C++ 方向 Web 自动化测试入门指南:从概念到 Selenium 实战

C++ 方向 Web 自动化测试入门指南:从概念到 Selenium 实战
在这里插入图片描述

🔥草莓熊Lotso:个人主页
❄️个人专栏: 《C++知识分享》《Linux 入门到实践:零基础也能懂》
✨生活是默默的坚持,毅力是永久的享受!


🎬 博主简介:

在这里插入图片描述

文章目录


前言:

在软件测试领域,自动化测试是提升效率、保障版本迭代质量的核心手段。尤其对于 C++ 开发的后端服务及配套 Web 界面,Web 自动化测试能有效解决回归测试重复劳动、人工操作易出错等问题。本文将从自动化测试基础概念切入,聚焦 Web 自动化测试的核心原理与 Selenium 实战,帮你搭建一套可落地的 Web 自动化测试流程。
在这里插入图片描述

一. 自动化测试基础:先搞懂"为什么"和"做什么"

在学习 Web 自动化测试前,我们需要先明确自动化测的核心点定位,它并不可以完全“取代人工”而是帮助测试人员提高效率(主要体现在回归测试上),让测试人员将更多的精力投入到更复杂的测试中。

在这里插入图片描述

1.1 自动化测试的核心目标:回归测试

自动化测试的 主要价值 体现在回归测试场景:
当软件迭代新版本时,需验证新增功能未破坏历史功能(如 C++ 后端接口变更后,Web 界面的查询、提交功能是否正常);
当软件有多个版本并行维护时,需快速验证各版本核心功能的一致性。

这里要避开两个常见误区:
❌ 误区 1:“自动化测试能取代人工测试”
自动化测试由脚本驱动,仅能验证预设场景,无法覆盖异常场景(如网络波动、界面兼容性问题),需与人工探索性测试配合。
❌ 误区 2:“自动化测试能大幅度降低工作量”
自动化脚本需前期开发与后期维护(如 Web 界面元素变更后,脚本需同步修改),仅在 “长期多次回归” 场景下才能体现效率优势,短期项目反而可能增加工作量,只能说一定程度上降低了工作量。

1.2 自动化测试分类:别把 “不同自动化” 混为一谈

自动化 是统称,不同类型的自动化测试解决的问题截然不同。对 C++ 开发者而言,需重点关注两类:接口自动化与Web UI 自动化。

自动化测试类型对比:

自动化类型测试目标核心价值适用场景
接口自动化验证C++后端接口(如HTTP/GRPC接口)的输入输出正确性不依赖界面,执行速度快,可在开发早期介入(前后端未联调时即可测试)后端接口回归、数据正确性验证
Web UI自动化验证Web界面的操作流程与展示效果(如按钮点击、表单提交、页面跳转)模拟真实用户操作,覆盖“接口+界面”端到端场景前端界面回归、关键业务流程验证(如登录、下单)

1.3 自动化测试金字塔:如何分配测试资源?

测试圈经典的 “自动化测试金字塔” 模型,揭示了不同测试类型的投入产出比:

  • 底层:单元测试(如 C++ 接口的单元测试):投入少、覆盖广、发现问题早,应占自动化测试的 70%;
  • 中层:接口 / 集成测试:衔接前后端,验证模块交互,应占 20%;

顶层:UI 自动化测试:执行慢、维护成本高,仅覆盖核心业务流程,占 10% 即可。

在这里插入图片描述

但实际企业中常出现 “冰淇淋蛋筒反模式”—— 自动化测试需要大量的初始投资,找到“突破点”,与手动测试相比,我们开始看到它对长期成本产生的积极影响,也能够清楚,这两种测试活动是完全兼容,产生短期和长期利益。

在这里插入图片描述

二. Web 自动化测试核心:环境搭建与驱动管理

Web 自动化测试的本质是 “用代码模拟人操作浏览器”,需依赖三大组件: 浏览器、浏览器驱动、自动化框架(Selenium)

2.1 核心组件原理:三者如何协同工作?

  • 浏览器:执行界面操作的载体(如 Chrome、Firefox);
  • 浏览器驱动:沟通自动化脚本与浏览器的 “桥梁”(如 ChromeDriver),负责解析脚本指令并转化为浏览器可执行的操作;
  • Selenium:Python 编写的自动化框架,提供丰富的 API(如查找元素、模拟点击),简化脚本开发。

三者交互流程如下:

在这里插入图片描述


在这里插入图片描述

2.2 环境搭建:3 步搞定依赖安装

Web 自动化测试依赖 Python 环境(便于快速编写脚本,与 C++ 后端测试工具链兼容),核心安装步骤如下:
步骤 1:安装 Python(3.7~3.11 版本)
步骤 2:安装 Selenium 框架
Selenium 版本需稳定,推荐使用 4.0.0 版本(避免新版本 API 变更导致脚本报错):

pip installselenium==4.0.0 
在这里插入图片描述


步骤 3:安装驱动管理工具(webdriver-manager)
传统方式需手动下载浏览器驱动,且浏览器更新后需同步更新驱动,极易出现版本不匹配问题。webdriver-manager 可自动管理驱动版本,彻底解决此痛点:

pip install webdriver-manager 
在这里插入图片描述


原理:webdriver-manager会自动检测本地浏览器版本,下载对应版本的驱动,并在脚本运行时自动配置驱动路径。


三. Selenium 实战:写一个百度搜索自动化脚本

掌握环境搭建后,我们通过 “百度搜索” 案例,实战 Web 自动化测试的核心流程:打开浏览器→访问页面→查找元素→模拟操作→关闭浏览器

3.1 完整脚本:百度搜索 “迪丽热巴”

import time from selenium import webdriver from selenium.webdriver.chrome.service import Service from selenium.webdriver.common.by import By from webdriver_manager.chrome import ChromeDriverManager # 1. 打开浏览器----驱动管理# 安装并获取 Chrome 驱动程序路径 chrome_driver_path = ChromeDriverManager().install()# 创建谷歌浏览器驱动对象 driver = webdriver.Chrome(service=Service(chrome_driver_path)) time.sleep(2)# 2. 输入百度网址(网址要完整) driver.get("https://www.baidu.com") time.sleep(2)# 3. 找到百度输入框,输入关键词“迪丽热巴”(#kw 是搜索框对应的选择器定位方式) driver.find_element(By.CSS_SELECTOR,"#kw").send_keys("迪丽热巴") time.sleep(2)# 4. 点击“百度一下”按钮(#su 是“百度一下”按钮的选择器定位方式) driver.find_element(By.CSS_SELECTOR,"#su").click() time.sleep(2)# 5. 关闭浏览器 driver.quit()
在这里插入图片描述


常用交互 API:

  • send_keys(text):模拟键盘输入(如输入搜索关键词);
  • click():模拟鼠标左键点击(如点击按钮、链接);
  • clear():清空输入框内容;
  • webdriver.Chrome():创建 Chrome 浏览器实例(若用 Firefox,需改为webdriver.Firefox())

Selenium元素定位方式对比:

定位方式(By类)语法示例适用场景
By.IDBy.ID, "kw"元素有唯一id(如百度输入框id为kw)
By.CSS_SELECTORBy.CSS_SELECTOR, "#kw"灵活定位(支持id、class、标签名组合)
By.XPATHBy.XPATH, "//input[@id='kw']"复杂场景(如定位表格中的第n行元素)

结尾:

往期回顾:
C++ 手写 List 容器实战:从双向链表原理到完整功能落地,附源码与测试验证
结语:Web 自动化测试不是 “银弹”,但对 C++ 后端配套的 Web 项目而言,它是回归测试的高效工具。本文从概念到实战,讲解了 Web 自动化测试的核心原理、环境搭建与 Selenium 脚本开发,关键是要记住:Web 自动化测试应聚焦核心流程,与接口自动化、单元测试配合,才能最大化测试效率与质量保障能力。

✨把这些内容吃透超牛的!放松下吧✨ʕ˘ᴥ˘ʔづきらど

Read more

2026最新AI聚合系统(渐进式AIGC系统):nano-banana-2第二代绘画、VEO3/VEO3.1、Sora-2视频生成大模型私有化独立系统+扣子工作流Agent智能体

2026最新AI聚合系统(渐进式AIGC系统):nano-banana-2第二代绘画、VEO3/VEO3.1、Sora-2视频生成大模型私有化独立系统+扣子工作流Agent智能体

SparkAi系统:渐进式AIGC系统,一款基于OpenAi/ChatGPT、GPT-5.2/GPT-5、最新旗舰大模型Claude-opus-4-6、nano-banana-2第二代绘画大模型、Gemini-3.1-pro、DeepSeek、Sora-2、VEO3.1、Agent智能体 扣子(coze)插件、工作流、函数、知识库 等AI大模型能力开发的一站式AI系统;支持「🤖AI聊天」、「🎨专业AI绘画」、「🧠AI智能体」、「🪟Agent应用」、「🎬AI视频生成」等,支持独立私有部署!提供面向个人用户 (ToC)、开发者 (ToD)、企业 (ToB)的全面解决方案。 一、SparkAi系统/官网 最新旗舰大模型Claude-opus-4-6、GPT-5.3-Codex、GPT-5.2、GPT-5-PRO、gpt-image-1.5绘画大模型、超强生图

论文AI率多少算正常?各高校AIGC检测标准汇总解读

论文AI率多少算正常?各高校AIGC检测标准汇总解读

论文AI率多少算正常?各高校AIGC检测标准汇总解读 “我的论文AI率23%,能过吗?” 这可能是2026年毕业季被问得最多的一句话。问题在于,没有一个放之四海而皆准的答案——你在清华和在地方院校面临的标准完全不同,本科和硕士的要求也不一样,甚至同一所学校不同学院之间都可能存在差异。 本文将尽可能完整地梳理2026年各高校的AIGC检测标准,帮你准确判断自己的论文处于什么位置,以及需要达到什么水平。 一、先搞清楚一个前提:检测平台的差异 在讨论"多少算正常"之前,必须先明确一个经常被忽略的问题:不同检测平台对同一篇论文给出的AI率可能相差很大。 目前国内高校采用的AIGC检测平台主要有四家:知网、维普、万方、大雅。其中知网占据主导地位,大部分985/211院校和相当比例的普通本科院校都采用知网检测。 同一篇论文在不同平台上的检测结果可能差距悬殊。一篇文章在知网检测显示AI率28%,在维普上可能显示42%,在万方上又可能只有15%。这种差异源于各平台采用的检测算法和训练数据不同。 所以当你对照标准评估自己的论文时,一定要搞清楚你的学校用的是哪个平台,然后在对应平台上做检

大模型微调主要框架 Firefly vs LLaMA Factory 全方位对比表

Firefly vs LLaMA Factory 全方位对比表 + 生物医药垂类微调选型建议 一、核心维度对比表格 对比维度Firefly(流萤)LLaMA Factory开发主体个人开源:杨建新(YeungNLP),前Shopee NLP工程师,中山大学硕士社区开源:hiyouga核心维护,全球开源社区协同迭代项目定位聚焦中文大模型的轻量化训练框架+配套中文优化模型通用型全栈大模型微调框架,无语言/模型偏向,极致兼容支持基座模型以中文友好模型为主(Llama系列、Qwen、ChatGLM、Firefly自训模型),覆盖有限但深度适配全主流开源模型全覆盖(Llama、Qwen、Mistral、DeepSeek、GLM、Yi、Firefly等),几乎无适配成本支持微调方式基础SFT、LoRA/QLoRA、增量预训练,进阶对齐方法较少SFT、DPO/IPO/KTO、RLHF、预训练、多模态微调,全流程对齐方案完整中文优化原生深度优化:中文分词、语料、表达逻辑专项适配,

老手机 本地部署小龙虾OpenClaw(使用本地千问大模型)实机演示 Termux+Ubuntu+Llama 新手完整安装教程(含代码)

本教程提供从 0 到 1 的详细步骤,在安卓手机上通过 Termux 运行 Ubuntu,部署本地 Llama 大模型,并集成 OpenClaw 进行 AI 交互,全程无需 Root。建议手机配置:≥4GB 内存,≥64GB 存储,Android 7+。 一、准备工作 1.1 安装 Termux 1. 从F-Droid或GitHub下载最新版 Termux(避免应用商店旧版本) 2. 安装并打开,首次启动会自动配置基础环境 1.2 手机设置优化 1. 开启开发者选项(设置→关于手机→连续点击版本号 7 次) 2.