作者：京東物流 劉紅妍
導讀：
在自動化測試實踐中，為了更好的契合被測業務場景，需要不斷優化框架分層結構。本文結合產品模塊化思路，意在介紹通過策略模式改造原本復雜分支語句代碼，通過理論講解、思路分析、方案設計、及代碼演示，提供自動化腳本重構的落地方案。
在今年的敏捷團隊建設中，我通過Suite執行器實現了一鍵自動化單元測試。Juint除了Suite執行器還有哪些執行器呢？由此我的Runner探索之旅開始了！
1 痛點
隨著運輸業務場景的不斷豐富和自動化腳本量的不斷累積，日常在review用例時發現，目前大家仍停留在針對需求定制化用例編寫，無法提高用例可復用性和可編排性。當業務流程中間某一環節發生變化時，不但需要重新修改腳本，還會影響當前應用其他用例執行結果。所以，如何設計高復用性腳本成為目前自動化建設的關鍵節點。
設計理論
理解，首先 MCube 會依據模板緩存狀態判斷是否需要網絡獲取最新模板，當獲取到模板后進行模板加載，加載階段會將產物轉換為視圖樹的結構，轉換完成后將通過表達式引擎解析表達式并取得正確的值，通過事件解析引擎解析用戶自定義事件并完成事件的綁定，完成解析賦值以及事件綁定后進行視圖的渲染，最終將目標頁面展示到屏幕。從設計稿出發，提升頁面搭建效率，亟需解決的核心問題有：
2.1 設計理念
根據面向對象程序設計理念，設計者應遵循高內聚與低耦合原則，通常程序結構中各模塊的內聚程度越高，模塊間的耦合程度就越低。高內聚意味著一個類所能提供的功能應該是相關的，即一個類不要設計得包括很多互不相干的功能，低耦合代表要合理規劃模塊的顆粒度，即要保證一個模塊可獨立存在，降低模塊之間復雜依賴關系。
2.2 策略模式
策略模式定義了一系列的算法，將每一組相關的算法封裝起各個策略分支，從而將分支相關的代碼隱藏起來，并且使它們之間可以相互替換。策略模式讓算法的變化不會影響到使用算法的客戶，希望可以提高程序的可擴展性。
解決思路
理解，首先 MCube 會依據模板緩存狀態判斷是否需要網絡獲取最新模板，當獲取到模板后進行模板加載，加載階段會將產物轉換為視圖樹的結構，轉換完成后將通過表達式引擎解析表達式并取得正確的值，通過事件解析引擎解析用戶自定義事件并完成事件的綁定，完成解析賦值以及事件綁定后進行視圖的渲染，最終將目標頁面展示到屏幕。從設計稿出發，提升頁面搭建效率，亟需解決的核心問題有：
3.1 基本思路
根據運輸業務同一個流程存在不同場景，如詢價服務接上游下發詢價單節點，需要區分來源執行不同邏輯，目前設計五個算法能力，根據后期業務不斷擴展，還會有更多算法加入進來，這個時候需要考慮一個好的結構對代碼進行優化。可能前期大家通過if...elif...else 分支語句就可實現，但在考慮系統的健壯性和可維護性，這里就不能大量使用if分支語句。因為每一種算法能力的代碼量極大且算法參數幾十個，在隨著更多上游接入可能存在十幾個甚至更多else分支，很容易顧此失彼，牽一發而動全身。所以，利用策略模式設計一系列算法，再供用例拼裝調用，提高代碼的可讀性和可復用性。
3.2 方案分析
優點：
1. 代碼解耦，便于維護；
2. 避免使用難以維護的多重條件選擇語句；
3. 可以運行時動態切換算法；
4. 開閉原則。無須對上下文代碼進行修改，就可以添加新的代碼。
缺點：
1. 如果算法邏輯，較為固定，不經常修改，使用策略模式只會增加代碼量
2. 必須知道所有的具體策略類及它們的區別。
方案概述
理解，首先 MCube 會依據模板緩存狀態判斷是否需要網絡獲取最新模板，當獲取到模板后進行模板加載，加載階段會將產物轉換為視圖樹的結構，轉換完成后將通過表達式引擎解析表達式并取得正確的值，通過事件解析引擎解析用戶自定義事件并完成事件的綁定，完成解析賦值以及事件綁定后進行視圖的渲染，最終將目標頁面展示到屏幕。
4.1 環境依賴
Laputa框架簡介：
Laputa框架基于 Pytest 集成了對API接口自動化, 以及對 Web應用, 移動端應用和 Windows 桌面應用 UI 等自動化的能力。具有可視化的Web界面工具, 便于配置執行規則，關聯執行腳本， 觸發用例執行，查看執行結果。提供CI集成服務，調用Jenkins API跟蹤持續集成結果，開放接口，實現流水線自動化測試。
圖1 自動化框架架構圖
4.2 分層改造
圖2 自動化用例分層圖
4.3 策略設計
圖3 策略模式設計圖
4.4 操作步驟
1. 將頻繁修改的算法進行抽取，獨立為具體的算法類；
2.創建抽象基類，實現一個約定的抽象策略方法；
3. 所有獨立的算法類，必須實現基類中的抽象策略接口；
4. 建立上下類，該類可以動態的對算法進行setter，創建調用具體算法的方法，上下文可通過該方法與具體的策略交互；
5. 客戶端進行調用，傳入具體的算法類，上下文動態執行具體的算法任務。
設計實踐
理解，首先 MCube 會依據模板緩存狀態判斷是否需要網絡獲取最新模板，當獲取到模板后進行模板加載，加載階段會將產物轉換為視圖樹的結構，轉換完成后將通過表達式引擎解析表達式并取得正確的值，通過事件解析引擎解析用戶自定義事件并完成事件的綁定，完成解析賦值以及事件綁定后進行視圖的渲染，最終將目標頁面展示到屏幕。
5.1 詢價接單接口改造
如源代碼結構，根據不同業務來源，寫在一個方法里通過if...else...分別組裝場景，一旦上游任一系統存在需求變動，當前接單接口調用邏輯需要變動：
【python】
def receive_enquiry_bill(**kwargs):
params=[{}]
params[0].update(kwargs)
if params[0].get("enquirySource") == 8:
pass
elif params[0].get("enquiryWay") == 2 and params[0].get("payMode") == 2:
pass
elif params[0].get("enquiryWay") == 2 and params[0].get("payMode") == 3:
pass
if params[0].get("enquirySource") == 46:
pass
if params[0].get("enquirySource") == 20:
pass
改造結構：
上下文類
【python】
class AlgorithmStrategy(object):
def __init__(self, algorithm_name):
self.algorithm_name = algorithm_name
@property
def algorithm(self):
return self.algorithm_name
@algorithm.setter
def algorithm(self, name):
self.algorithm_name = name
def execute_algorithm(self, params):
return self.algorithm_name.execute(params)
算法基類：
【python】
class CreateEnquiryBillBaseAlgorithm(ABC):# 算法能力基類
@abstractmethod
def read_params(self, **kwargs):
scenario=kwargs['scenario'] if "scenario" in kwargs and kwargs['scenario'] else 'base'
return resource_custom_data[self.__class__.__name__][scenario][0].update(kwargs)
@abstractmethod
def execute(self, params):
return jsf_receive_enquiry_bill(data=json.dumps(params)
不同算法：
【python】
class CreateTFCEnquiryBill(CreateEnquiryBillBaseAlgorithm):
def read_params(self, **kwargs):
params = super().read_params(**kwargs)
params[0].update({"businessCode": kwargs['businessCode'] if 'businessCode' in kwargs else f"TJ{laputa_util.date_time_str(fmt='%y%m%d')}{laputa_util.get_random_num(8)}","receiveBeginTime": tms_util.data_time_str(minutes=100),"deliveryBeginTime": tms_util.data_time_str(minutes=180)})
return params
def execute(self, params):
return super().execute(params)
class CreateECLPClodEnquiryBill(CreateEnquiryBillBaseAlgorithm):
def read_params(self, **kwargs):
# 若當前場景參數與基礎參數改動較大建議直接在Yaml里另寫Key
params = super().read_params(**kwargs)
params[0].update({"businessCode": kwargs['businessCode'] if 'businessCode' in kwargs else f"ECO{laputa_util.date_time_str(fmt='%y%m%d')}{laputa_util.get_random_num(8)}","receiveBeginTime": tms_util.data_time_str(minutes=100),"deliveryBeginTime": tms_util.data_time_str(minutes=180)})
return params
def execute(self, params):
super().execute(params)
return jsf_do_assign(data=json.dumps(params))
算法注入使用：
【python】
def receive_enquiry_bill(algOne=None, sceOne=None, **kwargs):
"""
Args:
algorithm: 業務類型
scenario: 測試場景：執行步驟，執行數據
Returns:
"""
if algorithm:
# 采用字典形式進行手動注冊算法，由python動態查找
st = {"TFC": CreateTFCEnquiryBill(), "ECLP冷鏈": CreateECLPClodEnquiryBill(), "TC": CreateTCEnquiryBill(),"終端用車": CreateTerminalEnquiryBill()}
query_algorithm = st.get(algOne)
return query_algorithm.execute(query_algorithm.read_params(scenario=sceOne, **kwargs))
else:
pass
當有需求變動，只需修改其一策略規則內部代碼，如【分單策略需求】，除運輸內部系統TFC下發詢價指定個體標簽，其他上游沒有增加標簽下發功能，則只需修改CreateTFCEnquiryBill()代碼即可。
5.2 Common用例組裝
拼接task客戶端方法組成case，利用feature組裝測試數據，數據驅動測試方法執行。
【python】
@pytest.mark.parametrize("params", test_data('test_enquiry_core'), indirect=True)
def test_enquiry_core(params):
enquiry_code = receive_enquiry_bill_core(**params).get("data")
return quote_enquiry_bill_core(enquiry_code=enquiry_code, **params)
總結
理解，首先 MCube 會依據模板緩存狀態判斷是否需要網絡獲取最新模板，當獲取到模板后進行模板加載，加載階段會將產物轉換為視圖樹的結構，轉換完成后將通過表達式引擎解析表達式并取得正確的值，通過事件解析引擎解析用戶自定義事件并完成事件的綁定，完成解析賦值以及事件綁定后進行視圖的渲染，最終將目標頁面展示到屏幕。
隨著運輸八大產品建設方向逐步明確，自動化平臺需要從應用維度重構到產品維度，在腳本不斷融合和解耦過程，如何在新的分層模式設計高復用性腳本，需要大家結合各自業務條線不斷優化改進。
