人工智能测试-爬百度成语-测成语接龙

前言

       本意，昨晚想发一文，在梳理思路找笔记一小半时，一朋友跟伴侣吵架了，突然从技术写文转变到情感“砖家”，微信聊了一个多小时，脑力都用光了，早上开会上传了一下调整后的代码，中午补一下文，完成既定目标。

 

一、起因

去年在测试公司的人工智能产品中的一功能【成语接龙】，人工语音测试总玩不过【琥珀】小姐姐，叹自身知识匮乏、小琥珀之刁钻；

于是乎，网络找了几个成语数据库，找了几个现成的API，弄成自动化跑的时，自信满满时，【琥珀】却找出大量的非四字成语；

脏数据太多，很有挫败感，于是另谋出路，百度成语相对靠谱，就你了，本文为很简单的测试，主要看测试思路。

二、百度成语HTML解析

2.1、浏览器打开百度成语

https://hanyu.baidu.com/s?wd=成语

2.2、分析HTML与规律

步骤： 1、正常请求--》2、抓包分析--》3、模拟请求--》不成功---》4、抓包对比分析

所有基本就是循环以上步骤直至成功为止（反爬另说，主要是变换请求信息，伪装不同的用户请求）。

2.2.1)、正常请求：略

2.2.2)、抓包分析

实操如下，很容易就找到规律，图1图2一对比，就可以找到变化的内容

• 请求地址：https://hanyu.baidu.com/hanyu/ajax/search_list?wd=%E6%88%90%E8%AF%AD&from=poem&pn=页数&_=点击时间戳

说明：忽略cookie，实测不需要，也没有反爬机制，但本文还是会保存cookie请求

• 数据标签分析

将抓包的数据，拷贝，在线Json格式化，可以得到比较好看的结构：

 

json数据解析，得知一页20个成语，自己所需要信息结构如下：

成语：ret_array[x].name

拼音：ret_array[x].pinyin

总页数：extra.total-page

2.2.3)、模拟请求

• [工具请求]-初步成功，可以编写脚本了

这一步只是防止蒙头写脚本，分析不到位，瞎整半天啥的。

3、编写脚本（模拟请求） 

# -*- coding: utf-8 -*-
"""
@author: findyou
@contact: albert.peng@foxmail.com
@version: 1.0
@license: Apache Licence
@file: get_idiom_from_baidu.py
@time: 2018/10/21 20:35
"""

__author__ = 'albert'
__version__ = '1.0'

import json
import sqlite3

import os
import requests
import socket
import time
import sys

# 总页数，直接手动，不去获取了
page_count = 1546

# 组装请求头
header = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    'Accept-Encoding': 'gzip, deflate, sdch',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Connection': 'keep-alive',
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'
}
# 默认数据库
db_filename = 'idiom.sqlite3'


def get_idiom_data(start_pagenum=1, end_pagenum=10, all=False):
    '''
      爬取百度成语数据，解析并保存到数据到数据库
      :param start_pagenum: 默认从第1页开始
      :param end_pagenum: 默认第10页结束
      '''
    global page_count, header

    # 统计成语条数
    idiom_count = 0
    # 进度条
    page_num = 0
    get_url = 'https://hanyu.baidu.com/hanyu/ajax/search_list?wd=%E6%88%90%E8%AF%AD&from=poem&pn={}&_={}'.format(1, int(round(time.time() * 1000)))

    # 获取全部成语
    if all:
        end_pagenum = page_count

    for i in range(start_pagenum, end_pagenum + 1):
        # 连接数据库
        conn = sqlite3.connect(db_filename)
        cursor = conn.cursor()

        # 当前时间戳
        # t = int(round(time.time() * 1000))
        # 模拟请求获取json数据
        try:
            # 自动保存cookie
            s = requests.session()
            header['Referrer'] = get_url

            # 百度 ajax 成语请求API
            get_url = 'https://hanyu.baidu.com/hanyu/ajax/search_list?wd=%E6%88%90%E8%AF%AD&from=poem&pn={}&_={}'.format(i, int(round(time.time() * 1000)))

            # 模拟请求
            result = s.get(get_url, headers=header)
            # 判断请求是否成功
            if result.status_code == 200:
                res = json.loads(result.text)
                page_count = res['extra']['total-page']
                # 得到返回的成语
                for a in range(len(res['ret_array'])):
                    txt = res['ret_array'][a]
                    # 条数递增
                    idiom_count += 1

                    # 目前只需：成语、拼音
                    name = (get_vaule(txt, 'name'))[0].strip()
                    pinyin = (get_vaule(txt, 'pinyin'))[0].strip()
                    pinyin_list = pinyin.split(" ")

                    # 例句
                    # liju = get_vaule(txt, 'liju')[0]
                    # 出处
                    # tmp = get_vaule(txt, 'source')[0]
                    # if len(tmp) > 0:
                    #     source = tmp.replace('"', '').replace("'", "").replace('
', '')
                    # else:
                    #     source = ''
                    # 同义词
                    # get_vaule(txt, 'synonym')
                    # tmp = get_vaule(txt, 'term_synonym')
                    # if len(tmp) > 0:
                    #     synonym = tmp
                    # else:

                    # ID，成语，拼音，成语首字，尾字，首拼，尾拼
                    cursor.execute(
                        'insert into IDIOM (ID,NAME,PINYIN,NAMEF,NAMEL,PINYINF,PINYINL) values (NULL,"%s","%s","%s","%s","%s","%s")' %
                        (name, pinyin, name[0], name[len(name) - 1], pinyin_list[0], pinyin_list[len(pinyin_list) - 1]))
            else:
                print("获取数据失败：第"+i+"页")
        except requests.exceptions.ConnectTimeout as e:
            print("http请求超时！" + str(e))
        except socket.timeout as e:
            print("请求超时！ " + str(e))
        except socket.error as e:
            print("请求错误！" + str(e))
        finally:
            # 每获取一页，保存一次
            cursor.close()
            conn.commit()
            conn.close()
        # 进度条
        page_num += 1
        view_bar(page_num, end_pagenum)
    print('
本次爬取[百度成语] :  第 ' + str(start_pagenum) + ' 至 ' +
          str(end_pagenum) + ' 页，共计 ' + str(idiom_count) + ' 条')

def view_bar(num, total):
    '''进度条'''
    rate = num / total
    rate_num = int(rate * 100)
    # r = '
 %d%%' %(rate_num)
    r = '
[%s>] %d%%' % ('=' * rate_num, rate_num)
    sys.stdout.write(r)
    sys.stdout.flush


def get_vaule(idiom_dict, key_vaule):
    if key_vaule in idiom_dict.keys():
        return idiom_dict[key_vaule]
    else:
        return [' ']


def init_db(filename=db_filename):
    '''
     如果数据库不存在，自动在当前目录创建idiom.sqlite3:
    '''
    if not os.path.exists(filename):
        conn = sqlite3.connect(filename)
        # 创建一个Cursor:
        cursor = conn.cursor()
        # 建表ID 自增长key
        cursor.execute(
            'CREATE TABLE IDIOM (ID INTEGER PRIMARY KEY AUTOINCREMENT, NAME VARCHAR(100),NAMEF VARCHAR(10),NAMEL VARCHAR(10),
              PINYIN VARCHAR(100),PINYINF VARCHAR(10),PINYINL VARCHAR(10))')
        # 关闭Cursor:
        cursor.close()
        # 提交事务:
        conn.commit()
        # 关闭Connection:
        conn.close()


if __name__ == '__main__':
    # 初始化数据库
    init_db()

    # 获取1-10页的数据，数据库只会往里一直加数据，未做去重，所以以下三个方式，用最后一种。
    # get_idiom_data()

    # 获取x-x页的数据
    # get_idiom_data(start_pagenum=10,end_pagenum=30)

    # 获取所有数据
    get_idiom_data(all=True)

执行> python get_idiom_from_baidu.py

[====================================================================================================>] 100%
本次爬取[百度成语] : 第 1 至 1546 页，共计 30875 条

源码：https://github.com/findyou/idiom_from_baidu

4、存在的问题

1、本脚本没有应对反爬虫机制(但实测不需要)

简单方案：请求头收集一堆，list随机取值

完整一点：代理IP+请求头list

 

2、保存数据较少，需要完整的成语数据

• 解析你想要的数据：第88行 -- 102行间
• 数据库增加你想要的字段：第154行 -- 155行
• 增加要保存的数据：第106行 -- 107行

3、成语数据不全

• 再爬其他成语库补充

3、单线程，速度慢

自已解决一下

三、自动化测试(接口层)

1、成语接龙游戏

正接，即接的成语的前一个字和问的成语的最后一个字一致（同字或同音都可），目前【琥珀】只支持正接中的尾首同字

2、自动化简单方案

• 识别【琥珀】说的成语，判断是否成语
• 如是成语，取其【尾字】，在数据库中获取【首字】一样的成语列表，随机给出一个成语继续。
• 不是成语，记录

说明：所以第二部分爬取成语只需保存数据：成语，首字，尾字

3、测试结果

正常用例-自动测试结果：

4、问题

1、如何做语音自动化方案？

其实主要测试逻辑一样，只需要多解决自动化用例TTS播报，被测的ASR(或文本)获取。

2、这自动化只是一个简单的功能测试，无法达到智能测试的效果？

对的，此方案仅覆盖的是成语的正确性；

趣味性、情感化等回复的语料，可人工标注或者其他方案。

想知道如何测试，私下交流。