Ivy Wallet项目迁移Paparazzi至Compose Preview截图测试的技术实践
2025-06-27 15:10:45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
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-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
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
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
182
196
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++
648
265
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
274
94
暂无简介
Dart
623
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.41 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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