Cucumber-JVM中实现失败步骤后继续执行的技术方案
2025-06-28 06:19:54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
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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
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++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
268
93
暂无简介
Dart
622
140
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
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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