测试数据和测试代码在实际的测试工作中，往往是分开存放的，利于测试数据和测试脚本的分开来维护。比如，为测试用例添加几组新的测试数据，只需要修改测试数据文件，测试代码不需要动；如果是测试用例增加了新的校验点，只需要修改测试脚本，不需要修改测试数据文件。

—、准备测试数据

现在在data/目录下创建一个用于存放测试数据的Yaml文件test_in_theaters.yaml，内容如下:

 
---
tests:
- case: 验证响应中start和count与请求中的参数一致
  input:
    method: GET
    path: /v2/movie/in_theaters
    headers:
      User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36
    params:
      apikey: 0df993c66c0c636e29ecbb5344252a4a
      start: 0
      count: 10
  expected:
    response:
      title: 正在上映的电影-上海
      count: 10
      start: 0
- case: 验证响应中title"正在上映的电影-北京"
  input:
    method: GET
    path: /v2/movie/in_theaters
    headers:
      User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36
    params:
      apikey: 0df993c66c0c636e29ecbb5344252a4a
      start: 1
      count: 5
  expected:
    response:
      title: 正在上映的电影-北京
      count: 5
      start: 1

熟悉Yaml格式的同学，应该很容易看懂上面测试数据文件的内容。这个测试数据文件中，有一个数组tests，里面包含的是两条完整的测试数据。一个完整的测试数据由三部分组成：

1. case，表示测试用例名称。

2. input，表示输入参数。

3. expected，表示预期结果。

上面的input输入参数，是一个http请求对象，包含了被测接口的所有参数，包括请求方法、请求路径、请求头、请求参数。expected表示预期结果，上面的测试数据中，只列出了对请求响应的预期值，实际测试中，还可以列出对数据库的预期值。

二、编写测试脚本

新建一个测试脚本test_paramtrize_by_data_driven.py，内容如下：

import pytest
 
class TestDataDriven:
    @pytest.mark.datafile('data/test_in_theaters.yaml')  # 相对于项目根目录的相对路径
    def test_data_driven(self, parameters):
        print(parameters['input'])
        print(parameters['expected'])

首先看一下测试函数，在测试函数上方使用了一个叫做datafile的marker来为测试函数提供数据。测试数据的路径是相对于项目根路径的相对路径，这里表示的是测试数据是在项目的根路径下data目录中的test_in_theaters.yaml。测试函数通过parameters这个fixture拿到测试数据内容。

三、实现pytest_generate_tests Hook

上面测试脚本使用测试数据的方法，是在tests/conftest.py文件中的pytest_generate_tests函数中实现的。

 
import yaml
import json
 
def pytest_generate_tests(metafunc):
    ids = []
    markers = metafunc.definition.own_markers
    for marker in markers:
        if marker.name == 'datafile':  # 读取外数据
            test_data_path = os.path.join(metafunc.config.rootdir, marker.args[0])  # 拼接测试数据路径
            with open(test_data_path) as f:
                ext = os.path.splitext(test_data_path)[-1]
                if ext in ['.yaml', '.yml']:
                    test_data = yaml.safe_load(f)
                elif ext == '.json':
                    test_data = json.load(f)
                else:
                    raise TypeError('datafile must be yaml or json，root must be tests')
    if "parameters" in metafunc.fixturenames:   # 用外部数据进行参数化
        for data in test_data['tests']:  # 用test_data中的case作为测试用例名称
            ids.append(data['case'])
        # 用test_data这个列表对parameters进行参数化。
        metafunc.parametrize("parameters", test_data['tests'], ids=ids, scope=

metafunc.definition.own_markers可以读取到测试函数中所有的marker，如果存在datafile这个marker，表示需要从外部读取测试数据，测试数据可以是YAML格式也可以是Json格式。如果测试函数的metafunc.fixturenames中含有parameters这个fixture函数，就用外部测试数据对它进行参数化。

四、参数化套路

有了pytest_generate_tests这个Hook函数后，对测试函数进行参数化需要做三个改动：

• 在data目录下新加一个YAML或者Json格式文件。文件内容格式参考上面的例子。

• 指定测试数据文件的路径@pytest.mark.datafile('data/test_in_theaters.yaml')

• 给测试数据提供一个叫做 parameters的fixture

现在，整个项目的目录结构应该是如下所示：

$ tree
.
├── Pipfile
├── Pipfile.lock
├── data
│   └── test_in_theaters.yaml
├── tests
│   └── conftest.py
│   └── test_data_driven.py

五、总结

本文实现测试脚本和测试数据的分离的核心，还是实现了Hook函数，在Hook函数中读取测试数据文件，并对测试函数的fixture进行参数化。

只是通过一个小小的例子完成了postman关于参数化的介绍，当然小伙伴们需要自己动手操作下才能加深自己的记忆哦

最后在我的QQ技术交流群里整理了我这10几年软件测试生涯整理的一些技术资料，包括：电子书，简历模块，各种工作模板，面试宝典，自学项目等。如果在学习或工作中遇到问题，群里也会有大神帮忙解答，群号 798478386 ( 备注 今日头条555 )

全套软件测试自动化测试教学视频

 300G教程资料下载【视频教程+PPT+项目源码】

  全套软件测试自动化测试大厂面经