Ivy Wallet项目迁移Paparazzi至Compose Preview截图测试的技术实践
2025-06-27 19:09:21作者:范垣楠Rhoda
背景介绍
在Android应用开发中,UI测试一直是保证应用质量的重要环节。Ivy Wallet项目团队近期决定对其UI测试方案进行升级,从现有的Paparazzi框架迁移到Android官方推荐的Compose Preview截图测试方案。这一技术决策背后有着充分的考量。
技术选型对比
Paparazzi作为一个流行的截图测试框架,在过去为项目提供了可靠的UI测试能力。但随着Jetpack Compose的成熟,Google推出了原生支持的Compose Preview截图测试方案,具有以下优势:
- 测试与预览一体化:开发者可以在同一个环境中完成组件预览和截图测试
- 官方维护支持:作为Jetpack Compose的一部分,长期维护有保障
- 更好的兼容性:与Compose生态深度集成,减少兼容性问题
- 简化工具链:减少第三方依赖,降低项目复杂度
迁移实施步骤
1. 环境配置
首先需要在项目中配置Compose截图测试所需的环境依赖。这包括添加必要的Gradle插件和依赖项,确保测试环境能够正常运行。
2. 测试用例迁移
将现有的Paparazzi测试用例逐一迁移到新的测试框架。这一过程需要注意:
- 测试断言方式的调整
- 截图捕获机制的差异处理
- 测试环境的配置变化
3. 工具链清理
完成迁移后,需要彻底移除Paparazzi相关的所有配置和依赖,包括:
- 构建脚本中的相关配置
- CI/CD流程中的特殊处理
- 项目文档中的相关说明
4. 文档更新
为确保团队所有成员都能顺利使用新方案,需要更新项目文档,包括:
- 新的截图测试编写指南
- 本地运行测试的说明
- CI集成方式的变化
5. CI/CD集成
最后需要调整持续集成流程,确保新的截图测试能够在CI环境中正常运行,包括:
- 测试执行环境的配置
- 截图对比机制
- 失败处理流程
技术挑战与解决方案
在迁移过程中可能会遇到以下挑战:
- 测试稳定性问题:Compose的异步特性可能导致截图不一致。解决方案是合理使用测试等待机制和同步点。
- 视觉差异处理:不同测试框架的渲染结果可能有细微差别。需要建立合理的视觉差异容忍机制。
- 性能考量:大量截图测试可能影响构建速度。可以通过测试分组和并行执行来优化。
最佳实践建议
基于Ivy Wallet项目的经验,我们总结出以下最佳实践:
- 渐进式迁移:不要一次性迁移所有测试,而是按模块逐步推进
- 版本控制:将测试截图纳入版本控制,方便历史对比
- 黄金样本管理:建立完善的黄金样本更新流程
- 测试分类:将截图测试按重要性和稳定性分级管理
总结
从Paparazzi迁移到Compose Preview截图测试是Ivy Wallet项目在测试基础设施上的重要升级。这一变化不仅简化了工具链,还带来了更好的开发体验和长期维护性。通过系统性的迁移计划和合理的技术决策,团队成功完成了这一技术转型,为项目的持续健康发展奠定了更坚实的基础。
对于其他考虑类似迁移的团队,建议充分评估现有测试套件的规模和复杂度,制定详细的迁移计划,并在过程中持续验证新方案的稳定性和可靠性。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
671
156
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217