Allure 2 安装与配置完全指南
2026-01-20 01:51:06作者:段琳惟
项目基础介绍与主要编程语言
Allure Report 是一个灵活且轻量级的多语言测试报告工具,旨在为软件开发过程中的测试提供清晰的图形化报告。它支持多种测试框架,并跨越多个编程语言,帮助团队成员更高效地理解日常测试的成果。该项目主要采用 Java 作为核心编程语言,并利用一系列现代技术栈构建。
关键技术和框架
- 多语言支持: 支持TestNG、JUnit等多种测试库。
- 报告引擎: 提供丰富的数据可视化,包括统计、趋势分析等。
- DevOps集成: 与CI/CD系统(如Jenkins)无缝整合,方便自动化测试报告生成。
- 可扩展性: 通过插件机制支持自定义扩展,例如与JIRA等工具的集成。
- 跨平台: 支持Windows、macOS和Linux操作系统。
- 基于Maven和Gradle的构建: 方便项目集成与管理。
安装与配置步骤
准备工作
- 确保环境: 确保你的机器上已安装Java Development Kit (JDK),版本建议1.8或更高。
- Git客户端: 如果你打算从GitHub克隆项目,需安装Git。
- IDE选择: 可选,推荐使用IntelliJ IDEA或Eclipse等支持Maven的IDE以简化开发。
安装步骤
全局安装Allure命令行工具
对于大多数用户,首先安装Allure命令行工具将是开始的一步:
-
Mac/Linux使用Homebrew安装:
brew install allure -
Windows用户使用Scoop:
- 安装Scoop(如果尚未安装):
iex (new-object net.webclient).downloadstring('https://get.scoop.sh') - 然后安装Allure:
scoop install allure
- 安装Scoop(如果尚未安装):
项目集成与报告生成
-
添加依赖:
- 对于Maven项目,在
pom.xml中添加Allure与对应的测试框架依赖(以TestNG为例):
<dependency> <groupId>org.testng</groupId> <artifactId>testng</artifactId> <version>6.8.8</version> <!-- 或者使用最新版本 --> <!-- 注意: 实际操作时应查询最新的TestNG版本 --> <scope>test</scope> </dependency> <dependency> <groupId>io.qameta.allure</groupId> <artifactId>allure-testng</artifactId> <version>(查看仓库获取最新版本)</version> <scope>test</scope> </dependency> - 对于Maven项目,在
-
配置Maven Surefire Plugin: 在
pom.xml的<build>标签内,添加Surefire插件配置,以便在测试运行时收集Allure数据:<build> <plugins> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-surefire-plugin</artifactId> <version>(适用的版本)</version> <configuration> <properties> <property> <name>listener</name> <value>io.qameta.allure.testng.AllureTestNgListener</value> </property> </properties> </configuration> </plugin> </plugins> </build> -
运行测试并生成报告
在终端中,导航到项目根目录并运行测试,Allure数据会被临时保存:
mvn clean test -
生成和查看报告
在测试成功执行后,生成Allure报告:
allure serve target/allure-results此命令将启动一个本地服务器,你可以通过浏览器访问报告(通常是
http://localhost:8080)。
至此,你就完成了Allure的基本安装与配置,可以根据自己的测试结果生成具有视觉吸引力的测试报告了。记得替换版本号为实际检查的最新版本以保持最佳兼容性和功能。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
最新内容推荐
绝杀 Tauri/Pake Mac 打包报错:`failed to run xattr` 的底层逻辑与修复方案避坑指南:Pake 打包网页为何“高级功能失效”?深度解析拖拽与下载的底层限制Tauri/Pake 体积极限优化:如何把 12MB 的应用无情压榨到 2MB 以内?受够了 100MB+ 的套壳 App?最强 Electron 替代方案 Pake 深度测评与原理解析告别臃肿积木!用 Pake 1 分钟把任意网页变成 3MB 桌面 App(附国内极速环境包)智能票务抢票系统:突破手动抢票瓶颈的效率革命方案如何利用Path of Building PoE2高效规划流放之路2角色构建代码驱动的神经网络可视化:用PlotNeuralNet绘制专业架构图whisper.cpp CUDA加速实战指南:让语音识别效率提升6倍的技术解析Windows 11系统PicGo高效解决安装与更新全流程指南
项目优选
收起
deepin linux kernel
C
28
15
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
663
4.27 K
🎉 (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
1.54 K
894
Ascend Extension for PyTorch
Python
506
612
openEuler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。
C
392
290
暂无简介
Dart
909
219
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
69
21
昇腾LLM分布式训练框架
Python
142
168
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++
940
867
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
1.33 K
108