手机自动化环境搭建与案例分享，如果附件中内容有需要修正的地方请跟帖，感谢支持！ext_appautomate_1_0_1.zip WeAutomate 设计器插件，需要导入。导入方式参考论坛帖子。样例及录像参考跟帖里的内容

一、Unittest用例的执行流程TestRunner的工作流程：遍历测试类中的测试用例，调用用例对象的run方法将测试用例的结果保存到TestResult中1、单线程执行测试用例特别注意：如果测试粒度按照文件为单位，那么文件中的测试类执行顺序就能得到保证如果测试粒度按照测试类为单位，那么测试类中的测试用例执行顺序就能得到保证如果测试粒度按照测试用例为单位，并且用例与用例之间有关联，那么测试用例执行顺序得不到保证import unittestfrom unittest import TestCase,TestSuite,TestLoader,TestResult'''粒度——》测试文件粒度——》测试类粒度——》用例级别'''from concurrent.futures.thread import ThreadPoolExecutor#todo 加载用例到测试套件中suite=unittest.defaultTestLoader.discover(r'D:\project_development\测试开发\day11\testcases')print('-------------------------单线程执行--------------------------------------')#todo 创建一个测试结果记录器result=unittest.TestResult()#todo 执行测试套件suite.run(result)print(suite)print('用例执行的结果,',result)二、测试套件的结构1、目录如下：2、测试文件test_demo1.pyimport timeimport unittestfrom ddt import ddt,data@ddtclass DemoA1(unittest.TestCase):@data(1,2,3,6)def test_demoa1(self,item):time.sleep(1)print('---------test_demoa1--------',item)@ddtclass DemoA2(unittest.TestCase):@data(1,2,3,6)def test_demoa2(self,item):time.sleep(1)print('---------test_demoa2--------',item)test_demo2.pyimport timeimport unittestfrom ddt import ddt,data@ddtclass DemoB1(unittest.TestCase):@data(1,2,3,6)def test_demob1(self,item):time.sleep(1)print('---------test_demob1--------',item)@ddtclass DemoB2(unittest.TestCase):@data(1,2,3,6)def test_demob2(self,item):time.sleep(1)print('---------test_demob1--------',item)test_demo3.pytest_demo4.py3、代码调试截图三、测试套件的结构1、将测试套件拆分为模块级别特别注意套件可以直接执行，套件中有run方法model_suite=[m for m in suite]result=unittest.TestResult()创建一个线程池对象,一共创建了4个模块，所以max_workers最大为4with ThreadPoolExecutor(max_workers=4) as tp: #创建一个线程池对象for i in model_suite:#i.run(result)tp.submit(i.run,result)2、将测试套件拆分为类级别class_suite=[]for m in suite:for c in m:class_suite.append(c)result=unittest.TestResult()with ThreadPoolExecutor(max_workers=8) as tp:for i in class_suite:tp.submit(i.run,result)3、将测试套件拆分为用例级别case_list=[]for m in suite:for c in m:for i in c:case_list.append(i)result=unittest.TestResult()with ThreadPoolExecutor(max_workers=32) as tp:for i in case_list:tp.submit(i.run,result)四、封装一个可以并发运行unittest测试用例的函数，参数接收两个参数，一个suite（测试套件）和mode(任务粒度：)，根据传入的参数model，来对测试套件进行任务拆分，进行并发执行import unittestfrom unittest import TestCase,TestSuite,TestLoader,TestResult'''粒度——》用例级别粒度——》测试类'''from concurrent.futures.thread import ThreadPoolExecutor#todo 加载用例到测试套件中suite=unittest.defaultTestLoader.discover(r'D:\project_development\测试开发\day11\testcases')print('-------------------------多线程执行--------------------------------------')def run_cases(suite,model):#判断任务执行粒度task_list = []if model=='case':for m in suite:for c in m:for i in c:task_list.append(i)elif model=='cls':for m in suite:for c in m:task_list.append(c)else:task_list=[i for i in suite]result=unittest.TestResult()with ThreadPoolExecutor(max_workers=8) as tp:for i in task_list:tp.submit(i.run,result)run_cases(suite,'asd')————————————————版权声明：本文为CSDN博主「YZL40514131」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/YZL40514131/article/details/126982705

租户：Hi-stylhoc问题：综合安防-视频调阅板块功能调测：按调测步骤到最后一步Roma应用“Hi-stylhoc__视频标准接口”下，“获取设备列表”接口测试一直报：Authorization failed，最早相同的参数测试过一次，是正常的，今天测试一直不正常只传channel参数能正常查询，参数全传就报错，参数正确的：【日志信息】（可选，上传日志内容或者附件）

你们可以吗？支支招撒

软件测试的真正意义在于发现错误，而不在于验证软件是正确的。再严密的测试也不能完全发现软件当中所有的错误，但是测试还是能发现大部分的错误，能确保软件基本是可用的，所以在后续使用的过程中还需要加强快速响应的环节。结合软件测试的理论，故障暴露在最终客户端之前及时主动的去发现并解决。这一点就需要加强研发队伍的建设。在系统性能测试方面需要重视。经过这次培训中多个案例的讲解，让我了解到系统在上线之后会有很多不能预知的性能问题，需要在上线之前实现进行模拟，以规避风险，包括大数据量访问，高并发数等等。当然也有很多应对手段，没有哪种手段可称为最完美，只有最合适的，需要灵活掌握，综合运用以达到最优程度，这是个很值得研究的领域。

日常任务代码提交和接口测试还是不行啊，这周依然没恢复，大家都 能完成吗

提交 代码完不成后，接口测试也完不成了，最近几天都 这样

今天接口测试任务完成不了了，试了好几个区豆失败

哎，每天获得的码豆都在减少

【功能模块】API网关功能【操作步骤&问题现象】1、API网管进行接口测试，多次访问接口，存在接口返回为空的场景，但是在live data中测试不存在；PS：确认接口返回是有数据的2、【截图信息】【日志信息】（可选，上传日志内容或者附件）

请问有没有适用于Euler-aarch64系统的GaussDB性能测试工具？官方的验收测试和对应的工具使用时，在aarch64系统中会出现【cannot execute binary file: Exec format error】的报错。请大家推荐一下吧。

1. 安装部署（1）安装依赖软件包    dnf install –y git gcc make bison flex python net-tools（2）下载源码    git clone https://github.com/google/packetdrill.git（3）编译安装cd packetdrill/gtests/net/packetdrill./configuremake 2. 执行测试用例执行所有测试用例：cd packetdrill/gtests/net./packetdrill/run_all.py -S -v -L -l tcp/ 注意事项：1.  需要至少两张网卡2.  可以在arm/x86上执行3.  只支持python24.  对于4.19的内核在收报文时会有报错，原因是在kernel 5.3以后在TSO packets中强制添加了FLAG PSH，当前工具适配的是最新的内核

操作是正确的，却无法完成接口测试应用任务，

2 月 17 日，由信通院主办的国内首款金融数据库性能测试工具开源发布会在线上召开。会上，定位于国家高端专业智库、产业创新发展平台的信通院宣布开源了该测试工具，并详细阐述了开源此工具的背景、初心、历程以及愿景。信通院云大所副所长魏凯表示，将该款测试工具开源出来，也是希望借助平台的力量推动我国数据库产业健康、可持续地发展。国产数据库百花齐放，选型和测评成为困扰2022 年 1 月 17 日，据国际数据公司（IDC）发布的《2021 年上半年中国关系型数据库软件市场跟踪报告》显示，2021 上半年中国关系型数据库软件市场规模为 11.9 亿美元，整体市场同比增长 37.2%，IDC 预测，2021 全年中国关系型数据库软件市场规模为 27.5 亿美元， 到 2025 年将达到 76.7 亿美元，未来 5 年市场年复合增长率（CAGR）为 30.4%。毫无疑问，资本的目光紧盯上了数据库这块大蛋糕。据相关数据显示，仅在 2021 第四季度，全球数据库初创企业就募集了超过 22 亿美元的资金，国内的数据库产品更是可谓百花齐放。在全面数字化转型的过程中，数据库也迎来了换道转型的关键时期，其中最明显的变化就是云原生和分布式数据库时代真正来临了。一方面数据库产品多点开花昭示着这个行业是欣欣向荣的，这对行业来说是个利好，但另一方面，对于企业而言，要在纷繁复杂的数据库产品中选出适合自己企业的产品也愈发困难。在看到了这种现象出现后，作为信息社会创新发展的思想库和使能者，信通院也在关注数据库的 Benchmark 的实践应用及演变。技术在变、应用场景在变、产业的主体也在变，所以这也给信通院提供了一个契机和窗口，为数据库产业提出具有时代特色的 Benchmark 软件工具。在所有应用场景中，最典型的场景是金融行业，它对数据库的可拓展性、安全性、兼容性等要求是极为苛刻的。那么，应该怎样测评一款数据库是否符合当前的应用场景？此前，数据库性能测试长期依托 TPC（ Transaction Processing Performance Council，事务处理性能委员会）推出的 TPC-C 评测标准。但由于其存在工具不统一、场景不对口等问题，难以满足当前我国数据库产业新发展阶段需求。此外，TPC-C 的商品批发销售模型不能完全模拟金融机构实际业务中的事务，TPC 也不提供官方测试工具，第三方工具五花八门，测试结果难以横向比较。基于以上种种，2018 年，中国信通院联合北京银行、建设银行以及多个领域头部企业，共同设计研发了金融数据库性能测试工具（DetaBench-T)，并依托工具开展了统一标准测试，有效指导了金融行业数据库选型工作。2022 年开年之际，为使工具更快、更好地为相关方服务，信通院特将 Detabench-T 进行开源。项目开源地址：https://gitee.com/caict-bigdata/databench-t四年磨一剑，力求打造中国 TPC自 2018 年至今，信通院联合各大银行及多个领域头部企业深耕打磨的 Detabench-T，为什么选择金融行业来首次试水？据中国信通院云计算与大数据研究所业务主管刘思源介绍，2020 年，信通院从公开的数据中统计到金融业占全国的 GDP 是 8.2%，是除了制造业之外最大的一个行业。除此之外还有一个重要的原因就是金融、监管机构从 2017 年开始规划了很多政策文件，这些文件为金融信息系统向分布式架构转型的方向提出了很多的高层次指导意见。于是，从 2018 年年底开始，信通院联合了北京银行、建设银行一起来开发，并邀请了来自腾讯、华为、中兴等企业的多位专家来共同参与该款工具的总体设计和实现。DetaBench-T 工具总体架构分为三大模块，工具的总体架构图如下：刘思源表示，在我国数字化转型大背景下，很多行业都处于蓬勃发展的阶段，对于数据库这类基础软件有着极端的要求。数据库应用侧不断涌现的一些需求也在快速变化，存量市场需要替换，增量市场也要创新。但目前来说，存量市场和增量市场有两大矛盾：首先，就存量市场而言，据 2021 年信通院统计数据显示，国内已经有 80 多家数据库企业，一百多款数据库产品，今年的数据将会更多，产品的同质化竞争较为严重。但供给侧的发展相对来说并不是特别清晰，应用侧也很难在众多数据库产品中做出选择。其次，就增量市场而言，随着数字化转型的不断推进，数据和数据业务上云已经成为一种主流趋势。目前来讲，未来数据库的一些创新方向和实现路径以及应用模式还缺乏成熟的、可借鉴的经验。在这两大矛盾作用下，信通院在数据库领域的定位就很明确了，一是优化存量市场的竞争环境，对于存量市场中一些相对来说不那么适应新需求的数据库进行平稳的替代；二是找到新的数据库的发展方向，引领整个产业标准化达成共识。此次发布的 Detabench-T 工具，也是希望能从根本上推动我国 ICT 领域健康、快速发展，使工具能更快、更好地为相关方服务。文章来源：https://t.cj.sina.com.cn/articles/view/5901272611/15fbe462301901uipd声明：文章只为分享、学习，如有涉及侵权， 请及时联系删除，谢谢！

为什么要做压测的问题定位？性能测试 PTS（Performance Testing Service）是具备强大的分布式压测能力的 SaaS 压测平台，可模拟海量用户的真实业务场景，全方位验证业务站点的性能、容量和稳定性。在不断的对被压服务端水位进行摸高的过程中，我们可以从压测视图或者压测报告中看到较为全面的压测指标，例如 QPS、RT、TPS 等，但是单纯从这些指标上，是不能很快的定位到服务端具体问题所在的，例如，我们从全场景错误信息中心可以看到错误码对应的接口的响应体，但是具体在下游的哪一环节出错，以及错误的堆栈是什么，这里单纯从报告中是看不到的，而接口下游具体是哪里出错，错误堆栈是什么，正是用户所关心的问题。借助问题诊断，我们可以明确被压接口的上下游的调用情况，同时，从链路视图上，我们可以看到整条链路所经过的消息组件(Kafka、RocketMQ 等)、缓存(Redis、MongoDB 等)、数据库(MySQL、Oracle 等)、RPC 调用(Feign、Dubbo、HttpClient 等)，例如，某个接口出现状态码异常或者其他的错误，那么，我们可以从调用链上看到到底是 Rpc 调用出现问题，还是数据库读写出现问题，并且能够从调用链上看到对应的报错堆栈，在这些信息的基础上，问题应该去哪里定位也就比较明确了。问题诊断基本介绍和核心优势基本介绍谈到问题诊断，用户主要关心接入问题诊断是否需要对应用侧代码做一系列的改造，是否需要进行繁杂的配置等等。PTS 提供的问题诊断是基于 JavaAgent 的，无需用户侧做业务代码改造，对于基于 Tomcat 的部署方式，用户只需在启动脚本中添加一些必要的参数即可接入问题诊断；对于 Kubernetes 用户，用户只需在 Yaml 配置文件中添加一些必要的注解即可接入问题诊断。对于链路的采集规则，PTS 会提供默认的配置，用户也可根据自己的需要自行更改。PTS 集成的问题诊断在压测过程中，针对每条请求，会在施压引擎端生成 TraceId，通过 TraceId 将该条请求所涉及到的上下游链路关联起来，用户可以看到从该条请求作为入口到本条请求结束所涉及到的完整调用链，同时，问题诊断会针对该调用链生成相应的应用拓扑视图，可以让用户清晰地看到应用之间的调用关系。针对异常的接口，我们可以在调用链中看出对应的错误原因，同时，用户可以根据具体的报错堆栈对服务端的问题进行排查和优化。压测过程中用户可以实时的查看指定请求的调用链，同时，压测结束之后，也可以从压测报告中对问题进行回溯。核心优势1、零代码侵入： 针对 Java 类型的服务，用户侧无需进行业务侧代码改造即可完成问题诊断的探针接入。2、集成度高： 压测、监控、问题诊断，集成在同一控制台，用户理解和操作成本相对较低。3、监控指标全： 在压测过程中，除了较为基础的监控指标外，同时针对每个服务，提供接口、机器、应用级别的监控。 4、门槛低： 仅需要简单配置参数即可完成问题诊断探针接入，同时该探针还具备多协议 Mock、全链路压测等功能。快速玩转问题诊断接入问题诊断的基本流程图如下所示：接入探针，并查看是否接入成功首先，我们将被压场景所涉及到的应用梳理出来，将涉及到的所有应用按照【问题诊断】->【探针接入 [1] 】文档中的步骤进行问题诊断探针接入。我们可以在 PTS 控制台的应用配置或者应用监控、接口监控、机器监控中任选一个来查看应用探针是否接入成功。我们本次演示的压测场景涉及到五个应用，分别是 petstore-web、petstore-user、petstore-order、petstore-catalog、petstore-cart，这以应用监控举例来查看应用是否成功接入。依次点击 PTS 控制台的【问题诊断】->【应用监控 [2] 】->选择我们配置的 Region 以及 Namespace，如果看到压测场景涉及到的所有应用均在该页面，则代表应用接入成功。在压测场景中打开问题诊断开关然后，我们在 PTS 控制台的【压测中心】->【创建场景 [3] 】中创建压测场景，这里可以选择 PTS 场景或者 JMeter 场景等，这里以 PTS 场景为例，因为本次演示主要是验证问题诊断的能力，所以需要在场景配置中的【高级设置】中打开问题诊断开关。具体的监控采集规则，PTS 会为用户推送默认采集开关打开的配置，同时，将采样率设置为千分之一，用户也可根据自己的需要进行自定义。开始压测，查看应用监控完成了以上步骤，我们的压测场景即具备了问题诊断的能力。当我们点击开始压测之后，可以到应用监控、接口监控、机器监控中选择我们关心的服务查看对应的监控情况，这里以应用监控 [2] 为例，其他类型的监控操作步骤类似，我们选择 petstore-user 这个服务来查看应用监控，如下图所示：压测结束后，查看全场景错误信息压测结束后，我们需要从压测报告中针对被压服务端的问题进行排查，打开对应场景的压测报告，具体步骤：PTS 控制台->【压测中心】->【报告列表 [4] 】，选择对应的压测报告，可以从概览页中看到全场景的信息，具体如下图所示：选择探针采样，查看具体调用链情况点击【查看采样日志】，采样类型选择”探针采样“即可过滤出问题诊断探针所采集到的调用链，具体如下图所示：查看调用链具体错误堆栈信息，定位服务端问题所在筛选出来探针端采集的调用链之后，即可对存在问题的接口进行调用链分析，例如，商品列表的接口返回的状态码为 500，点击查看详情看下具体原因，如下图所示：从调用栈中可以看到具体的报错原因，从而对服务端代码进行优化和修复。同时，可以通过应用拓扑视图和数据库视图查看服务之间的调用情况以及数据库使用情况，这里以应用拓扑视图举例，如下图所示：压测报告常见错误码总结问题诊断错误码总结问题诊断调用链路中的常见错误码进行总结，具体如下：java.lang.NullPointerException：服务端空指针，具体可根据调用链中的错误堆栈对服务端的代码进行排查。com.microsoft.sqlserver.jdbc.SQLServerException：服务端 SQL 报错，可根据调用链采集的堆栈信息对服务端 SQL 语法等进行检查。压测报告错误码总结这里针对压测报告中常见的错误进行列举，我们可以从全场景错误信息中看到相关的错误信息，具体如下：class java.net.SocketTimeoutException:null 表示请求在等待响应或者读取中途（idle）超时。请检查服务端健康状况或者 PTS 的压测 API 超时时间的设置是否合理，另外还有可能是服务端处理能力出现瓶颈。class java.net.ConnectException:null 表示请求在与远端（被压测端）建立 TCP 连接时就出现失败或者被远端拒绝。请检查服务端健康状况，或者是网络连接层是否有瓶颈。class java.util.concurrent.TimeoutException:null 表示请求在与远端（被压测端）建立 TCP 连接时就出现失败或者被远端拒绝。请检查服务端健康状况，或者是网络连接层是否有瓶颈。class org.apache.http.ConnectionClosedException:Connection closed 表示连接异常关闭，服务端主动关闭了连接。class java.io.IOException:Connection reset by peer 表示连接被重置。若使用了 SLB，请查看 SLB 的配置是否有问题。class org.apache.http.ConnectionClosedException:Connection closed unexpectedly 表示数据尚未接收完毕，连接就已关闭。可能服务端未及时响应或者提前终止调试或压测。class java.lang.RuntimeException:java.net.UnknownHostException 表示域名信息无法解析。请检查域名是否已经正常注册并可以解析、未注册的域名是否已进行域名绑定。class org.apache.hc.core5.http.ProtocolException:Header 'key: value' is illegal for HTTP/2 messages 表示在服务端优先使用 HTTP2 协议的情况下，场景配置了 HTTP2 协议不支持的 Header，请移除相应Header后重试。HTTP2 不支持的常见 Header 有：Connection、Keep-Alive、Proxy-Connection、Transfer-Encoding、Host、Upgrade。