https://www.infoq.cn/news/http-api-automated-test-from-manual-to-platform?utm_source=related_read_bottom&utm_medium=article
不管是 Web 系统，还是移动 APP，前后端逻辑的分离设计已经是常态化，相互之间通过 API 调用进行数据交互。在基于 API 约定的开发模式下，如何加速请求 / 响应的 API 测试，让研发人员及早参与到调试中来呢？既然 API 是基于约定开发，为何不按照这个规范编写测试用例，直接进入待测试状态，使用自动化的方式来推进研发过程的质量改进呢？遵循：测试 -> 重构 -> 测试 -> 重构，这样的闭环，过程产出的质量会更加可控，在重构的同时进行快速的功能回归验证，大大提高效率。本文主要讲解基于 HTTP 协议的 API 测试，从手工测试到平台的演变过程。
手工测试带来的困惑
测试团队采用《敏捷脑图用例实践之路》的方式编写测试用例：
(点击放大图像)
图 -1- 分计费单元查询带宽
优点（文中已有详细介绍，这里简单列举）：
-
要点清晰简洁展现
-
所有测试故事点经过用例评审，产生质量高，研发参与感强；
-
版本同步保持一份
API 测试脑图带来的问题：
-
脑图用例对测试人员的素质要求相当高
-
完善的脑图用例编写，需要有资深的测试人员，对业务精通、对测试技能精通，很强的思维能力；如果研发人员仅仅参考这个脑图用例进行测试，往往很多时候需要花费大量的沟通时间，其中有很多测试 API 的过程、措施，在脑图里面没有具体体现，造成一些信息丢失。
-
重复执行不变的是规则，变的只是参数，要消灭重复部分
-
还可以深度优化脑图用例，API 接口规范，再怎么天马行空，也得有个度，应当把重复思考的部分交给工具去做，需要发挥创造力、值得关注部分，交给人工完成；按照这个测试流程，，测试人员编写完用例，去验证 API 接口，如果失败了，打回给研发人员重新修改，但是下一次研发人员提交测试，测试人员又得重新验证一遍，这一遍中实际没有多少有价值的思考，是重复工作，要去挖掘测试价值。另外，如果测试人员请假了，那是不是测试就需要延期了呢？消除等待、消除单点作业，改变是唯一出路，尝试过如下方式：
(点击放大图像)
图 -2-Chrome DHC 组件
组员通过使用 Chrome DHC（是一款使用 chrome 模拟 REST 客户端向服务器发送测试数据的谷歌浏览器插件），进行 API 自动化测试，用例文件保存到本地并且同步到 svn，简单粗暴解决重复请求问题，注意强调的是解决重复请求，并没有包括参数和结果的自动化验证的过程，还是需要人工参与，至少前进了一步，当然我们也解决了单点问题，其他组员可以更新用例本地运行，还差参数校验，数据校验等等一堆关键业务点要用自动化去突破。
俗话说：术业有专攻，DHC 只是玩玩而已，并不擅长做那么多活，也做不好，更期望的是平台化。
平台雏形：没有经验，多么痛的领悟
经历了手工测试的繁琐操作，丢弃了简单的 DHC，决定另寻新路，API 测试最简单的场景请求参数组合产生各类别的测试用例。思路很简单，做一个 WEB 平台，登记 API 接口，填写请求参数，对响应结果进行校验，初期进行了技术选型，使用 Django 做 Python Web 开发，后台脚本执行使用开源框架 RobotFramework，RF 优点如下：
-
是一个通用的关键词驱动自动测试框架；
-
易于使用的表格数据展现形式，采用关键字驱动的测试方法，使用在测试库中实现的关键词来在测试中运行程序。
-
是灵活和可扩展的，适合用于测试用户接口；
在这个平台中，RobotFramework 主要用于后台执行 Robot 关键字脚本，而关键字脚本，是平台通过读取 YAML 文件生成，该文件是通过笛卡尔乘积产生的用例，工作原理如图所示：
(点击放大图像)
图 -3- 工作原理
那话说回来，YAML 干什么呢？为什么不是 XML 呢？
-
YAML 的可读性好
-
YAML 和脚本语言的交互性好
-
YAML 使用实现语言的数据类型
-
YAML 有一个一致的信息模型
-
YAML 易于实现
听起来 YAML 试图用一种比 XML 更敏捷的方式，来完成 XML 所完成的任务。下面通过一段实际例子说明配置生成的 YAML 代码段：
主接口配置界面：
(点击放大图像)
图-4- 接口配置页面
设置API 参数：
(点击放大图像)
图 -5- 设置 API 参数
配置文件 byChannelsDaily.yaml（列举一个参数示例）：
|
- byChannelsDaily: #接口名称
|
|
|
method: get #与服务器交互的方法
|
|
|
format: json #API 数据格式
|
|
|
url: /reportdata/flux/byChannelsDaily #API 的 URL，与奇台配置文件里面的 host 变量组成整个 URL 的前半部分。
|
|
|
url_path:
|
|
|
url_params: #URL 参数部分，固定写法。
|
|
|
username: #API 的参数名。
|
|
|
required: true #该参数是否必须（true/false）。
|
|
|
value: chinacache #该参数的值。如此值是从另一个接口获取的，可在 from_api 设置，此处可不填。如果值是 Boolean，必须加双引号。
|
|
|
type: string #该参数值的类型。
|
|
|
len: 10 #该参数值的长度。
|
|
|
max: -100 #该参数值的最大值。-100 相当于忽略此参数
|
|
|
min: -100 #该参数值的最小值。-100 相当于忽略此参数
|
|
|
from_api: #如参数的值是从另一个接口、global.yaml 中获取的，请设置 from_api，如 global
|
|
|
jsonpath: #可通过 jsonpath 来指定取值范围，如 $.version[2:4]
|
|
|
range:
|
|
|
response: #期望结果
|
|
|
verification:
|
|
|
success: [] #success 是一个 list, 它的元素也是 list，success[0] = [ RF 关键字 ，验证字段，正则匹配]
|
|
|
failure: []
|
|
|
error_msg: [] #错误信息集合
|
测试报告：
(点击放大图像)
图-6-rf 测试报告
按照这个思路做下来，得到什么收益呢？
(点击放大图像)
说到这里，其实，真没有带来多少收益，思路对了，但是方向有偏差了，主要体现在：
- 使用了笛卡尔乘积来生成不同参数的测试用例，发现一堆的测试用例生成文件是 M 的单位，而且也给测试服务器带来性能问题，数量 4980 个中占 95% 的用例都是没有实际意义的，对服务器频繁请求造成压力；
(点击放大图像)
图 -7- 庞大的测试用例文件
- 通过 WEB 配置将 YAML 文件转为 robot 可以识别的，这种做法坑太深、维护难，参数越多， 文件越臃肿，可读性差；
- 后来尝试将笛卡尔乘积换成全对偶组合算法，效果改进显著，无效用例数明显下降，有效用例数显著提升；
败了，就是败了，没什么好找借口，关键问题是：
- 有效的测试用例占比例很低，无效的占了大部分；
- 没有化繁为简，前端隐藏了配置，复杂的配置还是需要在后端处理；
- 没有实际测试参与动脑过程，测试人员不会穷举，会根据业务编写实际用例；
- 平台易用性很重要：需要测试人员直接在上面编写，合理的逻辑步骤，有利于引导测试参与；
重构：发现测试的价值
回到起点，测试要解决什么问题，为什么要做 API 自动化测试平台？做这个平台，不是为了满足老板的提倡全民自动化的口号，也不是为了浮夸的 KPI，更不是宣传自动化可以解决一切问题，发现所有 bug。叔本华说过一句话：由于频繁地重复，许多起初在我们看来重要的事情逐渐变得毫无价值。如果 API 测试仅仅依靠纯手工的执行，很快将会面临瓶颈，因为每一个功能几乎都不能是第一次提交测试后就测试通过的，所以就需要反复 bug 修复、验证，以及回归的过程。另外，很多的 API 测试工作手工做起来非常的繁琐，甚至不便，比如针对接口协议的验证、针对返回数据格式的验证，这些都依赖于测试自动化的开展。因此，真正的目的是解放测试人员重复的手工生产力，加速回归测试效率，同时让研发人员在开发过程及早参与测试（自测、冒烟测试），驱动编码质量的提升。
回顾以往，重新梳理头绪，更加清晰的展现：
(点击放大图像)
图 -8-HTTP API 自动化测试图解
-
HTTP API 传统手工测试
-
重复请求参数基础校验、正确参数查询返回数据校验，测试工程师没有新的创造价值，不断重复工作，甚至可能压缩其中的测试环节，勉强交付；
-
HTTP API 自动化测试
-
重复步骤（请求接口是否有效、参数校验可以作为冒烟测试，研发参与自测）用自动化解决，关键业务步骤数据对比人工参与和 schema 自动化校验；
最大的收益，重复步骤自动化后，不管是研发人员自测，还是执行功能回归测试，成本可以很快收回（前提是你这个项目周期长，构建频繁；如果仅仅是跑几个月的项目，真没那个必要凑热闹去自动化，当然有平台的另当别论），测试的关注点会落实到更加关键的业务环节去；
总体规划如下：
(点击放大图像)
图 -9-HTTP API 重构规划
-
技术选型 由于原来的测试平台使用 Python 编写，为了保持风格一致，从界面录入到文件生成处理依然采用 Python、Django，去掉了全对偶组合算法，改为根据测试人员思维去产生用例；去掉了后台 RobotFramework 框架，采用 Python 的 HTTP 类库封装请求。
-
HTTP API 项目管理 Web 前台 使用 Python+Django+MySQL 进行开发，分为项目首页、项目配置、API 配置、全局配置四大部分
(点击放大图像)
图 -10- 管理 Web
> 项目首页
介绍：列出 API 规范、API 测试用例、定时任务数量，以及某段时间内的测试结果趋势图形。
(点击放大图像)
图 -11- 项目首页
-
项目配置 重点介绍：全局变量、常用方法、验证器。
> 全局变量
设计思路：在 API 测试过程中，可以切换生产、测试环境进行对比校验，如果写两套测试用例是冗余，全局变量功能，是一种在执行测试用例时动态改变用例属性的方法。
作用范围：当前项目内
使用方法：{变量名}
能在以下测试用例属性中使用：URL、请求头、请求参数
(点击放大图像)
图 -12- 全局变量配置页
在 API 用例库的 URL 可以直接填写：{host}/reportdata/monitor/getChannelIDsByUserName；当运行测试用例的时候，可以选择不同的参数套件，后台代码执行会直接替换，这样子可以分别快速验证生产环境和测试环境的 API 接口执行结果的差异。
(点击放大图像)
图 -13- 用例执行页
> 常用方法
(点击放大图像)
图 -14- 常用方法列表页
√ 设计思路：常用方法是一个 Python 函数，对入参进行处理并且返回结果，例如：
gen_md5 作用是生成 MD5，对应代码直接填写：
|
import hashlib
|
|
|
def gen_md5(raw_str):
|
|
|
m = hashlib.md5()
|
|
|
m.update(raw_str)
|
|
|
md5_str = m.hexdigest()
|
|
|
return md5_str
|
√ 应用场景：
在 API 请求中，有些参数例如 pass 需要加密处理，可以通过引入 [常用方法] 来解决。
在参数 pass 的值中直接填写：
|
{{get_apipwd("{123456}","ChinaCache")}}
|
|
(点击放大图像)
图 -15- 接口配置页
> 验证器
(点击放大图像)
图-16- 验证器配置页
√ 设计思路
验证器是一个Python 函数，如果函数返回True，则测试通过；返回False，则测试失败。平台默认提供一个默认验证器。
默认验证器是验证期望结果与实际结果（response body）是否完全一致。如果结果不一致则判断为失败，默认验证器只适用于静态的响应结果对比。
自义定验证器，如果默认验证器不能满足某些特殊的测试需求，用户可以在“项目配置- 验证器”中添加自定义的验证器。
√ 应用场景：在API 测试的返回结果中，可以添加自定义验证器对数据进行校验，判断测试是否通过。
(点击放大图像)
图 -17- 测试用例验证展示页
-
API 配置 重点介绍：通用响应配置、API 依赖库、API 用例库、定时任务、测试报告
> 通用响应配置
(点击放大图像)
图 -18- 通用响应配置列表页
√ 设计思路
在合理的 API 设计中，存在通用的错误响应码，[用户名错误，返回期望响应内容]，如果所有 API 的响应结果中都需要重复写是相当繁琐的，作为共同配置调用即可。
(点击放大图像)
√ 应用场景
查询接口遇到用户名密码为空，可以自定义写返回内容，以及选择 [通用响应配置] 下的相关错误类型，例如：用户名密码为空 (计费单元)，自动填充期望的返回值：
|
<BillingIDs>
|
|
|
<Result>fail</Result>
|
|
|
<DetailInfo>invalid userName or password</DetailInfo>
|
|
|
</BillingIDs>
|
(点击放大图像)
图-19- 期望返回值校验页
> API 依赖库
√ 设计思路 & 应用场景
API-A 的参数 r_id 依赖与 API-B 返回结果的某个参数（多个参数同样道理），这里登记 API-B，并且提取返回参数。除了特有的变量提取器，基本信息与请求，与后面提到的 API 接口一致的
填写方式 ：
(点击放大图像)
图 -20- 变量提取器展示页
该接口返回数据如下；
|
{
|
|
|
"r_id": "567bbc3f2b8a683f7e2e9436"
|
|
|
}
|
通过 [变量提取器]，可以获取 r_id 的值，以供依赖 API-A 作为参数使用。
(点击放大图像)
图-21- 用例中参数包含r_id 变量展示页
其中请求参数的获取如下：
(点击放大图像)
图-22- 请求参数变量提取设置
测试结果：
1- 显示依赖接口；2- 显示为需要测试的接口，依赖接口返回的 r_id 会传入作为测试接口的参数；
(点击放大图像)
图 -23- 测试结果中展示运行时变量提取结果
-
API 用例库 (点击放大图像)
图 -24- 用例库设计脑图
√ 设计思路
通过自助配置：请求头、请求参数，响应头、响应结果校验，来聚合测试人员日常思考产生的测试用例。
√ 应用场景
支持 HTTP1.1 协议的 7 种请求方法：GET、POST、HEAD、OPTIONS、PUT、DELETE 和 TARCE。最常用的方法是 GET 和 POST：
-
支持 query（问号后）带参数、path 的 GET|POST 请求 Query: http://192.168.1.11/internal/refresh?username=ChinaCache&password=123456
Path: http://192.168.1.11/internal/refresh/username/password
-
POST 请求支持 application/json、text/xml 示例如下：
-
|
请求头设置：Content-Type:application/json
|
|
|
请求体设置：保存为 JSON 格式
|
|
|
{
|
|
|
"username": "ChinaCache",
|
|
|
"password": "123456",
|
|
|
"task": {
|
|
|
"dirs": [
|
|
|
""
|
|
|
],
|
|
|
"callback": {
|
|
|
"url": "",
|
|
|
"email": []
|
|
|
},
|
|
|
"urls": [
|
|
|
"http://www.chinacache.com/news/test.html"
|
|
|
]
|
|
|
}
|
|
|
}
|
|
结果如下：
|
|
|
(点击放大图像)
|
|
|
[](/mag4media/repositories/fs/articles//zh/resources/0215036.jpg)
|
|
|
图 -25-body 参数展示页
|
- 支持返回结果的 schema 验证 在返回大量数据的场景下，把数据格式的正确性交给程序去判断，通过之后进行人工干预的数据对比，假如返回几百 K 的数据，你不知道格式是否正确，就开始去做数据对比，这个方向是不对的。
|
{
|
|
|
"r_id": "567cfce22b8a683f802e944b"
|
|
|
}
|
|
|
Schema 验证如下：
|
|
|
{
|
|
|
"$schema": "http://json-schema.org/draft-04/schema#",
|
|
|
"required": [
|
|
|
"r_id"
|
|
|
],
|
|
|
"type": "object",
|
|
|
"id": "http://jsonschema.net",
|
|
|
"properties": {
|
|
|
"r_id": {
|
|
|
"type": "string",
|
|
|
"id": "http://jsonschema.net/r_id"
|
|
|
}
|
|
|
}
|
|
|
}
|
-
定时任务 √ 设计思路 & 应用场景
定时任务是在计划好的时间点自动执行指定的测试用例。一个项目支持多个定时任务，如果同一时间点有多个测试任务，将依次执行。定时任务有两种类型：定时、循环（间隔：秒，
分钟，小时，天，周）。通过定时任务，可以做到晚上运行，早上查看结果报告分析。
(点击放大图像)
图 -26- 添加定时任务
-
测试报告 & 邮件通知 √ 设计思路 & 应用场景
每次执行测试用例（包括手动执行和定时任务）之后，都会生成一份测试报告。
报告会详细列出每个接口的基本信息（名称，请求方法，验证器等），请求信息（URL 和 body 参数），响应信息包括 headers, body, schema, content type, status code 5 部分的测试结果，每一部分都有实际结果、期望结果（失败时显示）以及 DIFF 对比（失败时显示），当在
执行测试时出现错误，也会把错误信息显示出来 。
(点击放大图像)
图 -27- 测试报告列表页
(点击放大图像)
图 -28- 邮件通知
API 实战：324 个用例（包括 GET|POST 请求，参数有加密、依赖场景，返回结果有简单验证数据、错误码验证、schema 验证），运行耗时：8min，猜想下，如果人工去跑，需要多久呢？
提速：研发测试流程改进
(点击放大图像)
图 -29- 使用 HTTP API 平台改进 API 研发测试过程
- 改进前：传统手工测试 测试用例掌握在测试人员手里，研发人员无法运行，修复 bug 之后，只能等待测试人员验证，交付过程繁琐、效率低；
- 改进后：HTTP API 自动化测试 研发、测试协作同步，研发人员可以及早通过平台执行用例，验证功能可用性、正确性，测试人员可以释放部分劳动力，重点关注业务数据正确性；修复 bug 之后，研发人员无需等待，可以自助配置用例执行、查看结果，驱动过程质量的提升，同时做到夜间构建、邮件通知，工作时间 review、bug fix。
- 问题：何时收回投入成本？ API 项目周期不超过半年的，不建议做自动化，有自动化平台基础的另当别论，因为在最初 API 测试用例编写需要投入大量的时间；这种投入，只有不断进行回归验证、多次运行，成本才可以回收，往后都是收益，这个道理浅显易懂。
总结
“由于频繁地重复，许多起初在我们看来重要的事情逐渐变得毫无价值”，在提测过程有个重要环节：冒烟测试，但是频繁的去做的话，就是重复性的工作了。
那 HTTP API 接口测试痛点是什么？研发人员提测之后，需要等待测试人员进行验证；测试人员发现 bug，需要等待研发人员 bug fix；这里就产生大量的等待成本（当然，测试人员可以切换到其他项目中去，但是这种上下文的切换成本很高）。通过 HTTP API 自动化测试平台，研发人员在提测之前，首先进行一轮冒烟测试，根据自动化测试用例检查结果，提升提测之前的功能质量；一旦提测之后，测试人员的关注重点落到返回结果对比上，这种研发测试过程的效率会得到很大的提升，或许有人要问，到底提升多少呢？这个每个团队的痛点不同，研发、测试人员磨合程度不同，不能一概而论，大胆迈出一步去尝试，就会发现价值；当然，往深处去想，下一步可以接入性能的自动化测试，喝杯咖啡的时间，等到自动化运行结果报告产出，是有可能的场景。