自从学会了搭建开源网站,再也不担心找不到web自动化学习环境了

Python Web环境搭建 Python Web环境搭建 文章目录前言一、VS Code 下载和安装1.下载网址2.Vs Code基本配置2.1Vs Code的汉化2.2 Python Web 项目用到的插件二、使用步骤1.引入库2.读入数据总结 前言 Web=Web application(网络应用)!=Website(网站) 一、VS Code 下载和安装 1.下载网址 官网:https://code.visualstudio.com/ 百度网盘:https://pan.baidu.com/s/1xk2AU3wu_KvXASS 阅读详情

前言

本文首发公众号:码上开始

很多小伙伴在学习web自动化测试时候,总在苦恼找不到合适的web网站的去进行自动化练习,练习项目无非就是百度官网,总感觉没什么实质的提高。

环境准备:

1. Tomcat
2. shopping商城文件
3. jdk环境
4. Mysql环境


解压shopping.rar拷贝至tomcat/webapps

在这里插入图片描述

在navicat导入数据库db_shopping.sql

在这里插入图片描述

tomcat/webapps/shopping设置

Shopping\src\com\wy\tool\JDBConnection.java 设置数据库连接,修改登录用户名和密码

在这里插入图片描述

重新编译JDBConnection.java文件,得到JDBConnection.class文件

在这里插入图片描述
-#### 将JDBConnection.class复制到Shopping\WEB-INF\classes\com\wy\tool,替换原文件
在这里插入图片描述

启动Tomcat

在这里插入图片描述

网址:http://localhost:8080/Shopping/index.jsp 账号:Tsoft 密码:111

在这里插入图片描述


如果对软件测试、接口测试、自动化测试、技术同行、持续集成、面试经验交流。感兴趣可以进到893694563,群内会有不定期的分享测试资料。
保姆级网站搭建教学,教你手把手学会搭建属于自己的网站 以上就是从零开始到搭建完自己的网站,及实战演练的全过程,由于购买域名,服务器都是租的,一个月基本会在200左右的费用,大家自行决定是否搭建,可以开一个月自己学习实操体会一下搭建网站的知识。在宝塔面板—文案—终端(之前没有安装docker的话需要在面板上进行安装推荐清华镜像比较快,如果安装失败,就在软件商店进行安装)—终端下输入docker 回车。在宝塔面板选择文件,点击后选择与你域名相同的那个文件夹(例如chat.01_aide)打开里面就是你网站的源代码文件,可以进行你的网站的设计。 阅读详情

相关推荐

Linux下搭建Web网站

网站需求: 1.基于域名www.openlab.com可以访问网站内容为 welcome to openlab!!! 2.给该公司创建三个网站目录分别显示学生信息,教学资料和缴费网站,基于 www.openlab.com/student 网站访问学生信息,www.openlab.com/data 网站访问教学资料 ,www.openlab.com/money 网站访问缴费网站。 3.要求: (1)...

qq_43573722的博客 4292

web自动化框架:selenium学习使用操作大全(Python版)

浏览器驱动下载 selenium-python安装 元素定位八种方法 元素动态定位 iframe切换 填充表单_填充文本框 填充表单_单选按钮 填充表单_下拉列表 切换窗口和标签页 显式等待 隐式等待 警告框 confirm确认框 prompt提示框 鼠标操作动作链 执行js代码_滚动 上传操作_input上传 上传操作_非input上传_pywinauto 上传操作_非input上传_pyautogui selenium调整窗口大小 判断元素是否允许被操作 获取某个元素的html svg定位.......

testleaf.cn 1万+

(一)Java Web环境的搭建

这些网站通常使用HTML和动态脚本语言(入JSP、ASP或者是PHP等)编写,并将编写后的程序部署到Web服务器上,由Web服务器堆动态脚本代码进行处理,并转化成浏览器可以解析的HTML代码,返回给客户端浏览器,显示给用户。这些代码放在Web服务器上,用户使用浏览器通过HTTP协议请求服务器上的Web页面,服务器上的Web服务器接受到用户的请求处理后,再发送给客户端浏览器,显示给用户。可以选择tomcat或者其他都可以,看你的项目需要,在这里我输入一个【Test】来测试项目的建立,点击【Next】按钮。

m0_66432226的博客 2783

【2023最全教程】WEB自动化入门介绍(建议收藏)

什么是web自动化测试?把以人为驱动的测试行为转化为机器执行的过程,通过测试工具录制软件或编写脚本,对web对象进行输入数据,单击等操作,比较预期结果和实际结果,产出测试报告。

myh919的博客 1639

web自动化测试学习以及Javascript学习(四)

NULL 博文链接:https://wcf1987.iteye.com/blog/450197

史上最全的web端python自动化学习资料

史上最全的web端python自动化学习资料,包含Python的安装,Python数据类型及语法,配置自动化测试环境,常见的webdriver API,八大元素定位,显式等待高级用法,文件上传,下载文件,鼠标的操作,键盘的操作,滑动解锁,操作Cookie,Request模块接口测试,自动化测试框架:Unittest框架,pytest测试框架,Robot Framework框架,Page Object模式等等

自动化测试学习网站

Selenium WebDriver 是一个广泛使用的自动化测试工具,用于通过编程语言模拟用户与Web应用程序的交互。官方文档提供了详细的指南、教程和示例,适用于各种编程语言。

伤心的辣条 1841

可变形卷积(Deformable Conv)原理解析与torch代码实现

图6为可变形卷积示意图。图1所示为普通卷积在输入特征图上进行卷积计算的过程,卷积核大小为3*3,在输入特征图尺寸为7*7上进行卷积,将卷积核权重与输入特征图对应位置元素相乘并求和得到输出特征图元素,按一定方式滑动窗口就能计算得到整张输出特征图。图6所示,在input feature map上普通卷积操作对应卷积采样区域是一个卷积核大小的正方形(绿框),而可变形卷积对应的卷积采样区域为一些蓝框表示的点,这就是可变形卷积与普通卷积的区别。先来一张图感受一下,图3为标准卷积与可变形卷积的卷积示例。

panghuzhenbang的博客 5万+

WEB自动化入门

1:理论知识 2:selenium工具 3:元素查看工具使用 4:环境搭建

pengjianglilive的专栏 444

Halcon手眼标定实战:九点标定法从入门到精通(附完整代码)

本文详细介绍了Halcon环境下九点标定法的完整实现流程,从基础概念到实战技巧,帮助开发者快速掌握手眼标定技术。通过精确采集图像坐标与机械坐标,计算仿射变换矩阵,实现相机与机械臂坐标系的精确映射,适用于工业自动化中的平面定位场景。

v4w5x6的博客 411

5分钟搞懂双目相机标定:从棋盘格到3D点云的完整流程(附Python代码)

本文详细介绍了双目相机标定的完整流程,从棋盘格准备到3D点云生成,涵盖单目标定、双目标定、立体校正、视差计算等关键步骤。通过Python代码示例,帮助读者快速掌握双目立体视觉技术,实现高精度的3D重建。特别适合机器人导航、工业检测等应用场景。

weixin_29100399的博客 592

非常适合练习自动化测试的5个网站

当我们在学习自动化测试工具的时候,经常需要找一些网站页面快速的验证自动化测试的API,有些页面功能并不是特别好找,例如,鼠标悬停、文件上传、元素滑动等。 本文帮你盘点了5个网站,涵盖了90%的页面元素,适合我们练习自动化测试工具的API。

伤心的辣条 3799

华为C语言笔试题(附答案)

华为C语言笔试题(附答案)     1、局部变量能否和全局变量重名?   答:能,局部会屏蔽全局。要用全局变量,需要使用 ":: "   局部变量可以与全局变量同名,在函数内引用这个变量时,会用到同名的局部变量,而不会用到全局变量。对于有些编译器而言,在同一个函数内可以定义多个同名的局部变量,比如在两个循环体内都定义一个同名的局部变量,而那个局部变量的作用域就在那个循环体内。  

峰云四起 3038

自从学会了搭建开源网站,妈妈再也不担心我找不到web自动化学习环境了

前言 很多小伙伴在学习web自动化测试时候,总在苦恼找不到合适的web网站的去进行自动化练习,练习项目无非就是百度官网,总感觉没什么实质的提高。 环境准备: 1. Tomcat 2. shopping商城文件 3. jdk环境 4. Mysql环境 解压shopping.rar拷贝至tomcat/webapps 在navicat导入数据库db_shopping.sql tomcat/webapps/shopping设置 Shopping\src\com\wy\tool\JDBConne

测试小小小的博客 268

关于动态存储器dram中rank,bank,device之间的关系

DEVICE_WIDTH表示设备的带宽(单位bit),每个列(column)包含DEVICE_WIDTH 位(bit),每一行(row)包含NUM_COLS个column。   而每一个bank包含NUM_ROWS个行(row)。所以一个设备(device)的存储容量为PER_DEVICE_STORAGE =NUM_ROWS*NUM_COLS*DEVICE_WIDTH*NUM_BANKS (i

wyj7260的专栏 4734

Microsemi Libero使用技巧11——CoreUARTAPB RX管脚分配时不显示

调用串口IP核CoreUARTAPB,并例化到顶层设计,发现UART_RX管脚在进行管脚分配时没有显示出来,最后发现是CoreAPB3总线IP核配置不对导致,改为如下配置后正常。

whik1194的博客 759

【Paper with code】如何查找开源代码的论文;妈妈再也不用担心我找不到开源代码论文了

我搜索了一下网上现有的方法,发现我这个方法竟然没有提及,既然如此,那我就分享出来了。不要告诉我在github上,在paper with code上搜索,这都没有找到问题的本质,它确实是一种方法,但很有限,同样,我的方法也很有限,但范围要比前者更广。

weixin_43835470的博客 2万+

【人工智能】 WebDev Arena:实时AI Web开发竞赛的技术探索与价值

《AI编程竞赛推动Web开发技术创新》摘要:WebDev Arena作为聚焦Web开发领域的实时AI编程竞赛,通过标准化竞技环境检验AI模型在代码生成、问题解决等方面的能力。竞赛覆盖前端、后端等全流程开发环节,采用实时评分机制,推动AI对复杂Web需求的理解和多元技术栈适配。该赛事不仅促进AI编程技术创新,更为Web开发行业与AI技术融合搭建桥梁,有望提升开发效率、降低技术门槛。未来将拓展Web3.0等前沿技术主题,持续推动行业智能化发展。(150字)

奶爸的编程之路,也就一周冷个三天 263

搭建开源网站,它来了!又来了!享受学习web自动化学习的快乐。

https://blog.youkuaiyun.com/laozhu_Python/article/details/107701685 https://blog.youkuaiyun.com/laozhu_Python/article/details/107731554

学历是帮一个人争取机会 | 能力是帮一个人把握机会 1282

最新Codex接入DeepSeek官方API教程(无需cc-switch)

最新Codex接入DeepSeek官方API教程(无需cc-switch)

猿小白的博客 977

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

10分钟教你搭建开源网站,再也不担心找不到web自动化学习环境了!

前言: 人生只有走出来的美丽,没有等出来的辉煌。不要艳羡别人成功的精彩,其背后是说不完的酸楚和悲伤,所以想要改变,就立马行动起来。 大家好,我是艺霏,今天来讲一个有趣的知识点,教大家怎么搭建开源网站。 正文: 环境准备: 1. Tomcat 2. shopping商城文件 3. jdk环境 4. Mysql环境 1解压shopping.rar拷贝至tomcat/webapps 在navicat导入数据库db_shopping.sql tomcat/webapps/shopping设置 Shopping

别人的故事,是参考答案,而不是标准答案 1468

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

Web自动化测试的测试环境搭建是怎样的?

Web自动化测试是当前软件开发中重要的一环,它可以节省人力成本、提高测试效率,有效保障软件的质量。本文将详细介绍如何从零开始搭建Web自动化测试环境。

m0_47485438的博客 1169

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'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('DeepLearnToolbox'));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('state',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'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',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 = 'sigm';%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, 'Too big error');```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('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';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)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';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, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% 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'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 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, 'Too big error');```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('state',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, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',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, 'Too big error');%% ex3 neural net with dropoutrand('state',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, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % 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, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % 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, 'Too big error');%% 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('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % 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, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

学会这几招,再也不担心电脑被黑客入侵

这是一个争议比较大的问题,有的人会建议先学编程,而有的人会建议先学计算机基础,其实这都是要学的。第一种是报网络安全专业,现在叫网络空间安全专业,主要专业课程:程序设计、计算机组成原理原理、数据结构、操作系统原理、数据库系统、 计算机网络、人工智能、自然语言处理、社会计算、网络安全法律法规、网络安全、内容安全、数字取证、机器学习,多媒体技术,信息检索、舆情分析等。例如,谷歌的Project Zero团队设计了一个名为Buggy Cow的概念验证,由于其内存管理器中的错误,它能够访问macOS的某些部分。

小司机的奥拓 1436

web自动化环境搭建

web自动化环境搭建前言一、web自动化是什么?二、环境搭建1.python安装2.Selenium安装3.安装Chrome浏览器4.安装 chromedriver三、代码植入验证总结 前言 随着互联网的发展,基本每个公司都有自己的web应用程序及APP,除了开发人员进行研发,测试人员也尤其的重要,把握项目的最后一层关卡,本文介绍测试工作中用到的web自动化的环境搭建。 提示:以下是本篇文章正文内容,下面案例可供参考 一、web自动化是什么? 大致可以理解成,测试工程师在测试工作中,进行模拟人的一些繁

weixin_42501275的博客 1027
上一篇: 前小米测试总监教你web自动化的文件上传操作
下一篇: 软件测试职业发展必经之路! 为什么别人3年可以成为高级测试工程师,为何你还在点点点!
码上开始
博客等级 码龄9年 1780粉丝 294原创
评论 11
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

打赏作者

码上开始

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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