一、簡介

　　pytest+allure+jenkins進行接口測試、生成測試報告、結合jenkins進行集成。

　　pytest是python的一種單元測試框架，與python自帶的unittest測試框架類似，但是比unittest框架使用起來更簡潔，效率更高

　　allure-pytest是python的一個第三方庫。用於連接pytest和allure，使它們可以配合在一起使用。

　　allure-pytest基於pytest的原始執行結果生成適用於allure的json格式結果。該json格式結果可以用於後續適用allure生成html結果。

二、安裝　　

　　1、安裝pytest，命令行或終端中輸入

1 pip install pytest

　　2、安裝allure-pytest，安裝成功

1 pip install allure-pytest

　　allure-pytest安裝成功后截圖如下。

　　3、下載安裝JDK

　　官方下載：https://www.oracle.com/java/technologies/javase-jdk11-downloads.html

　　安裝與配置不作闡述請諒解　　

　　4、下載安裝Jenkins

　　官方下載：https://www.jenkins.io/

　　安裝與配置不作闡述請諒解

三、下載Allure並配置

　　下載allure並配置

　　1、allure官網下載：https://github.com/allure-framework/allure2/releases

　　如下圖所示

　　2、allure2下載下來是一個zip的壓縮包，我們要解壓至自己的文件目錄下（可解壓放至項目的測試用例下或python安裝目錄下），自己可找到文件即可。

　　3、打開allure2目錄，找到bin目錄，複製bin文件目錄， 然後進行環境變量的配置，設置環境變量的目的就是讓系統無論在哪個目錄下都可以運行allure2。

　　4、環境變量設置：（桌面——我的電腦——右鍵屬性——高級系統配置——環境變量——系統變量——Path——編輯環境變量——把我們上面複製的目錄路徑新增至環境變量中即可）

　　設置環境變量，如下圖所示。

 

　　5、配置好后，打開cmd終端，輸入allure，出現以下幫助文檔，就說明配置成功了。

 四、Allure裝飾器描述

　　Allure裝飾器

 五、Pytest+Allure的應用

　　上述我們講了一些理論的知識，下面我們就來實戰練習一下吧。進一步理解Pytest+allure如何結合應用的。

　　1、新建testcase文件夾，用來存放測試用例，新建test_Demo.py文件，作為pytest的具體測試用例文件。在test_Demo.py文件中輸入以下代碼。

 1 # test_Demo.py
 2 # Creator：wuwei
 3 # Date：2020-06-09
 4 
 5 import pytest
 6 import requests
 7 import allure
 8 import sys
 9 sys.dont_write_bytecode = True
10 
11 @allure.epic('測試描述'.center(30, '*'))
12 @allure.feature('測試模塊')
13 @allure.suite('測試套件')
14 class TestPytestOne():
15     @allure.story('用戶故事描述：用例一')
16     @allure.title('測試標題：用例一')
17     @allure.description('測試用例描述：用例一')
18     @allure.testcase('測試用例地址:https://www.baidu.com/')
19     @allure.tag('測試用例標籤：用例一')
20     def test_one(self):
21         print('執行第一個用例')
22         assert 1 == 1
23 
24     @allure.story('用戶故事描述：用例二')
25     @allure.title('測試標題：用例二')
26     @allure.description('測試用例描述：用例二')
27     @allure.testcase('測試用例地址:https://www.sogou.com/')
28     @allure.tag('測試用例標籤：用例二')
29     def test_two(self,action):
30         print('執行第二個用例')
31         assert True == True
32 
33 # pytest運行
34 if __name__ == "__main__":
35     pytest.main(['-s', '-v', 'test_Demo.py', '-q', '--alluredir', '../reports'])

　　2、我們再來創建一個conftest.py，conftest用來共享數據及不同層次之間共享使用的文件，測試用例的前置和後置中一般都可以用到的。

 1 # conftest.py
 2 # Creator：wuwei
 3 # Date：2020-06-09
 4 
 5 import pytest
 6 import sys
 7 sys.dont_write_bytecode = True
 8 
 9 @pytest.fixture()
10 def action():
11     print("測試用例開始".center(30, '*'))
12     yield
13     print("測試用例結束".center(30, '*'))

　　3、運行test_Demo.py文件，test_Demo文件中已經pytest+allure的結合，可查看allure的運行結果，可看出在根目錄中生成了一個reports文件夾，其中生成了測試報告的json文件，這裏面的json文件可通過allure生成html的測試報告。
　　運行test_Demo.py，終端显示如下圖所示。

 　　生成的Json格式的測試報告，如下圖所示。

 　　4、使用allure將json文件生成html的測試報告，定位至項目文件根目錄下，運行以下命令，會在項目根目錄下生成一個名為allure_reports的文件夾，用來存放html測試報告。命令下如所示。

1 allure generate reports -o allure_reports/

　　成功運行allure，結果如下圖所示。

　　項目根目錄下的allure_reports文件，存放的是allure生成的測試報告。可看出文件下有一個HTML文件，可通過Python的編輯器Pycharm來打開該HTML文件（測試報告），或可通過allure命令來打開該HTML，展示HTML測試報告。如下所示。

　　測試報告文件，HTML測試報告如下。

　　allure命令打開HTML測試報告。命令如下所示。

1 allure open allure_reports/

　　如下圖所示。

 　　打開生成的HTML測試報告如下圖所示。

 六、Pytest+Allure+Jenkins的應用

　　1、Jenkins插件網站上下載allure插件最新版本：

　　　　http://mirrors.jenkins-ci.org/plugins/allure-jenkins-plugin/

　　2、Jenkins的安裝我已經在Postman+Newman+Git+Jenkins的篇章中講過了，沒看小夥伴可以看一下那篇文章。確認Jenkins服務是否開啟。確認開啟后，在瀏覽器中輸入：http://localhost:8080/，進入Jenkins配置頁面。

　　3、http://localhost:8080/，登錄Jenkins的頁面，在管理Jenkins——插件管理——高級中找到上傳插件。將（1）步驟中下載的.hpi的文件上傳至jenkins上。

　　上傳安裝好的allure-jenkins-plugin的插件，安裝完成並成功，是藍色圓點显示，因我已經安裝過一次，會提示已經安裝，重啟Jenkins即可生效。（注意：不是關閉瀏覽器重新打開，而是重啟Jenkins服務）

　　4、全局變量中配置allure路徑與JDK的路徑，

　　配置JDK安裝的路徑，如下圖所示。

　　配置allure安裝的路徑，如下圖所示。

　　5、新建Item，配置構建后的allure測試報告生成。這裏配置Pytest執行完成之後，生成的allure文件所在的目錄位置。

　　項目中生成allure的json測試報告的位置。需與下面構建后操作中的Results的Path文件一致。

　　構建后操作的allure生成測試報告的配置，如下圖所示

　　6、配置構建命令。就是上述在cmd中運行項目時的命令。如下圖所示。

注意：運行后發現有報錯。“Build step ‘Execute Windows batch command’ marked build as failure”，解決方案，在運行項目的命令后添加exit 0。如下圖所示。

　　7、修改運行命令后我們再來運行一下。我們可發現運行后，allure裏面沒任務數據。因為我們還沒設置運行的項目路徑。設置工作空間，打開工作空間目錄，將我們的項目複製到jenkins的工作目錄中。

　　我們可將代碼傳至GitHub上，在Jenkins中設置相關Github項目的配置，也可進行Jenkins部署。我在Postman+Newman+Git+Jenkins這篇博客里就應用到了。有興趣的可參考看看這篇Jenkins如何Git項目。在這裏我們使用本地項目來部署。

　　測試報告無數據因為工作空間裏面沒有項目配置。

　　複製項目至Jenkins工作空間的目錄中。

　　8、添加項目后，我們再運行一下，藍點則為運行成功，可看到後面已經生成了allure的測試報告了。可直接點擊後面的alluree圖標跳轉至HTML的測試報告。如下圖所示。

　　allure生成的HTML測試報告

八、總結

　　上述我們聊了下pytest+allure+jenkins如何結合集成一起使用的，本地啟動jenkins，運行項目，調用allure生成測試報告。也簡單的做了一個小Demo。後期我將結合Requests接口測試和seleniumWeb測試應用至具體項目中。

 

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※想知道購買電動車哪裡補助最多?台中電動車補助資訊懶人包彙整

※南投搬家公司費用,距離,噸數怎麼算?達人教你簡易估價知識!

※教你寫出一流的銷售文案?

※超省錢租車方案

※回頭車貨運收費標準

    自編碼器是無監督學習領域中一個非常重要的工具。最近由於圖神經網絡的興起，圖自編碼器得到了廣泛的關注。筆者最近在做相關的工作，對科研工作中經常遇到的：自編碼器（AE），變分自編碼器（VAE），圖自編碼器（GAE）和圖變分自編碼器（VGAE）進行了總結。如有不對之處，請多多指正。
    另外，我必須要強調的一點是：很多文章在比較中將自編碼器和變分自編碼器視為一類，我個人認為，這二者的思想完全不同。自編碼器的目的不是為了得到latent representation（中間層），而是為了生成新的樣本。我自己的實驗得出的結論是，變分自編碼器和變分圖自編碼器生成的中間層不能直接用來做下游任務（聚類、分類等），這是一個坑。

自編碼器（AE）

    在解釋圖自編碼器之前，首先理解下什麼是自編碼器。自編碼器的思路來源於傳統的PCA，其目的可以理解為非線性降維。我們知道在傳統的PCA中，學習器學得一個子空間矩陣，將原始數據投影到一個低維子空間，從未達到數據降維的目的。自編碼器則是利用神經網絡將數據逐層降維，每層神經網絡之間的激活函數就起到了將”線性”轉化為”非線性”的作用。自編碼器的網絡結構可以是對稱的也可以是非對稱的。我們下面以一個簡單的四層對稱的自編碼器為例，全文代碼見最後。
   (嚴格的自編碼器是只有一個隱藏層，但是我在這裏做了個拓展，其最大的區別就是隱藏層以及神經元數量的多少，理解一個，其它的都就理解了。)

圖自編碼器（GAE）

    圖自編碼器和自編碼器最大的區別有兩點：一是圖自編碼器在encoder過程中使用了一個 \(n*n\) 的卷積核；另一個是圖自編碼器沒有數據解碼部分，轉而代之的是圖解碼（graph decoder),具體實現是前後鄰接矩陣的變化做loss。
   圖自編碼器可以像自編碼器那樣用來生成隱向量，也可以用來做鏈路預測（應用於推薦任務）。

變分自編碼器（VAE）

   變分自編碼是讓中間層Z服從一個分佈。這樣我們想要生成一個新的樣本的時候，就可以直接在特定分佈中隨機抽取一個樣本。另外，我初學時遇到的疑惑，就是中間層是怎麼符合分佈的。我的理解是：
      輸入樣本：\(\mathbf{X \in \mathcal{R}^{n * d}}\)
      中間層 ：\(\mathbf{Z \in \mathcal{R}^{n * m}}\)
   所謂的正態分佈是讓\(Z\)的每一行\(z_i\)符合正態分佈，這樣才能隨機從正態分佈中抽一個新的\(z_i\)出來。但是正是這個原因，我認為\(Z\)不能直接用來處理下游任務（分類、聚類）,我自己的實驗確實效果不好。

變分圖自編碼器（VGAE）

    如果你理解了變分比編碼器和圖自編碼器，那麼變分圖自編碼器你也就能理解了。第一個改動就是在VAE的基礎上把encoder過程換成了GCN的卷積過程，另一個改動就是把decoder過程換成了圖decoder過程。同樣生成的中間層隱向量不能直接應用下游任務。
   數據集和下游任務的代碼見: https://github.com/zyx423/GAE-and-VGAE.git

全文代碼如下：

class myAE(torch.nn.Module):
     
    def __init__(self, d_0, d_1, d_2, d_3, d_4):
        super(myAE, self).__init__()
        // 這裏的d0, d_1, d_2, d_3, d_4對應四層神經網絡的維度
    
        self.conv1 = torch.nn.Sequential(
            torch.nn.Linear(d_0, d_1, bias=False),
            torch.nn.ReLU(inplace=True)
        )

        self.conv2 = torch.nn.Sequential(
            torch.nn.Linear(d_1, d_2, bias=False),
            torch.nn.ReLU(inplace=True)
        )

        self.conv3 = torch.nn.Sequential(
            torch.nn.Linear(d_2, d_3, bias=False),
            torch.nn.ReLU(inplace=True)
        )

        self.conv4 = torch.nn.Sequential(
            torch.nn.Linear(d_3, d_4, bias=False),
            torch.nn.Sigmoid()
        )
    def Encoder(self, H_0):
        H_1 = self.conv1(H_0)
        H_2 = self.conv2(H_1)
        return H_2

    def Decoder(self, H_2):
        H_3 = self.conv3(H_2)
        H_4 = self.conv4(H_3)
        return H_4

    def forward(self, H_0):
        Latent_Representation = self.Encoder(H_0)
        Features_Reconstrction = self.Decoder(Latent_Representation)
        return Latent_Representation, Features_Reconstrction

class myGAE(torch.nn.Module):
    def __init__(self, d_0, d_1, d_2):
        super(myGAE, self).__init__()

        self.gconv1 = torch.nn.Sequential(
            torch.nn.Linear(d_0, d_1, bias=False),
            torch.nn.ReLU(inplace=True)
        )
        self.gconv1[0].weight.data = get_weight_initial(d_1, d_0)

        self.gconv2 = torch.nn.Sequential(
            torch.nn.Linear(d_1, d_2, bias=False)
        )
        self.gconv2[0].weight.data = get_weight_initial(d_2, d_1)

    def Encoder(self, Adjacency_Modified, H_0):
        H_1 = self.gconv1(torch.matmul(Adjacency_Modified, H_0))
        H_2 = self.gconv2(torch.matmul(Adjacency_Modified, H_1))
        return H_2

    def Graph_Decoder(self, H_2):
        graph_re = Graph_Construction(H_2)
        Graph_Reconstruction = graph_re.Middle()
        return Graph_Reconstruction


    def forward(self, Adjacency_Modified, H_0):
        Latent_Representation = self.Encoder(Adjacency_Modified, H_0)
        Graph_Reconstruction = self.Graph_Decoder(Latent_Representation)
        return Graph_Reconstruction, Latent_Representation

class myVAE(torch.nn.Module):
    def __init__(self, d_0, d_1, d_2, d_3, d_4, bias=False):
        super(myVAE, self).__init__()

        self.conv1 = torch.nn.Sequential\
        (
            torch.nn.Linear(d_0, d_1, bias= False),
            torch.nn.ReLU(inplace=True)
        )

        # VAE有兩個encoder，一個用來學均值，一個用來學方差
        self.conv2_mean = torch.nn.Sequential(
            torch.nn.Linear(d_1, d_2, bias=False)

        )
        self.conv2_std = torch.nn.Sequential(
            torch.nn.Linear(d_1, d_2, bias=False)
        )
        self.conv3 = torch.nn.Sequential(
            torch.nn.Linear(d_2, d_3, bias=False),
            torch.nn.ReLU(inplace=False)
        )
        self.conv4 = torch.nn.Sequential(
            torch.nn.Linear(d_3, d_4, bias=False),
            torch.nn.Sigmoid()
        )

    def Encoder(self, H_0):
        H_1 = self.conv1(H_0)
        H_2_mean = self.conv2_mean(H_1)
        H_2_std = self.conv2_std(H_1)
        return H_2_mean, H_2_std

    def Reparametrization(self, H_2_mean, H_2_std):
        # sigma = 0.5*exp(log(sigma^2))= 0.5*exp(log(var))
        std = 0.5 * torch.exp(H_2_std)
        # N(mu, std^2) = N(0, 1) * std + mu。
        # 數理統計中的正態分佈方差，剛學過， std是方差。
        # torch.randn 生成正態分佈
        Latent_Representation = torch.randn(std.size()) * std + H_2_mean
        return Latent_Representation

    # 解碼隱變量
    def Decoder(self, Latent_Representation):
        H_3 = self.conv3(Latent_Representation)
        Features_Reconstruction = self.conv4(H_3)
        return Features_Reconstruction

    # 計算重構值和隱變量z的分佈參數
    def forward(self, H_0):
        H_2_mean, H_2_std = self.Encoder(H_0)
        Latent_Representation = self.Reparametrization(H_2_mean, H_2_std)
        Features_Reconstruction = self.Decoder(Latent_Representation)
        return Latent_Representation, Features_Reconstruction, H_2_mean, H_2_std

class myVGAE(torch.nn.Module):
    def __init__(self, d_0, d_1, d_2):
        super(myVGAE, self).__init__()

        self.gconv1 = torch.nn.Sequential(
            torch.nn.Linear(d_0, d_1, bias=False),
            torch.nn.ReLU(inplace=True)
        )
        # self.gconv1[0].weight.data = get_weight_initial(d_1, d_0)

        self.gconv2_mean = torch.nn.Sequential(
            torch.nn.Linear(d_1, d_2, bias=False)
        )
        # self.gconv2_mean[0].weight.data = get_weight_initial(d_2, d_1)

        self.gconv2_std = torch.nn.Sequential(
            torch.nn.Linear(d_1, d_2, bias=False)
        )
        # self.gconv2_std[0].weight.data = get_weight_initial(d_2, d_1)

    def Encoder(self, Adjacency_Modified, H_0):
        H_1 = self.gconv1(torch.matmul(Adjacency_Modified, H_0))
        H_2_mean = self.gconv2_mean(torch.matmul(Adjacency_Modified, H_1))
        H_2_std = self.gconv2_std(torch.matmul(Adjacency_Modified, H_1))
        return H_2_mean, H_2_std

    def Reparametrization(self, H_2_mean, H_2_std):

        # sigma = 0.5*exp(log(sigma^2))= 0.5*exp(log(var))
        std = 0.5 * torch.exp(H_2_std)
        # N(mu, std^2) = N(0, 1) * std + mu。
        # 數理統計中的正態分佈方差，剛學過， std是方差。
        # torch.randn 生成正態分佈
        Latent_Representation = torch.randn(std.size()) * std + H_2_mean
        return Latent_Representation

    # 解碼隱變量
    def Graph_Decoder(self, Latent_Representation):
        graph_re = Graph_Construction(Latent_Representation)
        Graph_Reconstruction = graph_re.Middle()
        return Graph_Reconstruction

    def forward(self, Adjacency_Modified, H_0):
        H_2_mean, H_2_std = self.Encoder(Adjacency_Modified, H_0)
        Latent_Representation = self.Reparametrization(H_2_mean, H_2_std)
        Graph_Reconstruction = self.Graph_Decoder(Latent_Representation)
        return Latent_Representation, Graph_Reconstruction, H_2_mean, H_2_std

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※南投搬家公司費用需注意的眉眉角角，別等搬了再說!

※教你寫出一流的銷售文案?

※回頭車貨運收費標準

※別再煩惱如何寫文案,掌握八大原則!

以上車型都是適合年輕人的，即使是使用貸款的方式購買也不會造成太大的壓力，關鍵的一點是這些車型基本可以陪伴你度過初初成家、孩子長大的過程。

以上車型都是適合年輕人的，即使是使用貸款的方式購買也不會造成太大的壓力，關鍵的一點是這些車型基本可以陪伴你度過初初成家、孩子長大的過程。本站聲明:網站內容來源於http://www.auto6s.com/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※想知道購買電動車哪裡補助最多?台中電動車補助資訊懶人包彙整

※南投搬家公司費用,距離,噸數怎麼算?達人教你簡易估價知識!

※教你寫出一流的銷售文案?

※超省錢租車方案

※回頭車貨運收費標準