \ cookie

token 其实用来代表是系统当中的某个用户 --- 一般正常情况下是写在header

session \ cookie 是你发送请求的时候自带的.浏览器会自带这个对应的数据

session \ cookie 区别是什么?

存储位置不同: cookie -客户端 ; session--服务端(会话)

大小限制不同: cookie - 有大小限制; session 没有大小限制

安全隐患不同: cookie 存在安全隐患,可以拦截或找你本地文件得到你存储的信息

时效性不同: cookie 是时效性, session关闭浏览器时就消失

签名(sign) --- 是接口当中的一个字段. 发送消息\发送文档\保证安全性\需要在接口传一波数据.

通过算法得到一串数据(类似于token)

python API自动化(Pytest+Excel+Allure完整框架集成+yaml入门+大量响应报文处理及加解密、签名处理)

1.pytest数据参数化

2. Pytest+Excel接口自动化框架

EXCEL读取的方法封装

eval

getattr()函数的应用

封装主函数

Allure报告日志及动态标题

3.Excel框架优化及Yaml入门

1.写入excel框架

2.实现优化接口关联

3.进行变量渲染

3.数据库操作(提取数据)

1.游标对象

2.我们继续优化代码将数据库提取的操作写入api_key和测试用例当中

4.数据库操作-数据库断言【一般是极为重要的接口我们去做】

5.yaml应用

yaml的概念:

基本语法:

数据类型

excel格式的转换

excel转换为yaml格式

回写数据到yaml

4.大量响应报文处理及加解密、签名处理

1.全字段断言-DeepDiff

DeepDiff库的主要模块如下：

2.deepdiff常用操作

忽略排序、大小写及某个字段\

其他参数:

搜索模块

哈希模块-DeepHash

3.全字段对比

deepdiff的封装

将deepdiff结果之前的框架

4.加密

5.接口签名Sign封装

最新新闻

热搜词

python API自动化(Pytest+Excel+Allure完整框架集成+yaml入门+大量响应报文处理及加解密、签名处理)

1.pytest数据参数化

2. Pytest+Excel接口自动化框架

EXCEL读取的方法封装

eval

getattr()函数的应用

封装主函数

Allure报告日志及动态标题

3.Excel框架优化及Yaml入门

1.写入excel框架

2.实现优化接口关联

3.进行变量渲染

3.数据库操作(提取数据)

1.游标对象

2.我们继续优化代码 将数据库提取的操作写入api_key和测试用例当中

4.数据库操作-数据库断言【一般是极为重要的接口我们去做】

5.yaml应用

yaml的概念:

基本语法:

数据类型

excel格式的转换

excel转换为yaml格式

回写数据到yaml

4.大量响应报文处理及加解密、签名处理

1.全字段断言-DeepDiff

DeepDiff库的主要模块如下：

2.deepdiff常用操作

忽略排序、大小写及某个字段\

其他参数:

搜索模块

哈希模块-DeepHash

3.全字段对比

deepdiff的封装

将deepdiff结果之前的框架

4.加密

5.接口签名Sign封装

最新新闻

热搜词

2.我们继续优化代码将数据库提取的操作写入api_key和测试用例当中