Playwright测试中重复截图问题的分析与解决方案
问题背景
在使用Playwright测试框架进行自动化测试时,开发人员发现当测试失败时,系统会生成重复的截图文件。具体表现为:在测试用例中手动创建了一个新页面(Page)对象,当测试失败时,HTML报告中会出现三个截图文件,而预期应该只有两个截图(每个页面各一个)。
问题复现
通过以下测试代码可以复现该问题:
import { expect, Page, test } from '@playwright/test';
test.describe('Suite', () => {
let secondPage: Page;
test.beforeAll(async ({ browser }) => {
secondPage = await browser.newPage();
});
test.afterAll(async () => {
await secondPage.close();
});
test('Should fail', async ({ page }) => {
await secondPage.goto('https://playwright.dev/');
await page.goto('https://www.google.com/');
await expect(page.locator('[data-test="lol"]')).toBeVisible({ timeout: 1000 });
await expect(secondPage.locator('[data-test="lol"]')).toBeVisible({ timeout: 1000 });
});
});
问题原因分析
经过深入分析,发现这个问题与Playwright的截图机制和测试生命周期管理有关:
-
截图触发机制:当配置
screenshot: 'only-on-failure'时,Playwright会在测试失败时自动捕获每个页面的截图。 -
页面关闭行为:Playwright会在每个页面关闭前捕获截图,作为一种预防措施,以防测试最终失败。
-
测试生命周期:
beforeAll和afterAll钩子函数的行为类似于测试用例,它们的错误会被归因于测试序列中的第一个或最后一个测试。 -
双重捕获:在测试失败的情况下,系统会:
- 首先在页面关闭时捕获截图
- 然后在测试结束时再次捕获截图
- 对于
afterAll钩子,系统会额外捕获一次截图
解决方案
针对这个问题,可以考虑以下几种解决方案:
-
调整测试结构:避免在测试中手动创建页面对象,尽量使用测试参数提供的页面对象。
-
自定义截图逻辑:关闭自动截图功能,在关键位置手动添加截图逻辑。
-
等待框架修复:Playwright团队可能会在后续版本中优化这一行为。
最佳实践建议
-
对于简单的测试场景,优先使用测试参数提供的页面对象。
-
如果确实需要创建额外的页面对象,考虑在测试用例内部创建和管理,而不是在
beforeAll中创建。 -
对于关键测试步骤,可以手动添加截图点,而不是完全依赖自动截图功能。
-
定期检查测试报告中的截图文件,确保没有不必要的重复截图消耗存储空间。
总结
Playwright的自动截图功能虽然方便,但在特定场景下可能会出现重复截图的问题。理解其背后的工作机制有助于我们更好地组织测试代码,避免不必要的资源浪费。通过调整测试结构或采用自定义截图策略,可以有效解决这一问题。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00