测试“原始人”到测试“现代人”的快速蜕变

lsekfe

前言

虽然笔者是一个测试老人了，但是基本上所有的测试经验都停留在手工测试方面，对于自动化测试方面的实战经验少之又少，可以说，从这个角度来说，就像生活在原始社会，一切靠双手解决问题。（别想歪了，我说的是只会手工测试的意思，哈）

其实，究其原因：一方面是，自动化方面不求上进，觉得会手工测试就可以了，自动化就能躲就躲吧；另一方面是，觉得自动化是个慢慢积累的过程，不是那么容易学会的，既然不是那么学会的，那是不是......，就先不学了。（我估计大部分人都中枪了，哈哈）然后，就一拖再拖，能拖就拖，殊不知，自动化已经逐步成为测试领域必备的生存技能了。

所以，为了顺应测试行业发展的潮流，我就开始了从测试“原始人”到测试“现代人”的转变。（顺便说一下，想快速成长，有两个方面的因素也很重要，一方面想学习，是内因，感兴趣的事情，一般效率都会高很多；另一方面项目迫切需要，是外因，正所谓有压力才有动力）

考虑到python语言相对于大部分语言的语法简单，容易上手的特点，再加之python在自动化测试方面的广泛应用，我选择了python语言进行学习。

一、菜鸟是怎样炼成的

这一部分主要讲讲从一无所知到正式入门，Python从零开始学习的步骤

1、基本语法的学习——打铁还需自身硬

首先，找一个适合零基础的学习网站，粗略过一遍python基本语法，推荐https://www.sharetechnote.com/和https://www.runoob.com/python/python-tutorial.html。Str、List、dict、set、loop、if等等，这些都是最最基本的语法知识。

需要注意的是，学习教程中的练习实例，一定要一步一步跟着敲下来，这样学习效果最佳。

等到基本语法学的差不多了，就可以直接进入实战阶段了。

需要特别指出的是，没有必要在语法方面反复看，看过一遍基础就可以了，看再多遍也只是纸上谈兵，重要的还是通过实战来巩固前面学习到的知识，也更加深对语法的使用技巧的理解。

2、项目实战——上阵练兵

有了一些语法基础之后，接下来要结合项目，实现一些自动化功能。或者，如果没有合适的项目进行练习，给自己定一个目标作为项目，限定时间，实现一定的功能需求

我学习python的时候，由于项目中有一个几乎是日常需要做的事情，比较适合进行自动化，提高工作效率。

具体需求是这样的。从客户返回的产品日志log中提取关键信息，然后以固定的模板填写excel表格，回传给客户。再详细一点呢，就是从txt多个文件和excel文件中，提取某些数据的值，填写到表格中，便于做问题定位和分析，其中涉及到平均值，最大值，同时涉及到几种固定的类别（就不更具体了，免得读者对号入座，联想到自己身边的同事~~）

接下来我就来说说，我是如何完成这个项目的。

程序初版面世：通过日夜奋战，到处求医问药，搞定功能第一步

最开始，从待处理的txt文件出发，先实现一些特点比较明显的，看起来比较简单的数据处理，比如搜索含有特定的关键字的所有行，然后，取这些行中某一特定位置的值，然后计算这些值的平均值。

大体思路是：

l  遍历txt文件中所有的行

l  然后通过关键字搜索

l  搜索到的行，通过一定的字符进行分割，然后存为list

l  按照list下标取值，然后把所有的值加起来求和，再除以个数

虽然我知道这个方法不是最聪明最快的，但是我知道它是我当前的水平能做到的一种方法，至少能实现功能，满足项目需求。

这个阶段学习到的方法是：

l  open()打开文件

l  readlines（）读取行

l  find()找到关键字，后来发现find只能找到一次，并且返回值是所在的位置，不方便，随后改为使用if X in Y来实现了

l  re.split。

这个阶段，用到的基础知识点是list，for循环，str

第二步

随后，另一个需求随之而来，我上面计算出来的值，得想个办法存下来，等自动化执行完之后，好去统计，然后填表。

因此，我想了一个办法：把重要数据print出来，然后把执行的log保存下来（从网上找的方法），然后人工进行查看和填表。

这个阶段学习到的方法是：

l  class类

l  write写文件

第三步

后来发现，这种方法的工作效率貌似有点低，明明是很高大上的自动化，怎么成了半自动化了？

所以，我想到的是，把计算出来的数据，保存成表格，然后去表格里查看，就不用从茫茫执行记录里边去找了。

这个阶段学习到的方法是：

l  读EXCEL的模块xlrd

l  写EXCEL的模块xlwt  

第四步

最初生成的表格，基本上是几个类似的数据就生成一个EXCEL，其他类似的再生成一个EXCEL。所以，如果一旦填写的数据有上百个（这个项目就是这种情况），那差不多也要10几个甚至20多个表格。

因此，我的想法是，能不能把这些生成的数据统统生成到一个表格里，然后再去这个表格里去找我需要的数据。

有了这个想法之后，我的想法就不止停留在了这个层面了。而是，既然我打算自动生成数据到统一的一个表格里边，然后去取数据，再填到我的结果表格里边，那不如一步到位，通过程序直接把计算出来的结果，填到我创建的结果模板表格里边，实现计算---填表全自动化。

这个阶段用到的主要方法是仍然是读EXCEL的模块xlrd和写EXCEL的模块xlwt，不过，改变了一下这两种方法的用途，原来只用于把txt提取的数据存下来备用，现在直接用于写入最终的结果表格中。

第五步

需要特别指出的是，经过上面几个过程之后，所有的txt部分的需求才终于实现了，但是EXCEL数据读取、计算还没有进行。所以，接下来的主要目标，就是实现EXCEL表格的数据统计。

我首先想到的方法是，获取Excel的单元格的值，然后进行计算。有了之前txt数据的类似的经验，只要解决了如何获取单元格的值，就能实现此功能。

这个阶段，我学习到的方法是cell().value,取单元格的值。

程序优化改版：通过试用和代码审查，优化代码

至此，需要实现的需求都一步一步的通过探索实现了。

但是，由于时间紧迫，第一版代码以自己最容易hold住的方式实现功能，没有特别去思考是否最优方案，所以，此时的代码只能用“水”来形容。

所以，接下来我做的是：

一方面：推广试用

让同事们试用我的代码，发现一些明显的问题，事实证明，实践是检验真理的唯一标准。试用过程中，发现的问题见python学习和工具试用过程中遇到的问题部分

另一方面：代码检视算法优化

在让团队成员试用工具的同时，重新审视自己的代码，寻找优化点。首先是算法方面的优化。

l  提取代码逻辑完全相同的复制粘贴的代码，使用for循环进行结构简化。示意图如下：

l  对于代码逻辑类似的，可酌情通过自定义函数库，来进行调用，这样可以使代码更加简洁，逻辑更加清晰。

例如，查找文件夹下的文件；通过一定的关键字搜索txt文件的所有行，然后把找到的行切割，然后取出需要的列，形成列表，最后形成dataframe，便于计算平均值等

1. import re
   
2. def txt_cut(filel,keyws,cutby=r'[|]\s*'):
   
3.     file = open(str(filel), "r")
   
4.     txtlines = file.readlines()
   
5.     data_is_need_num = 0
   

复制代码

l  寻找内置库或者第三方库中是否有更简便的方法，替代代码中一坨代码实现的功能

例如，计算平均值用mean（）替代求和后再除以数量

1. df.groupby("A").B.mean()

复制代码

l  用dataframe的groupby和value_counts()方法来输出一坨数据中，某一属性为A的数据中，另一属性值中数量最多的项

1. max = df.groupby("A")['B'].apply(lambda x: x.value_counts().head(1))

复制代码

可以说，代码优化的过程，更是一个各方面飞速进步的过程。

效率及易用性优化

除了上面的代码结构和调用的模块方法的优化，审视代码过程中，还识别出了一些执行效率和易用性方面的需求：

l  控制循环中某一分支执行次数，获取到一次数据之后，就停止循环。

1. time_ex = 0
   
2. if (条件1) and (time_ex != 1):
   
3.         time_ex = 1
   
4. 语句1
   

复制代码

l  将log打印信息以一定的颜色输出，方便提示用户一些重要的文件存储信息。

1. print("\033[0;31m我爱你中国\033[0m")

复制代码

可靠性优化

除了效率和易用性方面，在这个项目过程中，也识别出了可靠性方面的需求。例如，存放txt文件名的list，优化之前是通过动态获取目标路径下的所有txt，然后通过list下标来取，这种方法最大的问题是，如果目标路径下有多余的txt，则用下标可能取的不对

优化后，将待处理的文件，通过文件名进行关键字搜索，如果搜索到，则统一放到新建的文件夹下，并重命名为固定的文件名，这样做可以保证后面调用文件列表的时候，一定是我需要的，不会取错。

二、python学习和工具试用过程中遇到的问题1、int越界

  File"pandas\_libs\lib.pyx", line 615, in pandas._libs.lib.astype_intsafe

OverflowError: Python int too large toconvert to C long

大体意思就是：溢出错误，Python int太大，无法转换为C long

python的int是没有上限的，但是C有，如果传入参数大于C语言的int上限就会出错。

解决方案：

把data_df_phy_ipa["IPA"]= data_df_phy_ipa["IPA"] .astype('int')

改为data_df_phy_ipa["IPA"]= data_df_phy_ipa["IPA"] .astype('int64')

或data_df_phy_ipa["IPA"]= data_df_phy_ipa["IPA"] .astype('float')

遇到此类问题，其他参考方案是：

l  修改算法，不用这个c写的函数。

l  升级python版本，有的时候这个错误是python2的，将python升级为3。

2、重命名文件或文件夹时，提示已存在，异常结束执行

FileExistsError: [WinError 183] 当文件已存在时，无法创建该文件

解决方案:

对目标文件夹或文件做判空处理

if not Path.exists(Path.joinpath(newdir,newname))

3、使用round方法时，提示错误

AttributeError: 'float' object has no attribute 'round'

错误提示：AttributeError:‘float’ object has no attribute ‘round’

方案一：

该错误是由于numpy库版本较低导致的，需要更新numpy库至最新版本

pip install --upgrade numpy

更新时需要保证pip版本比较新，否则会提示pip版本更新较低更新失败

python3 -m pip install --upgrade pip

1. F:\Log_Analysis_Auto\0_log_all_auto_fill>pip install --upgrade numpy
   
2. Requirement already satisfied: numpy in c:\python36\lib\site-packages (1.19.5)
   
3. WARNING: You are using pip version 21.0.1; however, version 21.1 is available.
   
4. You should consider upgrading via the 'c:\python36\python3.exe -m pip install --upgrade pip' command.
   
5. 
   
6. F:\Log_Analysis_Auto\0_log_all_auto_fill>c:\python36\python3.exe -m pip install --upgrade pip
   
7. Requirement already satisfied: pip in c:\python36\lib\site-packages (21.0.1)
   
8. Collecting pip
   
9.   Downloading pip-21.1-py3-none-any.whl (1.5 MB)
   

复制代码

方案二：

1. 如果方案一解决不了问题，请
   
2. 如下这种格式的代码
   
3. rb_s2 = df[df['Cell']=='SCC2'].RB.mean().round(2)
   
4. 修改为：
   
5. rb_s2 = round(df[df['Cell']=='SCC2'].RB.mean(),2)
   

复制代码

4、提示含有gbk或者utf-8解码错误的报错原因：

这种情况是因为txt文件没有存为utf-8 无bom格式

解决方案：

Ultra edit打开txt文件，然后另存为格式选择“UTF-8-无BOM”

5、提示无权限Permissiondenied:

PermissionError:[Errno 13] Permission denied:

原因：

程序执行完成之前，需要读写的文件不能打开，否则会读写冲突，执行终止

解决方案：

程序执行过程中，不要打开文件

6、invalid literal forint() with base 10

报错：ValueError: invalid literal for int() with base 10

原因：

原因为参数有误,int()函数可以把数字字符串转化成int类型的数字,但是不能传入非数字的字符串

解决方案：

非数字字符串改成数字字符串

三、python学习总结1、处理数据pandas库的dataframe比较强大

数据被DataFrame了之后，就像是操作EXCEL表格中的数据一样，只要你敢想，它就敢做。就我目前用到的DataFrame功能，我总结如下：

l  统计均值

l  统计最大值

l  统计哪个值最多

l  整列删除

l  筛选数据

l  整列合并

DataFrame的功能远远不止这些，感兴趣的小伙伴可以自行学习

2、对于读写EXCEL的方法，有如下的总结：

openpyxl可以处理xlsx文件和XLSM文件，可以写入单页sheet超过65535行，可以同时读写Excel；xlrd、xlwt只能处理xls，最大可以写65535行的表格。

不过，如果EXCEL表格的数据量不是很大时，还是建议使用xlrd、xlwt套装。

后记

最后，一些Python学习心得分享给大家，希望对大家有所帮助。

l 自动化脚本写作，重在实战

l 潜力是逼出来，有压力才有动力

l 写代码之前最好先构思好代码逻辑，躺石头过河的笨方法只适合初学者，并且后期维护成本较高，返工的概率也高一些

l Python编码选模块很重要，选对模块事半功倍

希望本文能够帮助那些“原始人”快速“进化”为“现代人”，或者对那些已经成为“现代人”有一些启发。

我下一步的计划是，学习和实践Python+Selenium的自动化框架，我将在后续的文章中把我的学习心得分享给大家，敬请关注。