1. 安装
万能的pip&easy_install
pip install multi-mechanize mechanize numpy matplotlib
- mechanize是一个模拟browser行为的一个库，当然你也可以用其它的如urllib2、request、tornado.httpclient等等库，不是必须。
- 后面两个numpy和matplotlib也是可选的，当你需要它自动生成图形化报表时才会用到，安装matplotlib你的系统有可能需要安装libpng和freetype库。
2. 使用方法
- 创建项目
multimech-newproject my_project
自动创建一个my_project目录，子目录test_scripts用来放测试脚本，config.cfg是测试配置，主要要配的是测试时间、测试脚本和并发threads量。
- 脚本编写，借用官方的一个简单例子：
#
# Copyright (c) 2010 Corey Goldberg ([email protected])
# License: GNU LGPLv3
#
# This file is part of Multi-Mechanize
#
import mechanize
import time
class Transaction(object):
def __init__(self):
self.custom_timers = {}
def run(self):
br = mechanize.Browser()
br.set_handle_robots(False)
start_timer = time.time()
resp = br.open(‘http://www.example.com/‘)
resp.read()
latency = time.time() - start_timer
self.custom_timers[‘Example_Homepage‘] = latency
assert (resp.code == 200), ‘Bad HTTP Response‘
assert (‘Example Web Page‘ in resp.get_data()), ‘Failed Content Verification‘
if __name__ == ‘__main__‘:
trans = Transaction()
trans.run()
print trans.custom_timers
注意：按multi-mechanize的默认规则，每个脚本必须有一个Transaction的类，类要有一个run方法，在run里面写测试业务逻辑。这个例子是打开http://www.example.com，记录访问所耗时长，非常简单明了，而实际的场景你可能需要有用户登录、然后测试某个或多个页面(API)，只是测试业务复杂一些，写法是类似的。一个脚本文件只能有一个Transaction的类、类也只能有一个run方法，写起case来是不是觉得非常不方便？不用急，针对这点，后面的小技巧部分会另辟蹊径给你指条明路。
- 运行项目的测试脚本
multimech-run my_project
测试结果报表和原始数据将放到results目录下按测试时间生成的子目录中，生产的html版本的结果统计如下图所示:
3. 使用小技巧
- Cookie：
如果使用的是mechanize，可以通过下面的方式，从上面的browser对象br里获取到cookie信息。
br._ua_handlers[“_cookies”].cookieja
- 单个脚本多个测试用例的支持：这个思路来源于testsuite的概念，同一个testsuite里的case作为一组相关的case可以共享一些代码逻辑和资源(如browser对象)，而multi-mechanize默认的方式是不支持的，要实现这一点，只需要一点小小的技巧即可，上代码：
base.py，Transaction基类：
# -*- coding: utf-8 -*-
import mechanize
import time
import traceback
import logging
class BaseTransaction(object):
_TEST_CASE_PREFIX = "test_"
def __init__(self):
self._init()
self.custom_timers = {}
self.browser = mechanize.Browser()
self.browser.set_handle_robots(False)
self.browser.set_handle_redirect(True)
self.browser.set_handle_referer(True)
def _init(self):
self.funcs = []
funcs_ = dir(self)
for func_ in funcs_:
if func_.startswith(self._TEST_CASE_PREFIX):
self.funcs.append(func_)
def run(self):
""""所有继承BaseTransaction的类，只需要在以test_开头的方法里实现测试case即可，运行时多个case都可以得到测试"""
try:
for func in self.funcs:
start_timer = time.time()
getattr(self, func)() # run test
latency = time.time() - start_timer
self.custom_timers[‘%s‘ % func[len(self._TEST_CASE_PREFIX):]] = latency
except Exception, e:
logging.error(traceback.format_exc())
raise e
test_case_google.py里是真正的测试case，这里是同时测试多个google站点：
# -*- coding: utf-8 -*- from base import BaseTransaction class Transaction(BaseTransaction): def test_google_com_hk(self): # 测试逻辑代码，如类似于上面的测试example.com pass def test_google_com_sg(self): pass def test_google_com(self): pass
- 真实的并发量计算：multi-mechanize使用了multiprocessing库，会同时起多个进程，且每个进程按config里的配置起多个线程来实现并发测试，但真正的单位时间内的并发量并不是config里设置threads=10这样的表示每秒10个并发，真实的并发量需要根据最终完成的transaction数和这些transaction里面包含多少次http请求和总的完成时间来计算得知，这点不是很直观。
- 自定义统计数据：你可以往self.custom_timers这个内建的字典里塞任意的自定义统计数据，他们在报表中都能够得到体现。
更多的文档和一手资料请参考文档http://testutils.org/multi-mechanize/和git代码库https://github.com/cgoldberg/multi-mechanize。最后multi-mechanize还不是很好用，一是使用过程中发现有一些情况会抛异常，导致不能正确生成报表，另一个别扭的是case的编写不是unittest那一套，是作者自创Transaction流:)