介绍
最近查了网上的东西好像没有相关的东西，所以自己写了一个，主要功能是读取需求，然后丢给AI，AI生成测试用例，把输出的结果给结构化一下，然后写入excel文件中。
思路及实现过程
- 首先看Ollama的api和openai的文档，发现兼容openai的库，结果不太理想（如果是调用官方openAI或者其他反代等可以使用此方法，我使用的是本地部署的模型）
- 通过在搜索发现有Ollama的库通过接口直接调用本地的模型，比官方给的简单的多，链接：https://pypi.org/project/ollama/
- 在看Ollama库的时候没有上传文件的功能，只能把需求文档给读出来然后传给AI
def read_word_file(file_path): doc = docx.Document(file_path) full_text = [] for para in doc.paragraphs: full_text.append(para.text) return '\n'.join(full_text) - 在实现的过程中发现，获取deepseek的输出中，把思考的过程也一并的输出了，然后做了一个把AI思考的过程给过滤掉了
def remove_think_tags(content): return re.sub(r'<think>.*?</think>', '', content, flags=re.DOTALL) - 又发现一个问题AI每次输出的结果都不一致（可能是我提示词的原因），所以做了正则表达式来匹配字段并结构化数据，这样就得到了可以写入excel的数据
def extract_test_cases(content): test_case_pattern = re.compile( r"测试用例\s*：(.*?)\s*标题\s*：(.*?)\s*前置条件\s*：(.*?)\s*操作步骤\s*：(.*?)\s*预期结果\s*：(.*?)(?=\n\s*测试用例：|\Z)", re.DOTALL ) - 生成的用例是多个的，把所有的结果进行匹配后，把结果循环输出
matches = test_case_pattern.findall(content) test_cases = [] for match in matches: test_case = { "测试用例": match[0].strip(), "标题": match[1].strip(), "前置条件": match[2].strip(), "操作步骤": "\n".join([step.strip() for step in match[3].split("\n") if step.strip()]), "预期结果": "\n".join([result.strip() for result in match[4].split("\n") if result.strip()]), } test_cases.append(test_case) return test_cases - 然后就是写入excel文件了，如果没有结构化数据那么就不会写入excel文档
def save_to_excel(test_cases, file_path): df = pd.DataFrame(test_cases) with pd.ExcelWriter(file_path, engine='xlsxwriter') as writer: df.to_excel(writer, index=False, sheet_name='测试用例') worksheet = writer.sheets['测试用例'] for idx, col in enumerate(df.columns): worksheet.set_column(idx, idx, 30) for row in range(len(df) + 1): worksheet.write(row, idx, df.iloc[row - 1][col] if row > 0 else col, writer.book.add_format({'text_wrap': True})) excel_file_path = 'C:/Users/用户名/Desktop/其它/测试用例.xlsx' save_to_excel(extracted_test_cases, excel_file_path) print(f"测试用例已保存到文件: {excel_file_path}")
使用的技术工具
python Ollama vscode deepseek模型
加注释的完整代码
需要下载的库：ollama docx pandas xlsxwriter
命令行执行pip install 库名
import re
from ollama import Client
import docx
import pandas as pd
# 初始化Ollama客户端
client = Client(
host='你的ip地址',
headers={'x-some-header': 'some-value'}
)
# 读取Word文件内容
def read_word_file(file_path):
doc = docx.Document(file_path)
full_text = []
for para in doc.paragraphs:
full_text.append(para.text)
return '\n'.join(full_text)
# 文件路径
word_file_path = 'C:/Users/需求文档.docx'
# 读取文件内容
word_content = read_word_file(word_file_path)
# 将文件内容添加到messages中
messages = [
{
'role': 'user',
'content': '根据需求，按符合需求的测试方法输出测试用例，测试用例模板必须只有：“测试用例：，标题：，前置条件：，操作步骤：，预期结果：”注意：要格式化输出，不要输出其它无关内容！',
},
{
'role': 'user',
'content': f"Word文件内容:\n{word_content}\n",
}
]
# 发送请求并获取响应
response = client.chat(model='deepseek-r1:14b', messages=messages)
# 假设 AI 生成的内容如下
ai_content = response.message.content
# 移除 <think> 标签及其内容
def remove_think_tags(content):
return re.sub(r'<think>.*?</think>', '', content, flags=re.DOTALL)
# 移除 <think> 标签
cleaned_content = remove_think_tags(ai_content)
print(cleaned_content)
# 定义正则表达式来匹配字段
def extract_test_cases(content):
# 正则表达式匹配每个测试用例
test_case_pattern = re.compile(
r"测试用例\s*：(.*?)\s*标题\s*：(.*?)\s*前置条件\s*：(.*?)\s*操作步骤\s*：(.*?)\s*预期结果\s*：(.*?)(?=\n\s*测试用例：|\Z)",
re.DOTALL
)
# 查找所有匹配的测试用例
matches = test_case_pattern.findall(content)
# 将匹配结果转换为结构化数据
test_cases = []
for match in matches:
test_case = {
"测试用例": match[0].strip(),
"标题": match[1].strip(),
"前置条件": match[2].strip(),
"操作步骤": "\n".join([step.strip() for step in match[3].split("\n") if step.strip()]),
"预期结果": "\n".join([result.strip() for result in match[4].split("\n") if result.strip()]),
}
test_cases.append(test_case)
return test_cases
# 调用函数提取测试用例
extracted_test_cases = extract_test_cases(cleaned_content)
print(extracted_test_cases)
print("_______________________________________________________________")
# 打印提取的测试用例
if extracted_test_cases:
for idx, test_case in enumerate(extracted_test_cases, start=1):
print(f"测试用例 {idx}:")
print(f"测试用例名称: {test_case['测试用例']}")
print(f"标题: {test_case['标题']}")
print(f"前置条件: {test_case['前置条件']}")
print(f"操作步骤: {test_case['操作步骤']}")
print(f"预期结果: {test_case['预期结果']}")
print()
else:
print("未提取到测试用例内容，请检查AI生成的内容格式。")
# 将提取的测试用例保存到 Excel 文件
def save_to_excel(test_cases, file_path):
# 将测试用例转换为 DataFrame
df = pd.DataFrame(test_cases)
# 设置 Excel 写入器，支持自动换行
with pd.ExcelWriter(file_path, engine='xlsxwriter') as writer:
df.to_excel(writer, index=False, sheet_name='测试用例')
# 获取工作表对象
worksheet = writer.sheets['测试用例']
# 设置列宽和自动换行
for idx, col in enumerate(df.columns):
# 设置列宽
worksheet.set_column(idx, idx, 30)
# 设置自动换行
for row in range(len(df) + 1):
worksheet.write(row, idx, df.iloc[row - 1][col] if row > 0 else col, writer.book.add_format({'text_wrap': True}))
# 定义 Excel 文件路径
excel_file_path = 'C:/Users/其它/测试用例.xlsx'
# 保存到 Excel 文件
save_to_excel(extracted_test_cases, excel_file_path)
print(f"测试用例已保存到文件: {excel_file_path}")其它
- 本地部署Ollama：https://www.sunweisu.xyz/2025/02/17/post/57724/
- 推荐使用本地部署的接口或者公司团体部署的AI接口，如果使用别人的接口可能会导致需求机密泄露
- 如果想要添加其他的测试用例字段：修改AI提示词，在extract_test_cases中添加对应的字段
- 部署其他模型修改response = client.chat(model=’你的模型名字’, messages=messages)
- 修改API：
client = Client( host='你的地址', headers={'x-some-header': 'some-value'} ) - 优化方向：AI提示词优化，把生成的excel命名为时间这样就不会生成错误了，修改正则匹配，其它的暂时没有想到，有空后续优化
- 因为每次AI的结果不是一样的，所以有时候会匹配不到结果就不会写入excel文档，或者都在一行写着，只需要重新运行即可
- 如果不够细腻或者想以特定的测试方法进行生成只需要修改AI提示词即可，保证AI输出包含你设置的测试用例字段
运行结果展示
模型运行要求
Windows仅供参考其它系统可以自行百度
DeepSeek R1模型: 1.5B (4-bit)
GPU 运行:
最低3GB显存（如GTX 1060 6GB)
CPU 运行:
需4核CPU + 8GB内存
模型大小: 1.1GB
ollama run deepseek-r1:1.5b
DeepSeek R1模型: 7B (4-bit)
GPU 运行:
最低4GB显存（如GTX 1650）
CPU 运行:
需8核CPU + 16GB内存
模型大小: 4.7GB
ollama run deepseek-r1:7b
DeepSeek R1模型: 8B (4-bit)
GPU 运行:
最低5GB显存（如GTX 1660）
CPU 运行:
需8核CPU + 18GB内存
模型大小: 4.9GB
ollama run deepseek-r1:8b
DeepSeek R1模型: 14B (4-bit)
GPU 运行:
最低8GB显存（如RTX 3070）
CPU 运行:
需12核CPU + 32GB内存
模型大小: 9.0GB
ollama run deepseek-r1:14b
DeepSeek R1模型: 32B (4-bit)
GPU 运行:
推荐24GB显存（如RTX 4090）
CPU 运行:
需16核CPU + 64GB内存
模型大小: 20GB
ollama run deepseek-r1:32b
DeepSeek R1模型: 70B (4-bit)
GPU 运行:
需多卡（如2xA100 40GB）
CPU 运行:
需32核CPU + 128GB内存
模型大小: 43GB
ollama run deepseek-r1:70b
