探索Serenity与Cucumber的自动化测试新世界
Serenity BDD是一款强大的工具,旨在使编写高质量的自动化验收测试变得更加简单,并提供令人印象深刻的报告和实时文档功能。它无缝集成Selenium用于Web测试,以及RestAssured进行API测试。
Serenity鼓励良好的测试自动化设计,支持多种设计模式,包括经典的Page Objects、新的Lean Page Objects/Action Classes方法,以及更灵活的Screenplay模式。
最新版本的Serenity已经全面兼容Cucumber 6.x。
起步:Serenity与Cucumber入门
要在Serenity和Cucumber上开始你的旅程,最理想的方式是从Github克隆或下载官方提供的**Serenity Cucumber Starter项目。这个项目提供了基本的项目结构,附带一些示例测试和辅助类。你可以选择两种分支,master分支使用传统方式,而screenplay**分支则展示了如何使用Screenplay模式实现相同的示例测试。
项目目录结构
项目遵循了大多数Serenity项目标准的目录布局:
src
+ main
+ test
+ java 测试运行器和辅助代码
+ resources
+ features 功能文件
+ search 功能文件子目录
search_by_keyword.feature
自Serenity 2.2.13起,已整合WebdriverManager,自动下载WebDriver二进制文件。
示例场景
两个变体的示例项目都使用同一个Cucumber场景:假设有个喜欢搜索东西的角色Sergey在互联网上查找信息:
Feature: 搜索关键词
Scenario: 查找一个术语
给定 Sergey 在互联网上做研究
当他查寻"Cucumber"时
那么他应该看到关于"Cucumber"的信息
Screenplay实现
在master分支中,采用的是Screenplay模式。这种模式将测试描述为演员执行的任务,而不是直接调用方法。这使得它们更加灵活且可组合,但编码相对繁琐些。例如:
@Given("{actor} 是在互联网上做研究")
public void 做研究(Actor actor) {
actor能够(NavigateTo.theWikipediaHomePage());
}
@When("{actor} 查找 {string}")
public void 查找(Actor actor, String term) {
actor试图(
LookForInformation.关于(term)
);
}
@Then("{actor} 应该看到关于 {string} 的信息")
public void 应该看到关于(Actor actor, String term) {
actor试图(
Ensure.that(WikipediaArticle.HEADING).有文本(term)
);
}
Screenplay类强调可复用组件和易读的声明式风格,而Lean Page Objects和Action Classes(如下面所见)则倾向于使用更具命令式的风格。
NavigateTo类负责打开首页:
public class NavigateTo {
public static Performable 打开首页() {
return Task.where("{0} 打开首页",
Open.browserOn().the(WikipediaHomePage.class));
}
}
LookForInformation类处理实际的搜索:
public class LookForInformation {
public static Performable 关于(String searchTerm) {
return Task.where("{0} 查找 '" + searchTerm + "'",
Enter.theValue(searchTerm)
.into(SearchForm.SEARCH_FIELD)
.然后按(Keys.ENTER)
);
}
}
在Screenplay中,我们以轻量级页面或组件对象存储元素选择器,就像这样:
class SearchForm {
static Target SEARCH_FIELD = Target.the("搜索框")
.locatedBy("#searchInput");
}
Screenplay DSL丰富且灵活,适合大型测试自动化项目团队,成员对Java和设计模式有一定了解。
Action Classes 实现
在action-classes分支中,你将找到使用Action Classes模式的实现。这里的粘合代码看起来像这样:
@Given("^(?:.*) 是在互联网上做研究")
public void 我正在主页() {
导航到.首页();
}
@When("她/他查找 {string}")
public void 我搜索({String term}) {
查找.术语(term);
}
@Then("她/他应该看到关于 {string} 的信息")
public void 所有结果标题应该包含单词({String term}) {
断言.认为(searchResult.显示()).包含(term);
}
这些类通过Serenity的@Steps注解声明,如下所示:
@Steps
NavigateTo 导航到;
@Steps
SearchFor 查找;
@Steps
SearchResult searchResult;
@Steps注解告诉Serenity创建此类的新实例,并注入任何其他步骤或页面对象。
每个动作类模型特定的用户行为方面:导航到特定页面,执行搜索,或者检索搜索结果。这些类设计得小巧且自包含,这使其更稳定,更容易维护。
NavigateTo类是一个非常简单的动作类的例子。在更大的应用中,它可能还有其他与高级导航相关的其他方法,但在我们的样本项目中,它只需要打开首页:
public class NavigateTo {
WikipediaHomePage 主页;
@Step("打开首页")
public void 首页() {
主页.open();
}
}
它通过一个标准的Serenity Page Object做到这一点,通常只存储页面本身的URL:
@DefaultUrl("https://example.org")
public class WikipediaHomePage extends PageObject {}
第二个类,SearchFor,是一个交互类。它需要与网页交互,为此,我们让这个类继承Serenity的UIInteractionSteps。这赋予类完整的Selenium WebDriver API访问权限,包括$()方法,它使用By选择器或XPath或CSS表达式来定位web元素:
public class SearchFor extends UIInteractionSteps {
@Step("搜索术语 {0}")
public void 术语(String term) {
$(SearchForm.SEARCH_FIELD).clear();
$(SearchForm.SEARCH_FIELD).sendKeys(term, Keys.ENTER);
}
}
SearchForm类是典型的轻型Page Object,仅负责唯一地定位页面上的元素,有时还动态解析web元素:
class SearchForm {
static By SEARCH_FIELD = By.cssSelector("#searchInput");
}
最后的步骤库类在步骤定义代码中使用是SearchResult类。它的任务是查询网页,获取可以用于AssertJ断言的搜索结果列表:
public class SearchResult extends UIInteractionSteps {
public String 显示() {
return find(WikipediaArticle.HEADING).getText();
}
}
WikipediaArticle类是一个精简的Page Object,负责定位结果页面上的文章标题:
public class WikipediaArticle {
public static final By HEADING = By.id("firstHeading");
}
Action Classes方法的主要优点不在于编写的行数,尽管Serenity确实减少了在Web测试中通常需要编写的大量样板代码。真正的优势在于使用许多小型、稳定的类,每种类专注于单一任务。这种对《单一职责原则》的应用有助于使测试代码更加稳定,易于理解,更易于维护。
运行测试
要运行样本项目,只需运行CucumberTestSuite测试运行器类,或从命令行运行mvn verify或gradle test。
默认情况下,测试将在Chrome浏览器中运行。你可以通过覆盖driver系统属性运行在Firefox上,例如:
$ mvn clean verify -Ddriver=firefox
或
$ gradle clean test -Pdriver=firefox
测试结果会记录在target/site/serenity目录下。
生成报告
由于Serenity报告包含了所有测试的汇总信息,因此不会在每次单个测试后立即生成(这将极其低效)。相反,完整版的Serenity报告由serenity-maven-plugin生成。你可以通过命令行运行mvn serenity:aggregate触发这个过程,或者从IDE中运行。
报告也已集成到Maven构建流程中:以下pom.xml中的代码会在所有测试完成后自动触发报告生成:
<plugin>
<groupId>net.serenity-bdd.maven.plugins</groupId>
<artifactId>serenity-maven-plugin</artifactId>
<version>${serenity.maven.version}</version>
<configuration>
<tags>${tags}</tags>
</configuration>
<executions>
现在,你已经对Serenity和Cucumber的强大组合有了深入了解,准备好利用这个开源项目提升你的自动化测试体验了吗?让我们一起探索自动化测试的新世界!
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