10分钟搭建Android自动化测试框架:Uiautomator2+Pytest实战指南
你还在为Android自动化测试框架搭建繁琐而烦恼?本文将带你从零开始,10分钟内完成Uiautomator2与Pytest的集成,实现高效稳定的UI自动化测试。读完本文你将掌握:环境配置、设备连接、测试用例编写、报告生成全流程,以及解决常见的元素定位超时、测试稳定性问题。
环境准备与安装
核心依赖安装
通过pip快速安装Uiautomator2和Pytest:
pip install -U uiautomator2 pytest
官方安装指南:README.md
设备连接验证
确保Android设备已开启开发者模式并通过USB连接电脑,执行以下命令验证连接:
import uiautomator2 as u2
d = u2.connect() # 自动连接设备
print(d.info) # 输出设备信息如屏幕分辨率、系统版本
成功连接将显示类似:{'displayWidth': 1080, 'displayHeight': 1920, 'sdkInt': 27}的设备信息。
Pytest集成核心配置
测试夹具(Fixure)设计
创建conftest.py文件实现设备初始化与应用管理:
# mobile_tests/conftest.py
import pytest
import uiautomator2 as u2
@pytest.fixture(scope="module")
def d():
_d = u2.connect()
_d.settings['operation_delay'] = (0.2, 0.2) # 操作延迟配置
return _d
@pytest.fixture(scope="function")
def app(d):
package = "io.appium.android.apis"
d.app_start(package, stop=True) # 确保应用冷启动
yield d
d.app_stop(package) # 测试结束后停止应用
该配置实现:设备自动连接、测试前应用重置、测试后资源清理,确保用例独立性。
测试用例实战
基础操作示例
创建test_simple.py实现元素点击与文本验证:
# mobile_tests/test_simple.py
def test_app_navigation(app):
d = app
# 点击"App"分类
d(text="App").click()
# 验证跳转成功
assert d(text="Action Bar").exists
XPath高级定位
使用XPath实现复杂元素定位:
def test_xpath_selector(app):
d = app
# 多级菜单导航
d.xpath("//*[@text='App']/../android.widget.ListView").click()
# 验证元素存在
assert d.xpath("//*[contains(@text, 'Alert')]").exists
XPath语法参考:XPATH.md
手势操作示例
实现滑动与长按等手势操作:
def test_swipe_operation(app):
d = app
# 向右滑动屏幕
d.swipe_ext("right", scale=0.8)
# 长按元素
d(text="Views").long_click(2) # 长按2秒
测试报告与调试
HTML报告生成
安装pytest-html插件生成可视化报告:
pip install pytest-html
pytest --html=report.html
调试技巧
开启调试模式查看HTTP请求详情:
d.debug = True # 开启调试
d.info # 执行操作时将打印HTTP请求日志
调试日志将显示元素查找的详细过程,帮助定位定位失败原因。
常见问题解决
元素定位超时
解决方案:增加隐式等待时间
d.implicitly_wait(10) # 全局等待10秒
测试稳定性提升
实现弹窗自动处理:
def test_watcher(app):
d = app
# 添加弹窗监控
d.watcher.when("允许").click()
d.watcher.start()
# 执行可能触发弹窗的操作
d(text="Permissions").click()
高级应用场景
参数化测试
使用@pytest.mark.parametrize实现多组数据测试:
import pytest
@pytest.mark.parametrize("input_text,expected", [
("hello", "HELLO"),
("world", "WORLD")
])
def test_text_conversion(app, input_text, expected):
d = app
d.send_keys(input_text)
assert d(text=expected).exists
多设备并行测试
通过pytest-xdist实现多设备并行执行:
pytest -n auto # 自动检测CPU核心数并行
设备管理参考:DEVELOP.md
总结与扩展
本文介绍了Uiautomator2与Pytest集成的核心流程,包括环境配置、用例设计、报告生成等关键环节。通过合理运用夹具设计和等待策略,可以有效解决移动端测试常见的稳定性问题。更多高级功能如图像识别、多线程测试可参考:
- 官方示例:examples/
- 性能测试模块:uiautomator2/ext/perf/
建议结合实际项目需求,进一步封装基础操作库,构建更高效的测试框架。
点赞+收藏本文,关注后续《Android自动化测试高级实战》系列,深入探讨测试框架设计与持续集成方案。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
