一、数据驱动简介

DDT是一种软件测试方法，通过外部数据源（如Excel、CSV、数据库等）驱动测试用例的执行。它的核心思想是将测试数据与测试逻辑分离，从而提高测试的灵活性和可维护性。

1. DDT 的核心概念
测试数据与逻辑分离：

测试逻辑是固定的，而测试数据可以从外部文件或数据库中动态加载。

数据可以是输入参数、预期结果或配置信息。

数据源：

常见的数据源包括：CSV文件、Excel文件、JSON文件、数据库、API等。

测试用例动态生成：

根据数据源中的每一行数据，动态生成一个测试用例。

2. DDT 的优点
提高测试覆盖率：

通过多组数据测试同一逻辑，覆盖更多场景。

减少代码重复：

测试逻辑只需编写一次，数据可以动态加载。

易于维护：

当测试数据变化时，只需修改数据源，而无需修改测试代码。

支持复杂场景：

可以通过大量数据组合测试边界条件和异常情况。

二、读取Excel数据文件

        这里使用的库是openpyxl，同时也可以使用xlrd

        1.安装openpyxl库、pytest

pip install openpyxl
pip install pytest

        2.详情操作

                实际项目根目录下有data.xlsx文件

def get_data():
    filename = 'data.xlsx' 
    wb = load_workbook(filename) # 加载Excel文件，返回Workbook对象
    # sheet = wb.active # 获取活动工作表（默认第一个Sheet）
    sheet = wb['Sheet2']  # 明确指定 Sheet2 表
    # min_row=2表示从第2行开始迭代（默认从第 1 行开始）
    # values_only返回单元格的值,直接得到数据（如 "tom" 而非 <Cell 'Sheet1'.A1>）
    return [list(row) for row in sheet.iter_rows(min_row=2, values_only=True)]

@pytest.mark.parametrize('username,age,expected_true',get_data())
def test_03(username,age,expected_true):
    print(username,age,expected_true)

三、读取CSV数据文件

        方式一：使用python内置模块

        1.导入python内置模块csv

        2.详细操作

                实际在项目对应目录下有对于test.csv文件

def get_data():
    # 使用with打开文件，文件会自动关闭，不需要手动调用 file.close()
    with open('../../testcases/ddt/test.csv') as f:
        # 读取文件内容
        lst = csv.reader(f)
        # 跳过表头
        header = next(lst)
        # 将每行转换为元组，因为parametrize需要序列的序列
        return [tuple(row) for row in lst]

@pytest.mark.parametrize('username,age,expected_true',get_data())
def test_02(username,age,expected_true):
    print(username,age,expected_true)

        方式二： 使用pandas库

                1.下载pandas库

pip install pandas

                2.详细操作

# 使用pandas库来读取CSV文件
# values将 DataFrame 转换为 NumPy 数组
# tolist将 NumPy 数组转换为 Python 原生列表
# pd.read_csv() 默认会自动将 CSV 文件的第一行作为表头（列名）读取,
# 但通过 .values.tolist() 转换时，表头会被自动忽略，仅保留数据行

@pytest.mark.parametrize('username,age,expected_true',pd.read_csv('../../testcases/ddt/test.csv').values.tolist())
def test_01(username,age,expected_true):
    print(username,age,expected_true)

四、读取数据库——以MySQL为例

        1.下载mysqlclient

pip install mysqlclient

        2.连接对应数据库

def get_connection():
    # 数据库配置信息换成自己的
    try:
        return MySQLdb.connect(
            user = 'root',
            password = '123456',
            host = 'localhost',
            port = 3306,
            charset='utf8mb4',
            db = 'bus'
        )
    except Exception as e:
        print(f"数据库连接错误，{e}")
        raise

        3.详情操作

def get_data(query_sql):
    try:
        # 2. 获取数据库连接
        conn = get_connection()
        # 3. 使用上下文管理器创建游标（自动管理资源）
        with conn.cursor() as cursor:
            # 4. 执行SQL查询
            cursor.execute(query_sql)
            # 5. 提取所有行数据，并将每行转换为元组
            # cursor.fetchall()返回所有行的数据
            return [tuple(row) for row in cursor.fetchall()]
    except Exception as e:
        print(f"数据库查询错误，{e}")
        # 重新抛出异常，避免静默失败
        raise
    finally:
        # 7. 确保连接关闭（无论是否发生异常）
        if 'conn' in locals() and conn.open:
            conn.close()

@pytest.mark.parametrize('id,username,phone,money',get_data('select id,username,phone,money from b_user'))
def test_01(id,username,phone,money):
    print(id,username,phone,money)

五、读取JSON数据文件

               1.json数据文件

[
  {
    "username": "tom",
    "age": "18",
    "expected_true": "True"
  },
  {
    "username": "lisa",
    "age": "22",
    "expected_true": "True"
  },
  {
    "username": "kitty",
    "age": "25",
    "expected_true": "False"
  }
]

               2.详细操作

def get_data():
    with open('../../testcases/ddt/test.json') as f:
        # 用于从文件对象中读取JSON数据，并将其解析为Python对象。
        # loads用于将JSON格式的字符串解析为Python对象
        data = json.load(f)
        return [(item['username'],item['age'],item['expected_true']) for item in data]
            

@pytest.mark.parametrize('username,age,expected_true',get_data())
def test_02(username,age,expected_true):
    print(username,age,expected_true)