Oppia项目中实现验收测试失败截图功能的实践
背景介绍
在自动化测试领域,测试失败时的调试一直是一个挑战。特别是在Web应用的验收测试中,当测试用例失败时,开发人员往往难以快速定位问题原因。Oppia项目作为一个在线学习平台,其测试套件包含端到端测试和验收测试两种类型。虽然端到端测试已经实现了失败时自动截图的功能,但验收测试尚未具备这一能力。
技术挑战
验收测试与端到端测试在技术实现上存在差异。Oppia的端到端测试使用WebdriverIO框架,而验收测试则基于Jest和Puppeteer组合。要实现类似的失败截图功能,需要解决几个关键技术问题:
- 如何捕获测试失败事件
- 如何在浏览器关闭前获取页面截图
- 如何管理多个浏览器实例的截图
- 如何将截图与GitHub Actions工作流集成
解决方案设计
自定义Jest环境
通过创建自定义的Jest环境类,可以拦截测试事件。当检测到test_done事件且测试包含错误时,将失败状态写入配置文件。这种设计避免了全局变量或环境变量的使用,确保了不同执行上下文间的状态共享。
浏览器实例管理
在BaseUser类中维护所有浏览器实例的引用。通过静态属性instances存储所有创建的实例,使得在测试失败时可以遍历所有活动实例进行截图操作。
截图处理流程
- 为每个失败的测试生成唯一的文件名,包含测试规格名和时间戳
- 创建专门的截图目录存储失败截图
- 对每个浏览器实例执行全页面截图
- 关闭浏览器实例前确保截图完成
实现细节
截图命名策略
采用specName-timestamp-instanceNumber.png的命名格式,确保每个截图都能准确对应到特定的测试和浏览器实例。特殊字符会被替换为下划线以保证文件系统兼容性。
多实例处理
支持同时处理多个浏览器实例的截图,每个实例都会生成独立的截图文件。这在并行测试场景下尤为重要,可以完整还原测试失败时的多窗口状态。
移动端适配
解决方案同样适用于移动端测试,能够捕获移动设备视口下的页面状态,为响应式布局的调试提供可视化参考。
实际效果
实现后,当验收测试失败时,系统会自动:
- 检测到测试失败事件
- 暂停浏览器关闭流程
- 对所有活动浏览器窗口进行截图
- 将截图保存到指定目录
- 继续正常的测试清理流程
这些截图随后可以通过GitHub Actions工作流作为构件下载,极大简化了远程调试过程。
技术价值
这一改进为Oppia项目的测试体系带来了显著提升:
- 调试效率:开发人员可以直接看到测试失败时的页面状态,无需复现问题
- 协作便利:截图可以方便地分享给团队成员,加速问题解决
- 历史追溯:保留的截图可作为测试历史记录,帮助分析间歇性故障
- 移动兼容:统一的解决方案同时支持桌面和移动端测试场景
总结
通过在Oppia验收测试中实现自动失败截图功能,项目团队获得了与端到端测试同等的调试能力。这一改进基于Jest和Puppeteer的扩展能力,展示了如何通过合理的架构设计解决测试工具链中的痛点问题。该方案不仅提升了Oppia项目的测试效率,也为类似技术栈下的测试增强提供了可借鉴的实现模式。
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