准备工作： pip install ddt
知识点：
一，数据驱动和代码驱动：
数据驱动的意思是 根据你提供的数据来测试的 比如 ATP框架 需要excel里面的测试用例
代码驱动是必须得写代码 它才能测试 比如说unittest
二，使用数据驱动框架的意义：
– 代码复用率高。同一测试逻辑编写一次，可以被多条测试数据复用，提高了测试代码的复用率，同时可以提高测试脚本的编写效率。
– 异常排查效率高。测试框架依据测试数据，每条数据生成一条测试用例，用例执行过程相互隔离，在其中一条失败的情况下，不会影响其他的测试用例。
-代码的可维护性高。清晰的测试框架，利于其他测试工程师阅读，提高了代码的可维护性。
tips : 参数少的用yml挺好 参数多的，用json xx.json 格式 这种上下有依赖关系的 就写py文件
文件名.json的话是json文件里面要写json串
yml每个接口都是独立运行的
DDT 使用
DDT包含类的装饰器ddt和两个方法装饰器data（直接输入测试数据），file_data（可以从json或者yaml中获取测试数据）
只有yaml和yml结尾的文件以yaml形式上传，其他情况下默认为json
通常情况下，data中的数据按照一个参数传递给测试用例，如果data中含有多个数据，以元组，列表，字典等数据，需要自行在脚本中对数据进行分解或者使用unpack分解数据
@data(a,b)
那么a和b各运行一次用例
@data([a,b],[c,d])
如果没有unpack，那么[a,b]当成一个参数传入用例运行
如果有unpack，那么[a,b]被分解开，按照用例中的两个参数传递
@file_data(filename)
对于json的文件，每一个json元素按照一个用例运行，可以依照python分解元组，列表或者字典的方式分解传入
实例：
import ddt
import unittest
# print(dir(ddt))@ddt.ddt
class MyCase(unittest.TestCase):
@ddt.data(1,2) #运行2次
def testa(self,value):
print(value) @ddt.data([1,2]) #运行1次
def testb(self,value):
print(value) @ddt.data([1,2],[3,4]) #不加unpack 会报错
def testc(self,a,b):
self.assertNotEqual(a,b) @ddt.data([1,2],[3,4]) #运行2次
@ddt.unpack
def testd(self,a,b):
self.assertNotEqual(a,b)if __name__ == '__main__':
unittest.main()
