Nightwatch.js项目中Google页面对象示例的修复与优化
2025-05-19 11:06:56作者:仰钰奇
问题背景
在Nightwatch.js测试框架的示例代码中,使用页面对象模式测试Google搜索功能的案例出现了失效情况。这个示例原本展示了如何优雅地使用页面对象模式来组织测试代码,但由于Google网站前端结构的变更,导致测试无法正常运行。
具体问题分析
测试失败的主要原因在于Google搜索结果的页面结构发生了变化:
- 原先用于定位菜单栏的CSS选择器
#hdtb-msb已经不存在于当前页面结构中 - 菜单项的类名也发生了变化,原先的
hdtb-mitem类不再适用 - Google首页的同意条款页面(consent page)已被移除,这影响了测试流程
解决方案
针对这些问题,我们进行了以下修复和优化:
-
菜单栏定位方式调整:
- 改用XPath通过
role="navigation"属性来定位菜单栏 - 更新了菜单项的XPath表达式,使其适应新的类名结构
- 改用XPath通过
-
页面对象模式重构:
- 重新设计了页面对象的结构,使其更符合当前Google页面的实际DOM结构
- 移除了与consent页面相关的过时代码
-
测试用例优化:
- 更新了测试断言,确保它们与当前页面功能匹配
- 调整了测试流程,适应Google搜索的新交互方式
技术实现细节
在页面对象模式中,我们主要修改了以下几个关键部分:
// 旧的菜单项定位方式
const menuXpath = '//div[contains(@class, "hdtb-mitem")][contains(., "%s")]';
// 新的菜单项定位方式
const menuXpath = '//div[@role="navigation"]//div[contains(@class, "new-class")][contains(., "%s")]';
对于测试流程,我们移除了处理consent页面的步骤,直接进入搜索测试:
// 旧的测试流程
browser
.navigateTo('https://google.com')
.dismissConsentIfPresent()
.performSearch('nightwatch');
// 新的测试流程
browser
.navigateTo('https://google.com')
.performSearch('nightwatch');
最佳实践建议
-
页面对象维护:
- 定期检查页面对象与实际页面的匹配度
- 对关键元素使用更稳定的定位策略,如role属性或data-testid
-
测试稳定性:
- 添加适当的等待机制,确保元素加载完成
- 使用更具弹性的选择器,减少因微小UI变化导致的测试失败
-
示例代码设计:
- 示例应展示最稳定的实现方式
- 包含必要的错误处理和恢复机制
总结
这次修复不仅解决了示例代码的运行问题,更重要的是展示了如何应对网站UI变化对自动化测试的影响。通过这次调整,我们确保了Nightwatch.js的示例代码能够继续为开发者提供页面对象模式的最佳实践参考,同时也增强了测试代码的健壮性和可维护性。
对于使用Nightwatch.js的开发者来说,这个案例提醒我们:自动化测试需要与产品同步演进,定期更新测试代码以适应产品变化是保证测试有效性的关键。
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
最新内容推荐
海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 谷歌浏览器跨域插件Allow-Control-Allow-Origin:前端开发调试必备神器 Python案例资源下载 - 从入门到精通的完整项目代码合集 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 深入解析Windows内核模式驱动管理器:系统驱动管理的终极利器
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
664
152
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++
659
298
Ascend Extension for PyTorch
Python
216
236
React Native鸿蒙化仓库
JavaScript
255
320
仓颉编译器源码及 cjdb 调试工具。
C++
133
866
仓颉编程语言运行时与标准库。
Cangjie
140
875
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
🎉 (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
1.18 K
648
仓颉编程语言开发者文档。
59
818