在 Python 中,操作 JSON 数据主要包括序列化(将 Python 对象转换为 JSON 格式)和反序列化(将 JSON 字符串转换回 Python 对象)。

以下是使用 Python 内置的 json 模块进行这些操作的基本示例:

JSON 序列化 (Serialization)

将 Python 对象转换成 JSON 字符串:

import json
# 定义一个Python字典或列表等可序列化的对象
data = {    "name": "Alice",    "age": 30,    "hobbies": ["reading", "programming"]}
# 使用 json.dumps() 方法将 Python 对象转为 JSON 字符串
json_string = json.dumps(data)
print(json_string)  # 输出:{"name": "Alice", "age": 30, "hobbies": ["reading", "programming"]}

JSON 反序列化 (Deserialization)

将 JSON 字符串转换成 Python 对象:

import json# 假设我们有一个 JSON 格式的字符串
json_data = '{"name": "Bob", "age": 35, "hobbies": ["guitar", "travel"] }'
# 使用 json.loads() 方法将 JSON 字符串转为 Python 字典
python_obj = json.loads(json_data)print(python_obj)  
# 输出:{'name': 'Bob', 'age': 35, 'hobbies': ['guitar', 'travel']}
# 或者从文件读取 JSON 数据并转换
with open('data.json', 'r') as file:    
    python_obj_from_file = json.load(file)
print(python_obj_from_file)

注意事项:

JSON 仅支持特定的数据类型,如数字、字符串、布尔值、null、数组(对应 Python 中的列表)和对象(对应 Python 中的字典)。Python 中的一些非标准类型(如 None、datetime 对象、自定义类实例等)需要通过特殊方式处理才能正确地序列化和反序列化。

json.dumps() 方法接受额外的参数用于控制序列化过程,例如 ensure_ascii=False 可以输出包含非 ASCII 字符的 JSON 字符串,indent 用于美化输出,设置缩进。

json.load() 和 json.loads() 在遇到不符合 JSON 格式的输入时会抛出 json.JSONDecodeError 异常。

在 Python 进行接口自动化测试时,操作 JSON 数据是常见且关键的步骤。通常情况下,我们会使用 json 模块处理 HTTP 请求中的 JSON 内容,并通过 requests 库发送这些请求到 API 服务器。以下是一个基本示例,展示如何构建和解析 JSON 数据以执行接口测试:

发送带有 JSON 数据的 POST 请求

import requestsimport json
# 定义要发送的JSON数据
payload = {    "username": "testuser",    "password": "testpassword",    "email": "test@example.com"}
# 将Python字典转换为JSON格式字符串
json_payload = json.dumps(payload)
# 设置请求头信息,告诉服务器我们正在发送JSON数据
headers = {'Content-Type': 'application/json'}
# 发送POST请求
response = requests.post('http://example.com/api/login', data=json_payload, headers=headers)
# 检查响应状态码是否正常
if response.status_code == 200:    
    # 如果响应成功,将其内容反序列化为Python对象    
    response_json = response.json()    
    print(response_json)
else:    
    print(f"请求失败,状态码:{response.status_code}")
# 根据需要对响应JSON数据进行断言或进一步处理
assert response_json['status'] == 'success'

解析返回的 JSON 响应

对于从 API 接收到的 JSON 响应,可以使用 response.json() 方法将响应体的内容转化为 Python 字典或列表以便于进行验证。

数据驱动测试

在数据驱动测试场景中,可以从文件读取多个 JSON 记录(例如,每行一个 JSON 对象),然后依次对每个记录执行相同的操作:

with open('test_data.json') as f:    
    test_cases = json.load(f)
for case in test_cases:    
    # 调整请求参数并发送请求    
    response = requests.post('http://example.com/api/endpoint', json=case)    
    # 针对每个测试用例进行相应的断言    
    assert_response(response, case)

这里,test_data.json 文件可能包含多条记录,每一项都是一个待测试的 JSON 数据结构。在循环中,逐个发送请求并根据每个用例的结果进行验证。

json 在接口自动化里的高级使用

在接口自动化测试中,JSON 的高级使用通常涉及到更复杂的数据操作、模式验证以及高效地提取和比较响应数据。以下是一些高级用例:

JsonPath 或 JMESPath 的应用:

使用 jsonpath 或 jmespath 库来从复杂的 JSON 响应中精准提取数据,而无需遍历整个数据结构。

import jsonpath  
# or jmespath for JMESPath
response_json = {"users": [{"name": "Alice", "id": 1}, {"name": "Bob", "id": 2}]}
names = jsonpath.jsonpath(response_json, '$.users[*].name')  # 返回 ['Alice', 'Bob']

JSON Schema 验证:

使用 jsonschema 库对 API 返回的 JSON 响应进行模式匹配验证,确保其符合预定义的结构和约束条件。

from jsonschema import validate, ValidationError
schema = {    "type": "object",    "properties": {        "status": {"type": "string"},        "data": {"type": "array", "items": {"type": "object", "properties": {"id": {"type": "integer"}, "name": {"type": "string"}}}}    },    "required": ["status", "data"]}
response = {"status": "ok", "data": [{"id": 1, "name": "Alice"}]}
try:    
    validate(instance=response, schema=schema)    
    print("Response matches the schema.")
except ValidationError as e:    
    print(f"Validation error: {e}")

动态构建请求体:

更多内容可以学习《测试工程师 Python 工具开发实战》书籍《大话性能测试 JMeter 实战》书籍

根据需求动态生成或修改 JSON 请求体,例如基于数据库查询结果构造请求参数。

def build_request_body(user_id):    
    user_data = get_user_from_database(user_id)  
    # 假设这是一个获取用户信息的方法    
    request_body = {"user": {"id": user_data["id"], "name": user_data["name"]}}     return request_body
payload = build_request_body(1)
response = requests.post('http://example.com/api/update', json=payload)

批量执行与结果分析:

对于大批量的数据交互,可以将多个 JSON 请求组织成一个列表,并利用循环或异步方式发送请求,然后汇总所有响应的结果进行整体评估。

错误处理和容错机制:

对接收到的 JSON 数据进行深度检查,对于非标准格式或异常字段,能够有策略地处理并记录异常。

缓存和复用:

对于一些重复性的数据,如 Token 或者 Header 中的 JWT,可以将其存储起来并在后续请求中复用,提高效率同时保持安全性。

通过以上这些高级技术,可以在接口自动化测试中更好地管理和操纵 JSON 数据,提高测试代码的质量和可维护性。


↙↙↙阅读原文可查看相关链接,并与作者交流