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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00