测试新手0基础自学Pytest 接口测试(1)

1 引言

大家有没有这个感觉,现在的AI太智能,显得学计算机的朋友们越来越笨。

比如我想自己练习Pytest和JMeter,首先需要一个网站,公共的网站用起来不方便,特别是在登录的时候用户名、密码的限制。

于是,我想到AI,让Deepseek帮我写一个部署在本地笔记本的轻量级网站,于是它10秒钟就给我一套code和方法,供你练习用,绰绰有余。

我就是直接问它:帮我出一个部署在本地的能做Pytest和Jmeter测试的网站。

下面是它给我的README.md的内容:

2 性能测试网站

这是一个用于JMeter性能测试练习的Python Flask网站,包含登录和查询功能,支持token和cookie验证。

功能特性

  • 用户登录/注销功能
  • 数据查询功能
  • Token-based身份验证
  • Cookie管理
  • 模拟API响应延迟和随机错误

安装和运行

  1. 确保已安装Python 3.7+
  2. 克隆或下载此项目到本地
  3. 安装依赖:pip install -r requirements.txt
  4. 运行应用:python app.py
  5. 在浏览器中访问:http://localhost:5000

API端点

登录API

  • 端点POST /api/login
  • 参数{"username": "admin", "password": "admin123"}
  • 响应: 返回用户信息和token,设置auth_token cookie

查询API

  • 端点GET /api/query?q=搜索词&category=分类
  • 端点POST /api/query (JSON body: {"q": "搜索词", "category": "分类"})
  • 认证: 需要有效的token(通过cookie或X-Auth-Token头)

用户信息API

  • 端点GET /api/user
  • 认证: 需要有效的token

注销API

  • 端点POST /api/logout
  • 认证: 需要有效的token

健康检查API

  • 端点GET /api/health
  • 认证: 不需要

测试账户

  • 用户名: admin | 密码: admin123
  • 用户名: user1 | 密码: password1
  • 用户名: user2 | 密码: password2
  • 用户名: test | 密码: testpass

JMeter测试建议

  1. 登录测试: 使用CSV数据文件配置多用户登录测试
  2. 查询测试: 测试带不同参数的查询请求
  3. Token验证: 测试token过期和无效token的处理
  4. 并发测试: 模拟多用户同时登录和查询
  5. 错误处理: 测试服务器返回错误时的处理

注意事项

  • 此应用仅用于测试目的,不应在生产环境中使用
  • Token存储在内存中,服务器重启后所有token将失效
  • 应用模拟了网络延迟和随机错误,以更真实地测试性能

3 Pytest 测试

把它给的code拷贝到本地,执行python app.py,然后就有了http://127.0.0.1:5000/

然后就可以随便练习Pytest和JMeter的测试了。

提前搭建好Pytest环境,安装Pytest和requests等插件。

import pytest
import requests

class TestAPI:
    base_url = "http://127.0.0.1:5000"
    
    def test_login_api(self):
        login_url = f"{self.base_url}/api/login"
        headers = {"Content-Type":"application/json"}
        login_data = {
            "username":"test",
            "password":"test"
        }

        session = requests.Session()
        response = session.post(
            login_url,
            json=login_data,
            headers=headers,
            timeout=10
        )
        
        #verify response code
        assert response.status_code == 200
        
        #verify status or content
        data = response.json()
        assert "status" in data
        assert data["status"]=="success"
        
        #return seesion for other api using.
        return session


     def test_query_api(self):
        query_url = f"{self.base_url}/api/query"
        
        query_data = {
            "q":"test",
            "category":"Pytest测试"
        }
        
        session = self.test_login_api()
        response = session.post(
            query_url,
            json=query_data,
            timeout=10
        )
        data = response.json()
        assert "status" in data
        assert data["status"] == "success"




4 JMeter 性能测试

这个也都是基本的添加各种组件的操作。一般会遇到的问题就是,登录后要解析session,cookie和token等,不然后面的查询等业务会报错。

4.1 整体测试计划look

提前添加HTTP信息头管理器,里面Add一行,常见的是

Name:Content-Type;

Value:application/json。

4.2 登录Login-request的配置

输入URL和具体的Path等信息,Body里填入登录的用户名和密码,可以参数化。

4.3 添加HTTP Cookie Manager

它可以自动帮你管理cookie,这样后续的request就可以自己带着cookie查询了。

4.4 添加查询请求Query request

4.5 添加查看结果树和Summary Report等

4.6 配置线程组Thread Group

待上面的基础配置(登录+查询)调试通过后,就可以配置并发。跑性能测试了。

如果感兴趣可以查看我前面的四个介绍JMeter的文章:

https://blog.youkuaiyun.com/wangjingbin/article/details/150915141

我也是边学边用,如果有不对的地方请指正,如果觉得有用,多多点赞支持。

——————————————The End ——————————————————

欢迎关注大滨,坐标北京、天津:

18+软件开发测试经验;前8年银行系统(中行、民生、农行)功能、性能和自动化测试,尤其是性能测试;后10年存储行业(CA, Dell-EMC)自动化和性能测试。

也欢迎大家点赞关注我的微信公众号:大滨读书健身(全网同名)

会分享读书、健身、投资和个人成长等心得体会,人生除了代码还有生活,与君同行!
 

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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