环境准备：Python环境搭建与必要第三方库安装

说实话，做自动化测试这么多年，我踩过最大的坑就是环境没配好。你想想看，脚本写得再漂亮，一运行报个「ModuleNotFoundError」，那得多憋屈？

所以这一章，咱们就把地基打牢。我个人习惯先把Python环境整利索了，再装那几个必备库。别急，一步步来。

Python环境搭建

先说说Python版本的选择。我建议用Python 3.8以上版本，为什么？因为3.6已经停止维护了，3.7也快了。我在项目中遇到过用Python 3.6写的脚本，换到新机器上死活装不上某些库，最后发现是版本太老，库都不支持了。

具体步骤其实很简单：

去官网下载：打开python.org，找到Downloads，选你的操作系统版本
安装时勾选：记得把「Add Python to PATH」打上勾。嗯，这里要注意，很多人忘了这一步，后面命令行里敲python就报错
验证安装：打开终端或命令提示符，输入python --version，看到版本号就对了

小技巧：我个人习惯用pyenv来管理多个Python版本。做测试嘛，有时候需要在不同版本上验证兼容性，pyenv一键切换，省心。

虚拟环境：别让依赖打架

你想想看，项目A需要requests 2.25，项目B需要requests 2.26，装在一个环境里不就乱套了？

虚拟环境就是干这个的。我每个项目都会单独建一个虚拟环境，互不干扰。

# 创建虚拟环境
python -m venv test_env

# 激活（Windows）
test_env\Scripts\activate

# 激活（Mac/Linux）
source test_env/bin/activate

# 退出
deactivate

激活后，命令行前面会出现(test_env)的标识，说明你已经在虚拟环境里了。这时候装任何库都不会影响到全局。

四个必备库详解

好，环境搭好了，咱们来装库。这章要用的四个库，说白了就是自动化测试的四大护法。

库名	用途	安装命令
os	文件和路径操作	Python内置，无需安装
subprocess	执行外部命令和脚本	Python内置，无需安装
argparse	命令行参数解析	Python内置，无需安装
logging	日志记录	Python内置，无需安装

看到没？这四个全是Python标准库，不需要额外装。但别高兴太早，我后面会讲一些常用的第三方库，比如pytest、requests，那些才需要pip安装。

1. os库：文件和路径的管家

做批量测试，免不了要遍历文件夹、拼接路径、检查文件是否存在。os库就是干这个的。

import os

# 获取当前目录
current_dir = os.getcwd()

# 拼接路径
test_case_dir = os.path.join(current_dir, "test_cases")

# 遍历文件夹
for root, dirs, files in os.walk(test_case_dir):
    for file in files:
        if file.endswith(".py"):
            print(f"找到测试脚本：{file}")

我曾经犯过一个低级错误：直接用字符串拼接路径，结果在Linux上跑的时候路径分隔符不对，全崩了。从那以后，我老老实实用os.path.join。

2. subprocess库：调用外部脚本的利器

批量运行测试用例，说白了就是让Python去调用一个个测试脚本。subprocess就是干这个的。

import subprocess

# 运行一个测试脚本
result = subprocess.run(
    ["python", "test_case_001.py"],
    capture_output=True,
    text=True,
    timeout=30
)

# 检查运行结果
if result.returncode == 0:
    print("测试通过")
else:
    print(f"测试失败：{result.stderr}")

注意：timeout参数一定要加！我曾经有个测试脚本死循环了，没设超时，整个自动化流程卡了整整一个晚上。嗯，血的教训。

3. argparse库：让脚本更灵活

你想想看，每次改个参数都要去改代码，多麻烦。argparse让你可以在命令行传参数，脚本就灵活多了。

import argparse

parser = argparse.ArgumentParser(description="批量运行测试用例")
parser.add_argument("--test-dir", required=True, help="测试用例目录")
parser.add_argument("--report-dir", default="./reports", help="报告输出目录")
parser.add_argument("--parallel", type=int, default=1, help="并行执行数量")

args = parser.parse_args()

print(f"测试目录：{args.test_dir}")
print(f"报告目录：{args.report_dir}")
print(f"并行数：{args.parallel}")

这样你就能这样运行了：

python run_tests.py --test-dir ./cases --parallel 4

4. logging库：记录一切

测试跑了多久？哪个用例失败了？失败原因是什么？这些信息不记下来，出了问题你都不知道从哪查起。

import logging

# 配置日志
logging.basicConfig(
    level=logging.INFO,
    format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',
    handlers=[
        logging.FileHandler('test_run.log'),
        logging.StreamHandler()
    ]
)

logger = logging.getLogger(__name__)

# 使用日志
logger.info("开始执行测试用例")
try:
    # 执行测试...
    logger.info("测试用例执行成功")
except Exception as e:
    logger.error(f"测试用例执行失败：{str(e)}")

  核心要点：logging的级别从低到高是DEBUG、INFO、WARNING、ERROR、CRITICAL。平时用INFO就够了，调试的时候切到DEBUG，能看到更多细节。

知识体系总览

说了这么多，咱们用一张图把这一章的核心逻辑串起来。你一看就明白了。

这张图把这一章的内容分成了三块：左边是环境搭建的基础操作，中间是四个核心库，右边是它们在实际测试中的应用场景。说白了，你把这三点搞明白了，环境准备这块就稳了。

我的建议：别急着往下走。先把环境搭好，每个库都写个demo跑一遍。我当年学的时候，光logging就折腾了半天，但搞明白之后，后面写测试脚本就顺手多了。

📚 课程目录

环境准备：Python环境搭建与必要第三方库安装

Python环境搭建

虚拟环境：别让依赖打架

四个必备库详解

1. os库：文件和路径的管家

2. subprocess库：调用外部脚本的利器

3. argparse库：让脚本更灵活

4. logging库：记录一切

知识体系总览