每天的工作就是培训、学习、写用例、评审、测试、站会
投了多家简历后，最终去了一家外包公司做 SDET（测开）

10 多年前，能有这么完善的流程，又能找到测开岗，感觉前两份工作还不错。。至少让自己有机会见识更多的东西。

各个阶段的公司都待过，情况还是比较符合。

postman 可以写 js 代码呀，在 Pre-request Script 里面先清除 cookie 就行

没事，我也是早上没事写点片段热热身，能解决您的问题真是极好的。

格式怪怪的，如果没有特殊需求的话，建议直接用 json 库转，格式有略微不同的话，稍微调整下格式再转。
自己随便写了点转换的代码，不敢写下去了，再写就要造一个 json 库轮子了。。

import json

text = "Lindar = \"text=light, position = True\", num=10, check_condition=False, Timeout=1000"


def split_text(text: str) -> list[str]:
    start = 0
    pieces = []
    is_in_string = False

    for index, char in enumerate(text):
        if char == "\"":
            is_in_string = not is_in_string
        if char == "," and not is_in_string:
            pieces.append(text[start:index])
            start = index + 1
    # 添加最后一段
    pieces.append(text[start:])
    return pieces


def combine_key_value(pieces: list[str]) -> dict:
    pairs = {}
    for piece in pieces:
        for index, char in enumerate(piece):
            if char == "=":
                key = piece[:index]
                value = piece[index + 1:]
                key = key.strip()
                value = value.strip()
                pairs[key] = value
                break
    return pairs


def type_convert(text):
    pass


pieces = split_text(text)
pairs = combine_key_value(pieces)
print(json.dumps(pairs))

你想知道的是 max_loc...这几个参数是什么意思吧
这个是模板匹配方法，用小图在大图里面匹配最佳位置
loc 是 location，表示坐标，max_loc 是最佳匹配坐标，min_loc 是最不匹配坐标
val 是 value，也表示图片匹配度 (置信度)，范围是 0~1，越接近 1 说明匹配度越高，这里最大是 1，也就是匹配出近似原图

你得到的返回值样式和参考样本区别不大的，取 max_loc 就行，前提是 max_val 至少大于 0.8，另外需要注意的是模板匹配得到的坐标是图片左上角的点，不是图片中心点，点击的时候需要注意一下。

随便贴一个模板匹配的帖子 => https://zhuanlan.zhihu.com/p/106906613
如果真要使用图像处理的方式来做 UI 自动化，建议先掌握 python 的 PIL 和 opencv

用自己最擅长的语言吧，不然会耗费很多时间在熟悉语言进阶知识、理解三方库和框架上。个人更偏向于 python，实现同样的功能，可以做到少一半代码且更简洁易懂，也更灵活。

1. 你把二值化后多余的背景剪掉再试试看能不能识别，有可能不是字库不好，而是背景太大，ocr 没有识别出对应的文字区域。先确定 pytesseract 能否识别你的样本再来思考后面的问题。
2. 能否讲一下做 ocr 的目的是什么？识别控件，点击或者断言？通常很少有做全屏 OCR 的场景，有可能有其他更简单的方法达到你的目的。

啊喂，类里面的函数叫方法，init里面的变量叫实例属性>_<

是我的话可能会这样去做：

1. 确保出现过的问题不会再次出现，记录 bug 清单，尽量做成自动化，工作量不算多的
2. 主流程回归，同样尽量自动化吧
3. 代码 review，每次测试花一点时间看开发的代码，不说每一段代码都能看懂、看出问题，至少要对整体的技术方案、影响到的页面、组件、接口等等有所了解，合理的技术方案一般代码看起来结构都是很清晰的，让人困惑的地方往往是 bug 所在的地方。

1. 上面的图片简单，识别不了多半是背景太花哨，用二值化就可以搞定。文字是接近纯白，用二值化可以把图片处理成背景纯黑，文字纯白的图片，可以参考下面的文章
   https://blog.csdn.net/bosszhao20190517/article/details/105837566

2. 开放平台是指百度云、腾讯云等免费的 OCR 识别 api，一样的调接口，传入图片，然后识别结果，因为基于深度学习，数据集比 pytesserct 大，且是国内环境，中文支持更强，效果会更好一点

3. 看你具体是要做什么操作，如果是找控件、点击之类的自动化操作，可以了解下模板匹配、airtest 之类的

能贴一下识别的图么，一般正常字是没什么问题的，识别不了的话可以调调 pytesseract 的配置参数或者对图片做预处理 (二值化、降噪等等)
另外要看具体使用场景，看是否需要使用 OCR，有可能其他的方式也能做
另外还有其他 AI 开放平台的 api 可以用，识别中文应该比 pytesseract 更好一些

是 bug，既然前端都做了删除禁用，业务逻辑上当然是不能删除订单的，后端也要保持一致，只是后端没有去做这样的校验而已。健康的系统是必须前后端都做好校验的，可以反馈给开发，看他改不改，正常来说改一下也没有多大难度。如果是内部使用的工具，他也不想改，风险可控的话，可以抛出来让研发组长之类的人去做决定，看是否需要修复。

楼上讲的取小数乘 1000 之后取整是 ok 的，另外还有一种办法，随机生成 0~N 的数，可以用随机数对 N 取余，这里是 (0, 1)，数值比较小，就可以先扩大 10000 倍再对 1000 取余也是可以的。

通过调节模板图片尺寸的方法来适配不同分辨率并不好用，以前的团队几年前就试过这个方法了，当图像场景复杂时，很容易出现既没有匹配到目标元素，还因为改变了尺寸，匹配到了其他不相关的元素，更加影响报错分析。

通常不同图片在不同分辨率的变化是相同的，可能会有几种变化规律，只要对这几类变化规则进行总结，根据当前分辨率来对模板图片进行调整，就可以实现一张模板图用在不同分辨率上，比增加步长的方式更稳定。

总结来说就是寻找变化的规律比瞎猜更有用。不过近几年 CV 发展挺快的，特征匹配和物体检测同样可以对模板匹配进行补充。

没做过类似的测试，不过可以写写自己的思路。
1.可以实现翻译库到 xml 文件的自动生成，按理说翻译库和 xml 文件都是有固定规则和模式的，开发没必要全部手动写 xml，这样只要自动生成的工具没问题，那翻译库和 xml 就永远是对应的。不再需要测试 xml 文件，只需要关注翻译库。

2.同样利用翻译库和 xml 的规则，分别对翻译库和 xml 文件进行解析。再对比两边的数据，断言文本的个数、key，顺序以及对应的翻译值，和接口参数对比测试很像。

Template 类看起来像是读取本地图片然后转换成像素矩阵，也可以尝试重写 Template 类实现读取网络图片流，不过还是建议用本地文件夹来做缓存，全部从网络下载很容易受延迟的影响

没怎么用过 airtest，看方法调用的话应该是框架已经写好读取本地图片了。
可以换一种方法用程序把图片下载下来转成本地图片后再透传给 airtest

class Pic:

    def __init__(self):
        self.pic1 = "filepath"
        self.pic2 = "filepath"

    def __getattribute__(self, item):
        filepath = object.__getattribute__(self, item)
        # 解析图片名
        # 本地图片文件夹有文件就返回本地路径
        # 本地没有就从互联网下载图片再返回本地路径
        return "local path"


print(Pic().pic1)

看起来场景和游戏规则还是比较简单的，可以讲一下我的思路。

1. 获取场景信息：游戏共两个部分，上面的输入区域和下面的字母选择区域，上面区域的关键点在于输入区域的定位，用图像处理可以搞定，下面区域的关键点在于字母的识别，用 OCR 可以搞定。

2. 处理游戏规则：这种填字游戏还是比较简单，录入一个单词库，然后枚举当前可输入字母和输入区域已有字母，组成单词然后匹配单词库就 ok，单词匹配成功后选择对应的字母就行。

3. 用什么工具：airtest 完全可以搞定，自己写脚本的话会更灵活一些。我个人使用工具的话，图像处理方面可能会用 opencv，ocr 识别用 pytesseract，算是比较通用的库吧。广告的话在每个操作或识别前加一个广告的判断，有广告就执行取广告的操作就可以。

uiautomation 这个库其实就是使用句柄的，一个控件有很多属性，句柄只是一个识别 id，还有其他的 className, text 等等，有些控件是没有文本的，一个窗体下可能有多个相同的控件，所以类名也有可能重复。
使用句柄的只适合一些系统自动应用或.net 框架写的应用，遇到一些自定义 ui 的应用就不适用，游戏类型的也拿不到里面的控件或页面信息，这时候就可以使用图像识别 + 键鼠模拟，图像识别做模板、特征匹配定位元素，键鼠 driver 执行对应的输入，点击等操作。
可以看下网易的 air test，它不是最好的解决方案，但是基本包括了一些基础的做法，可以让你了解到怎么使用 CV+HID(human interface device) 的方式去做 UI 自动化。
https://airtest.netease.com

控制句柄的方式比较直接，直接调库就可以控制，类似 appium，也有对应的 windriver。windows 上的 ui 自动化也可以考虑用图像识别 + 键鼠控制的方式来做，图像识别用 opencv，控制用 pyautogui 之类的库。

前面的用例挂了由前面的用例恢复环境，回到用例执行之前的入口，不要在后面的用例去判断，tear_down 要做到开始之前是什么样，结束之后就什么样。

每一条用例都是有环境准备和后置处理的，尽量保证每一条用例都是独立的，不要依赖前一项用例。
另外对于 UI 自动化来说，路径之间都是有逻辑可循的，用数据结构 - 图的方式记录 UI 节点之间的关系，跳转方式，其实可以写一套通用的页面跳转方法。