Cucumber-JVM中实现失败步骤后继续执行的技术方案
2025-06-28 00:38:13作者:吴年前Myrtle
背景介绍
在自动化测试领域,Cucumber-JVM是一个广泛使用的BDD(行为驱动开发)测试框架。在实际测试场景中,我们经常会遇到这样的需求:当某个测试步骤失败时,不希望立即终止整个测试用例的执行,而是希望继续执行后续步骤,同时将失败的步骤标记为失败状态。
传统解决方案
在较早版本的Cucumber(使用info.cukes依赖)中,开发者可以通过扩展ExtendedParallelScenarioCucumber运行器来实现这一功能。这个自定义运行器通过以下方式工作:
- 首先以dryRun模式执行测试,收集测试场景信息
- 然后将测试场景分割成多个部分
- 最后并行执行这些分割后的测试场景
这种方式虽然能够实现"失败后继续执行"的效果,但存在几个问题:
- 实现复杂,需要维护大量自定义代码
- 与Cucumber核心框架耦合度高
- 升级到新版本Cucumber时兼容性问题多
现代最佳实践
对于Cucumber 7.18.0及更高版本,推荐使用"软断言"(Soft Assertions)模式来替代传统的失败继续执行方案。软断言的核心思想是:
- 在测试步骤中收集所有断言结果,而不是遇到第一个失败就抛出异常
- 在测试结束后统一验证所有断言
- 如果有任何断言失败,再将整个测试标记为失败
AssertJ等断言库提供了内置的软断言支持,使用方式如下:
// 在测试类中初始化软断言
private SoftAssertions softly = new SoftAssertions();
// 在测试步骤中使用软断言
@When("执行某些操作")
public void doSomething() {
softly.assertThat(actualValue).isEqualTo(expectedValue);
// 即使断言失败,代码也会继续执行
}
// 在@After钩子中验证所有断言
@After
public void verifyAllAssertions() {
softly.assertAll(); // 如果有任何断言失败,这里会抛出异常
}
方案对比分析
| 方案 | 优点 | 缺点 |
|---|---|---|
| 传统自定义运行器 | 步骤级别失败标记 | 实现复杂,维护成本高 |
| 软断言模式 | 实现简单,与框架解耦 | 失败标记在测试用例级别 |
实施建议
- 对于新项目,强烈建议采用软断言模式
- 对于已有项目迁移,可以逐步将自定义运行器替换为软断言
- 在测试报告中,可以通过自定义报告插件来更清晰地展示哪些断言失败
总结
在Cucumber-JVM测试框架中,实现"失败后继续执行"的需求有多种技术方案。随着框架的发展,软断言模式因其简单性和可维护性成为推荐做法。开发者应根据项目实际情况选择最适合的方案,平衡测试准确性和执行效率的需求。
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
STM32到GD32项目移植完全指南:从兼容性到实战技巧 开源电子设计自动化利器:KiCad EDA全方位使用指南 Python案例资源下载 - 从入门到精通的完整项目代码合集 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 ONVIF设备模拟器:开发测试必备的智能安防仿真工具 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
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
🔥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
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.89 K
暂无简介
Dart
671
156
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
React Native鸿蒙化仓库
JavaScript
261
322
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++
661
311
🎉 (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
1.2 K
654
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
15
1