Pytest测试中的临时目录与文件管理!_pytest tempfile,腾讯T3团队整理

Pytest(一):pytest的使用简介、jenkins+allure报告生成 一、pytest的安装及简介 pip install pytest pip install pytest-html#生成报告 pytest可以用来实现自动化接口测试、自动化UI测试; 二、pytest使用规则 如果未指定命令行参数,则从 testpath(如果已配置)或当前目录开始收集。 如果命令行参数, 指定了 目录、文件名 或 node id 的任何组合,则按参数来找 寻找过程会递归到目录中,除非它们匹配上 norecursedirs。 在这些目录中,搜索由其测试包 阅读详情

使用 tmpdir 创建临时目录

tmpdir是Pytest提供的fixture之一,用于在测试过程中创建和管理临时目录。以下是一个简单的示例:

# content of test_tmpdir.pyimport os

def test_create_temp_directory(tmpdir): # 使用 tmpdir 创建临时目录 temp_dir = tmpdir.mkdir(‘my_temp_dir’) # 在临时目录中创建文件 temp_file = temp_dir.join(‘temp_file.txt’) temp_file.write(‘Hello, Pytest!’) # 断言文件是否存在 assert temp_file.check(file=True) # 断言文件内容 assert temp_file.read() == ‘Hello, Pytest!’

在这个例子中,tmpdir 作为参数传递给测试函数,通过tmpdir.mkdir 创建了一个名为my_temp_dir 的临时目录,然后在该目录中创建了一个名为temp_file.txt 的文件,并写入了内容。最后,通过断言验证了文件的存在和内容。

现在我也找了很多测试的朋友,做了一个分享技术的交流群,共享了很多我们收集的技术文档和视频教程。
如果你不想再体验自学时找不到资源,没人解答问题,坚持几天便放弃的感受
可以加入我们一起交流。而且还有很多在自动化,性能,安全,测试开发等等方面有一定建树的技术大牛
分享他们的经验,还会分享很多直播讲座和技术沙龙
可以免费学习!划重点!开源的!!!
qq群号:691998057【暗号:csdn999】

使用 tmp_path 创建临时目录

除了tmpdir,Pytest还提供了 tmp_path 这个fixture,它返回一个pathlib.Path 对象,使得在测试中更方便地操作路径。下面是一个使用 tmp_path的案例:

content of test_tmp_path.pydef test_create_temp_directory(tmp_path): # 使用 tmp_path 创建临时目录 temp_dir = tmp_path / ‘my_temp_dir’ temp_dir.mkdir() # 在临时目录中创建文件 temp_file = temp_dir / ‘temp_file.txt’ temp_file.write_text(‘Hello, Pytest!’) # 断言文件是否存在 assert temp_file.is_file()

断言文件内容 assert temp_file.read_text() == ‘Hello, Pytest!’

在这个案例中,tmp_path 作为参数传递给测试函数,通过直接使用路径操作,实现了与 tmpdir 类似的创建临时目录和文件的过程。同样,最后通过断言验证了文件的存在和内容。

使用临时文件和目录进行测试

接下来,我们来看一个更复杂的例子,演示如何使用临时目录和文件进行测试。假设我们有一个需要处理文件的函数,我们希望测试该函数在不同输入条件下的正确性。

content of file_processor.py

def process_file(file_path): with open(file_path, ‘r’) as file: content = file.read() # 在这里可以加入具体的文件处理逻辑 # 这里简化为返回文件内容 return content

**现在,我们通过Pytest进行测试:**​​​​​​​

content of test_file_processor.py

自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。

深知大多数软件测试工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!

因此收集整理了一份《2024年软件测试全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
img
img
img
img
img

既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上软件测试开发知识点,真正体系化!

由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新

如果你觉得这些内容对你有帮助,可以添加V获取:vip1024b (备注软件测试)
img

一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!

更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**

【pytest】内置 fixtures 之 tmpdir:创建临时文件 内置fixtures之 tmpdir: tmpdir的作用是:在本地生成临时文件夹,并返回文件对象; 代码演示: 先写个测试用例,调用 tmpdir,执行一下看看: class TestDemoA: def test_A_001(self, tmpdir): time.sleep(2) print('\n',tmpdir) if... 阅读详情

相关推荐

如何在R中高效安装ropls及其依赖包

本文详细介绍了在R语言中高效安装ropls包及其依赖的完整流程。作为Bioconductor生物信息学分析包,ropls的安装需通过BiocManager管理器进行。文章提供了标准安装步骤、跨系统避坑指南及安装后验证方法,帮助用户解决R版本、编译环境和网络镜像等常见问题,确保代谢组学数据分析工具顺利部署。

efc123456的博客 909

Python接口自动化测试之pytest:(六)内置固件—tmpdir、tmpdir_factory

在Pytest框架中存在一些内置固件,不需要单独编写代码,可以直接使用。不仅能大幅简化测试工作,还能提高测试效率。 使用命令pytest --fixtures或者pytest --funcargs可以查看所有可用的fixture,包括内置的、插件中的以及当前项目定义的。

鸣宝宝的博客 457

【原创】SAP/Oracle 集团企业海外全球化实施注意事项: 一带一路本地化 (持续更新)...

ABC集团SAP的系统平台已经扩展到全球一百来个国家和地区,SAP系统平台的全球实施项目中, 当时是需要支持当地的业务和法律法规的合规要求。   当时客户也是缺乏当地的资源以及对当地法律法规和业务实践的了解,需要团队提供了全球化的支持,通过我们全球产品技术专家充分传递了各区域的本地化支持和实践 而且近年来我们发现一些国家和政府,陆续都在推出一些新的税改和合规的要求,接下来基于这些要求,我们全球...

weixin_34024034的博客 1145

Pytest的内置函数tmpdir,帮你搞定自动化数据存放

在做自动化测试中,测试过程中会用到一些测试数据,其中这些测试数据包括临时测试数据和常用到的数据,经常用到的数据,我们可以通过Excel或者yaml文件的方式进行存储,那么临时文件的呢?今天来介绍Pytest中的一个内置函数就可以方便的帮我们解决这个问题。

软件测试技术交流分享 282

【算法设计与分析】期末复习题(超详细)

刚刚整理了一下电脑的文件,发现了这份上学期的算法设计与分析期末复习题,有需要的文后自取。

a1234567822的博客 6617

【学术情报智库】目录学的数字化蜕变:从古籍整理到AI知识图谱的跨越

我们既是浩瀚知识的守望者,也是数字智识的开拓者。目录学数字化不是技术替代传统,而是融合创新,让学术的系统性与多样性在新媒介下焕发新的生命。以AI为桥,既要智能链接,也要人文关照——这是对自我文明的深情回应,也是新知时代的庄严约定。

高校图书馆高级系统架构师/研究馆员,推动高校AI从概念演示到可评审、可交付、可运维:路线图与立项评审、PoC交付、评测回归与上线运维(Baseline/Eval/Ops)。 1423

Pytest测试中的临时目录与文件管理!

在Pytest测试框架中,使用临时目录与文件是一种有效的测试管理方式,它能够确保测试的独立性和可重复性。在本文中,我们将深入探讨如何在Pytest中利用临时目录与文件进行测试,并通过案例演示实际应用。

测试界的彭于晏的博客 693

HTML流光爱心(完整代码)

HTML语言实现红蓝色流光爱心效果的完整代码。

AIGC 1万+

pytest-内置固件

似乎测试正常执行完全没有问题,但如果我们的家目录下恰好有这个配置文件并且维护了许多配置,运行测试将会覆盖原有配置,这太可怕了!pytestconfig 其实是 request.config 的快捷方式,所以也可以自定义固件实现命令行参数读取。使用 tmpdir.mkdir() 创建目临时录,tmpdir.join() 创建临时文件(或者使用创建的目录)。但程序已经写死了文件路径,怎么办?使用 pytestconfig,可以很方便的读取命令行参数和配置文件。用于临时文件和目录管理,默认会在测试结束时删除。

Anthony路人甲的博客 824

WIFI和BT测试(射频工程师)

买不了吃亏买不了上当,我卖的是技能,你收获的是经验。

m0_58834499的博客 601

Python 爬虫实战:爬取 B 站 UP 主投稿数据,分析更新频率与粉丝互动

摘要:本文基于Python技术实现B站UP主投稿数据的自动化爬取与分析。通过解析B站WBI签名机制和API接口,获取UP主视频的标题、播放量、点赞数等核心数据。采用时间序列分析统计更新频率,结合相关性分析挖掘内容特征与粉丝互动的关联。结果显示编程类视频播放量最高,10-20分钟时长的视频表现最佳,投币数与播放量相关性达0.92。文章详细介绍了接口分析、反爬应对等关键技术,为内容创作者优化策略提供数据支持,同时强调遵守平台规范的爬取原则。

2503_91057718的博客 1538

Pytest使用知识点归纳——干货(自用)

一、常用参数详解 --help,查看帮助 --collect-only展示将要执行的测试用例,而不执行。 -k通过指定测试用例名称表达是来执行测试用例。 -m用于执行被标记的测试用例。 -x出现失败测试用例就停止执行。 --maxfail=num允许执行失败的次数。 -s允许在测试时输出信息。 --lf重新执行上一个测试失败的用例 --ff重新执行全部用例,优先执...

weixin_38278993的博客 3495

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Pytest权威教程08-使用tmp目录和文件

tmpdir_factory是一个session范围的fixture,可用于从任何其他测试用例及fixture中创建任意临时目录。在本地计算机上分发测试时,pytest会为子进程配置临时目录根目录,以便所有临时数据都落在单个每个测试运行的临时目录根目录。光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。你可以使用tmp_path 在临时目录根目录中创建一个独立的临时目录以供测试调用。在适当的年龄,选择适当的岗位,尽量去发挥好自己的优势。

测试-八戒 371

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

3.目录结构

pytest接口自动化框架搭建_董林夕的博客-优快云博客_pytest接口自动化测试框架 1.config层,放配置文件,把所有的项目相关的配置均放到这里,用Python支持较好的配置文件格式如ini或yaml等进行配置。实现配置与代码分离。 2.data层,放数据文件,可以把所有的testcase的参数化相关的文件放到这里,一般可采用xlsx、csv、xml等格式。实现数据与代码分离。 3.drivers层,放所需的驱动,如Chromedriver、IEDriverServer等。 4.log层

lzmlc0109的博客 1982

Python自动化测试框架pytest的详解安装与运行

pytest是一个非常成熟的全功能的python测试工具,它主要有以下特征:简单灵活,容易上手;支持简单的单元测试和复杂的功能测试显示详细的断言失败信息能自动识别测试模块和测试功能有测试会话、测试模块、测试类、测试函数级别的fixture可用于selenium/Appium等自动化测试和接口自动化测试(pytest+requests);拥有丰富的第三方插件,还可自定义扩展;可与持续集成工具进行很好的集成,如:Jenkins。

m0_47485438的博客 1103

ptest基础用法04:指定目录、文件执行用例以及配置testpaths

目的:配置一个默认执行的目录文件地址,然后每次终端输入pytest就自动只执行该目录下的测试用例。2)在pytest.ini中第一行输入[pytest]。1)选择主项目新建一个file,取名为pytest.ini(必须是这个名字)。终端只需输入pytest,而不再需要输入具体目录即可准确执行。2)指定文件,pytest 文件夹名/文件名。结果:搜索并执行该文件夹下所有文件的测试用例。1)指定目录:pytest 文件夹名。结果:只执行该文件下的测试用例。同理,也支持地址配置为指定文件。

weixin_46471814的博客 2749

Python创建临时目录

变量,可以在程序中使用该临时文件夹。临时文件夹通常用于存储临时文件或其他需要在程序执行后自动删除的文件。语句可以在程序执行完毕后自动关闭文件,即使在文件打开过程中发生错误也能保证文件被关闭。语句来打开文件,并且在处理完文件后自动关闭文件。关键字用于指定文件对象的变量名,这里将打开的文件对象赋值给变量名。语句块,可以在该语句块内对文件进行操作,操作完成后,自动关闭文件。的文件,使用写入文本模式,并将文件对象赋值给变量名。变量来对文件进行操作,比如写入数据到文件中。是要打开的文件路径,第二个参数。

行子的博客 1228

Pytest脚本的运行

pytest命令可以通过指定目录、文件、类、测试函数和测试方法执行,此外还可以通过--ignore参数忽略以及通过-k参数模糊匹配等

redrose2100的博客 9093

43-pytest-内置fixture之临时目录使用

pytest-内置fixture之临时目录使用

小白的博客 500

pytest中文使用文档----6临时目录和文件

`pytest`是一个能够简化测试系统构建、方便测试规模扩展的框架,它让测试变得更具表现力和可读性--模版代码不再是必需的。 只需要几分钟的时间,就可以对你的应用开始一个简单的单元测试或者复杂的功能测试。

qq_64444051的博客 1032

Pytest----临时目录和文件的使用方法

目录 测试用例级的临时路径fixture:tmp_path 测试会话级的临时路径fixture:tmp_path_factory 测试用例级的临时路径fixture:tmpdir 测试会话级的临时路径fixture:tmpdir_factory 正文 测试用例级的临时路径fixture:tmp_path tmp_path 是一个testcase级别的fixture,返回的是pathlib.Path类型值,可以用于创建一个独一无二的临时目录,主要用于比如测试写文件之类场景,默认的会存放在系统的临时目录下,

redrose2100的博客 1050

如何动态更改pytest的tmpdir基目录

在这个示例中,我们定义了一个fixture `new_tmpdir`,它接收一个`tmp_path`参数,然后在其上创建一个新的目录。这个新的目录就是我们在测试中使用的临时目录。如果你需要在运行测试之前改变`tmpdir`的值,你可以使用`pytest.main()`函数来运行测试。在这个示例中,我们在`setUp`方法中改变临时目录的值,然后在`tearDown`方法中恢复原来的值。如果你想通过编程方式改变`tmpdir`的值,你可以在设置`tmpdir`参数的时候,将其设置为你想要的值。

396

自动化测试框架搭建,建议收藏

公司使用python+selenium+pytest来做UI自动化测试,我经历了从0开始搭建自动化工程、开发测试报告web服务、编写测试用例,经过了一段时间的磨合,感觉已经比较顺手了,这里梳理下我采用的自动化工程目录组织结构。整个目录结构如下,其中第一级目录和文件有:conf目录:主要用来存放项目运行环境、执行环境相关的配置参数logic目录:与项目有关的关键字、业务逻辑封装放到此目录testsuite目录:测试用例在此目录编写,pytest默认约定test开头的文件和方法为测试用例,不满足条件的不会被执行

2401_83396248的博客 888

创建临时目录

创建临时目录

m0_63783178的博客 584
上一篇: Pytest框架 —— 用例标记和测试执行篇,软件测试程序员秋招三面蚂蚁金服
下一篇: Python + Appium 自动化操作微信入门看这一篇就够了!_python操作微信客户端(1)
普通网友
博客等级 码龄5年 4697粉丝 610原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值