RobotFramework中`BuiltIn.run_keyword`非字符串参数问题解析
问题背景
在RobotFramework自动化测试框架中,BuiltIn.run_keyword是一个核心功能,它允许用户动态执行其他关键字。在RF7版本之前,该功能能够将关键字名称后的位置参数原封不动地传递给目标关键字。然而,RF7版本引入了一个行为变更,导致在某些特定情况下参数传递方式发生了变化。
问题现象
当使用BuiltIn.run_keyword时,如果恰好有两个位置参数跟随在关键字名称后面,并且第一个参数是可迭代对象而第二个是映射对象时,这些参数不再按原样传递,而是会在传递给目标关键字前被展开。这一变更导致了向后兼容性问题,特别是对于那些依赖原有参数传递行为的测试用例和库。
技术分析
问题根源
这一行为变更是由RF7版本中的#5000号改进引入的。该改进的本意是让监听器和模型修改器更方便地设置关键字参数,但开发者当时没有充分考虑到这一变更对通过编程方式使用BuiltIn.run_keyword的影响。
重现场景
这个问题不仅出现在库的使用中,还可以通过将关键字名称和参数作为列表变量传递给Run Keyword来重现。例如:
${name and args} = Evaluate 'Log Many', ['a', 'b', 'c'], {'d': 'e'}
Run Keyword @{name and args}
在这种情况下,RobotFramework需要解析参数,从而触发了参数展开的行为。
解决方案
临时修复方案
在RF7.0.1版本中,开发团队决定回滚#5000引入的变更。同时,为了不影响那些已经依赖新功能的工具(如DataDriver),团队引入了一个临时API:
- 新增了
robot.running.model.Argument类,接受name和value参数 - 该类可以用于
robot.running.model.Keyword.args - 当
name为字符串时表示命名参数,name为None时表示位置参数
这个临时API虽然解决了DataDriver等工具的兼容性问题,但它存在一个主要限制:不支持JSON模型。
长期解决方案
开发团队计划在RF7.1版本中引入一个更完善的公共API来解决这个问题。这个新API将:
- 提供更优雅的方式来处理非字符串命名参数
- 保持向后兼容性
- 支持JSON模型等更多使用场景
最佳实践建议
对于当前使用RF7版本的用户:
- 如果遇到类似问题,可以考虑升级到RF7.0.1或更高版本
- 对于需要处理非字符串命名参数的场景,可以使用新的
Argument类 - 避免在关键测试流程中依赖参数自动展开的行为
- 对于复杂的参数传递场景,考虑显式地处理参数转换
总结
RobotFramework在版本演进过程中,有时会引入一些行为变更以改进功能或增加便利性。这次BuiltIn.run_keyword的参数处理问题提醒我们,在框架升级时需要特别注意API行为的变化,特别是那些可能影响现有测试逻辑的变更。开发团队已经采取了措施来解决这个问题,并计划在未来版本中提供更完善的解决方案。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C099
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00