Python自动化测试核心是选对工具、理清逻辑、区分场景：接口测试用requests+pytest模拟请求并校验响应字段，单元测试用pytest/unittest+mock隔离验证函数逻辑，二者均需覆盖关键分支并及时维护。
Python做自动化测试，核心是用对工具、写清逻辑、分清场景——接口测试重在模拟请求和校验响应，单元测试重在隔离验证函数或类的内部行为。两者目标一致：快速发现代码问题，但出发点和实现方式不同。
接口测试：用requests + pytest搭轻量可靠流程
接口测试本质是“发请求→拿响应→比结果”。推荐组合：requests发请求，pytest组织用例，allure或pytest-html生成报告。
- 先封装一个基础请求类，统一处理headers、超时、session复用，避免重复写token或base_url
- 用pytest.mark.parametrize驱动多组参数（如不同手机号、密码），一条用例覆盖多种输入
- 响应断言别只看status_code，要检查关键字段是否存在、类型是否正确、业务码是否为0，例如：red">assert res.json().get("code") == 0 and isinstance(res.json().get("data"), dict)
- 敏感信息（如账号密码）不要硬编码，从config.yaml或环境变量读取；测试数据可放json文件里，按场景分类管理
单元测试：用unittest或pytest隔离函数，专注逻辑本身
单元测试不走网络、不连数据库，靠mock切断外部依赖。重点验证：输入A → 是否返回B？异常输入 → 是否抛出预期异常？
- 函数级测试：直接调用被测函数，传入构造好的参数，断言返回值。比如测试一个格式化日期的函数，传入"2023-10-01"，检查输出是否为"01/10/2023"
- 类方法测试：用setUp创建实例，测试前初始化状态；若方法依赖数据库，用unittest.mock.patch替换掉db.query，让它返回预设字典
- 异常测试：用pytest.raises(ValueError)包裹调用，确保非法输入真能触发错误；或用self.assertRaises在unittest中做同样事
- 覆盖率不是越高越好，但核心分支（if/else、try/except）必须覆盖。用pytest-cov跑完后看html报告，重点关注未执行的else块或异常路径
流程整合：从写到跑，形成小闭环
别等所有代码写完再测。建议边开发边加测试，每天提交前本地跑通关键用例。
立即学习“Python免费学习笔记（深入）”；
- 目录结构清晰：test_api/ 放接口用例，test_unit/ 放函数类测试，conftest.py统一配置fixture（如共享session、清理测试数据）
- CI中加入pytest命令，例如：pytest test_api/ -m "smoke" --alluredir=./report/allure && allure serve ./report/allure，让冒烟测试自动触发报告
- 失败用例立刻定位：打印请求URL、入参、响应体（注意脱敏）、断言失败详情。避免只写assert r.status_code == 200，而要写成assert r.status_code == 200, f"Expected 200, got {r.status_code}, body: {r.text[:200]}"
- 定期清理过期用例。接口字段变了、状态码调整了，对应测试必须同步更新，否则“假绿灯”比报错更危险
基本上就这些。不复杂但容易忽略——接口测试怕漏断言，单元测试怕没mock干净。动手写两三个真实用例，节奏就出来了。
