作者：京东物流 刘红妍
在自动化测试实践中，为了更好的契合被测业务场景，需要不断优化框架分层结构。本文结合产品模块化思路，意在介绍通过策略模式改造原本复杂分支语句代码，通过理论讲解、思路分析、方案设计、及代码演示，提供自动化脚本重构的落地方案。
在今年的敏捷团队建设中，我通过Suite执行器实现了一键自动化单元测试。Juint除了Suite执行器还有哪些执行器呢？由此我的Runner探索之旅开始了！
随着运输业务场景的不断丰富和自动化脚本量的不断累积，日常在review用例时发现，目前大家仍停留在针对需求定制化用例编写，无法提高用例可复用性和可编排性。当业务流程中间某一环节发生变化时，不但需要重新修改脚本，还会影响当前应用其他用例执行结果。所以，如何设计高复用性脚本成为目前自动化建设的关键节点。
理解，首先 MCube 会依据模板缓存状态判断是否需要网络获取最新模板，当获取到模板后进行模板加载，加载阶段会将产物转换为视图树的结构，转换完成后将通过表达式引擎解析表达式并取得正确的值，通过事件解析引擎解析用户自定义事件并完成事件的绑定，完成解析赋值以及事件绑定后进行视图的渲染，最终将目标页面展示到屏幕。从设计稿出发，提升页面搭建效率，亟需解决的核心问题有：
根据面向对象程序设计理念，设计者应遵循高内聚与低耦合原则，通常程序结构中各模块的内聚程度越高，模块间的耦合程度就越低。高内聚意味着一个类所能提供的功能应该是相关的，即一个类不要设计得包括很多互不相干的功能，低耦合代表要合理规划模块的颗粒度，即要保证一个模块可独立存在，降低模块之间复杂依赖关系。
策略模式定义了一系列的算法，将每一组相关的算法封装起各个策略分支，从而将分支相关的代码隐藏起来，并且使它们之间可以相互替换。策略模式让算法的变化不会影响到使用算法的客户，希望可以提高程序的可扩展性。
理解，首先 MCube 会依据模板缓存状态判断是否需要网络获取最新模板，当获取到模板后进行模板加载，加载阶段会将产物转换为视图树的结构，转换完成后将通过表达式引擎解析表达式并取得正确的值，通过事件解析引擎解析用户自定义事件并完成事件的绑定，完成解析赋值以及事件绑定后进行视图的渲染，最终将目标页面展示到屏幕。从设计稿出发，提升页面搭建效率，亟需解决的核心问题有：
根据运输业务同一个流程存在不同场景，如询价服务接上游下发询价单节点，需要区分来源执行不同逻辑，目前设计五个算法能力，根据后期业务不断扩展，还会有更多算法加入进来，这个时候需要考虑一个好的结构对代码进行优化。可能前期大家通过if...elif...else 分支语句就可实现，但在考虑系统的健壮性和可维护性，这里就不能大量使用if分支语句。因为每一种算法能力的代码量极大且算法参数几十个，在随着更多上游接入可能存在十几个甚至更多else分支，很容易顾此失彼，牵一发而动全身。所以，利用策略模式设计一系列算法，再供用例拼装调用，提高代码的可读性和可复用性。
优点：
代码解耦，便于维护；
避免使用难以维护的多重条件选择语句；
可以运行时动态切换算法；
开闭原则。无须对上下文代码进行修改，就可以添加新的代码。
缺点：
如果算法逻辑，较为固定，不经常修改，使用策略模式只会增加代码量
必须知道所有的具体策略类及它们的区别。
理解，首先 MCube 会依据模板缓存状态判断是否需要网络获取最新模板，当获取到模板后进行模板加载，加载阶段会将产物转换为视图树的结构，转换完成后将通过表达式引擎解析表达式并取得正确的值，通过事件解析引擎解析用户自定义事件并完成事件的绑定，完成解析赋值以及事件绑定后进行视图的渲染，最终将目标页面展示到屏幕。
Laputa框架简介：
Laputa框架基于 Pytest 集成了对API接口自动化, 以及对 Web应用, 移动端应用和 Windows 桌面应用 UI 等自动化的能力。具有可视化的Web界面工具, 便于配置执行规则，关联执行脚本， 触发用例执行，查看执行结果。提供CI集成服务，调用Jenkins API跟踪持续集成结果，开放接口，实现流水线自动化测试。
图1 自动化框架架构图
图2 自动化用例分层图
图3 策略模式设计图
2.创建抽象基类，实现一个约定的抽象策略方法；
所有独立的算法类，必须实现基类中的抽象策略接口；
建立上下类，该类可以动态的对算法进行setter，创建调用具体算法的方法，上下文可通过该方法与具体的策略交互；
客户端进行调用，传入具体的算法类，上下文动态执行具体的算法任务。
理解，首先 MCube 会依据模板缓存状态判断是否需要网络获取最新模板，当获取到模板后进行模板加载，加载阶段会将产物转换为视图树的结构，转换完成后将通过表达式引擎解析表达式并取得正确的值，通过事件解析引擎解析用户自定义事件并完成事件的绑定，完成解析赋值以及事件绑定后进行视图的渲染，最终将目标页面展示到屏幕。
如源代码结构，根据不同业务来源，写在一个方法里通过if...else...分别组装场景，一旦上游任一系统存在需求变动，当前接单接口调用逻辑需要变动：
【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
改造结构：
上下文类
【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)
算法基类：
【python】
class CreateEnquiryBillBaseAlgorithm(ABC):# 算法能力基类
@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):
# 若当前场景参数与基础参数改动较大建议直接在Yaml里另写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: 业务类型
scenario: 测试场景：执行步骤，执行数据
Returns:
"""
if algorithm:
# 采用字典形式进行手动注册算法，由python动态查找
st = {"TFC": CreateTFCEnquiryBill(), "ECLP冷链": CreateECLPClodEnquiryBill(), "TC": CreateTCEnquiryBill(),"终端用车": CreateTerminalEnquiryBill()}
query_algorithm = st.get(algOne)
return query_algorithm.execute(query_algorithm.read_params(scenario=sceOne, **kwargs))
else:
pass
当有需求变动，只需修改其一策略规则内部代码，如【分单策略需求】，除运输内部系统TFC下发询价指定个体标签，其他上游没有增加标签下发功能，则只需修改CreateTFCEnquiryBill()代码即可。
拼接task客户端方法组成case，利用feature组装测试数据，数据驱动测试方法执行。
【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)
理解，首先 MCube 会依据模板缓存状态判断是否需要网络获取最新模板，当获取到模板后进行模板加载，加载阶段会将产物转换为视图树的结构，转换完成后将通过表达式引擎解析表达式并取得正确的值，通过事件解析引擎解析用户自定义事件并完成事件的绑定，完成解析赋值以及事件绑定后进行视图的渲染，最终将目标页面展示到屏幕。
随着运输八大产品建设方向逐步明确，自动化平台需要从应用维度重构到产品维度，在脚本不断融合和解耦过程，如何在新的分层模式设计高复用性脚本，需要大家结合各自业务条线不断优化改进。