CodeceptJS中使用Allure报告时步骤分组异常问题解析
2025-06-15 00:54:18作者:毕习沙Eudora
问题现象
在使用CodeceptJS 3.7.2配合Playwright 1.28.1和allure-codeceptjs 3.2.0进行BDD测试时,开发者发现生成的Allure报告中步骤(step)分组出现异常。具体表现为:
- 测试步骤不再正确地关联到对应的GIVEN、WHEN、THEN语句
- 有时所有步骤会被错误地归到一个GIVEN、WHEN或THEN下
- 步骤分配呈现随机性,部分步骤可能被分配到错误的语句下
问题示例
以一个典型的BDD场景为例:
@FEAT-01-002
Scenario: Authenticated user sets the quantity and add a product to the cart
Given I am logged in as a customer
And My cart is empty
When I add 3 instances of a product1 to my cart
Then My cart contains 3 instances of product1
And I should be able to empty my cart
在报告中,"And My cart is empty"这一步骤包含的多个子步骤没有被正确关联,导致报告可读性降低。
问题根源分析
经过开发者调查,这个问题可能与以下因素有关:
- 异步执行问题:CodeceptJS的异步操作可能导致Allure报告在捕获步骤时出现时序问题
- 步骤边界不明确:没有明确的步骤结束标记,导致Allure无法正确划分步骤边界
- 断言缺失:测试步骤中缺乏明确的断言可能导致框架难以确定步骤的实际完成点
解决方案
开发者通过实践发现了两种有效的解决方案:
方案一:显式使用allure.step
在步骤定义中明确使用allure-js-commons的step方法包裹操作:
const allure = require("allure-js-commons");
Given('I am logged in as a customer', async function() {
await allure.step("Login as a customer", async () => {
await commonPage.loginAsUser(env.ENV, env.user, env.pwd);
global.env.userType = 'customer';
global.values.isConnected = true;
await utils._emptyMyCart();
I.refreshPage();
})
})
这种方法通过显式定义步骤边界,帮助Allure正确识别和分组步骤。
方案二:添加明确断言
在步骤结束时添加明确的断言也能解决此问题:
Given('I am logged in as a customer', async function() {
await commonPage.loginAsUser(env.ENV, env.user, env.pwd);
global.env.userType = 'customer';
global.values.isConnected = true;
await utils._emptyMyCart();
I.refreshPage();
I.waitForVisible("//button[contains(., 'My Account')]", 35)
assert.ok(await I.grabNumberOfVisibleElements("//button[contains(., 'My Account')]") > 0)
})
断言不仅改善了报告的分组,还增强了测试的可靠性。
注意事项
开发者特别指出,在使用这些解决方案时:
- 避免在步骤中使用
I.say方法,因为它可能会干扰步骤分组 - 确保每个重要操作都有明确的完成标志(断言或步骤边界)
- 对于复杂的多步操作,建议使用方案一的显式步骤定义
最佳实践建议
基于这一问题的解决经验,可以总结出以下CodeceptJS与Allure集成的实践建议:
- 结构化步骤定义:为每个GIVEN/WHEN/THEN步骤创建明确的边界
- 合理使用断言:不仅验证结果,还能帮助框架理解步骤结构
- 避免过度使用I.say:调试信息可能会干扰报告生成
- 保持步骤原子性:每个步骤应完成一个明确的业务操作
- 定期验证报告:开发过程中定期检查Allure报告确保步骤分组正确
通过遵循这些实践,可以确保生成的Allure报告既美观又能准确反映测试执行的结构和细节。
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
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
420
3.22 K
Ascend Extension for PyTorch
Python
230
261
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++
689
330
暂无简介
Dart
685
160
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
React Native鸿蒙化仓库
JavaScript
266
326
🔥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
65
19
🎉 (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
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869