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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0117
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook09
