如何搭建分布式测试执行系统

　　1 相关说明

　　1.1 背景简介

　　随着一个产品的自动化工作不断深入，自动化的case积累数量持续增长，绝大部分毫无依赖关系的case由于串行运行，测试执行时间达到小时界别，且不易于优化。另外，ci运行时所需机器资源的抢占互斥，运行机器的不稳定等问题也逐渐扩大。

　　Hadoop分布式测试执行方案正是为了解决以上问题而产生，通过分布式执行，可以达到并行运行，提高执行效率的目的;另外，hadoop提供调度，重试等机制功能，可以提供给用户一个相对透明的计算资源池，减少用户对机器运行环境的依赖。

　　1.2 分布式平台的选择

　　本方案采用hadoop来作为分布式平台。首先是Hadoop是一个开源项目，有非常好的技术支持，二就是hadoop有成熟的分布式调度算法，可以很好的利用每台机器的cpu和内存资源，达到计算资源最优分配，三就是hadoop程序易于编写，便于维护。

　　1.3 名词解释

　　：apache基金会的开源分布式框架。

　　Mapreduce ：hadoop的计算模型，由map任务和reduce任务组成。

　　Jobtracker ：hadoop计算系统的总控。

　　Tasktracker ：hadoop计算系统的子节点。

　　Slot(槽位) ：tasktracker的最小计算分配单元，一个槽位可以对应一个map任务，一个机器启动一个tasktracker，槽位的话按照机器的cpu核数来分配，一般是”核数-1”。

　　2 分布式测试执行方案

　　2.1 传统的单机测试执行流程

　　一般的单机测试流程分为5步，如下图所示：

　　1、lib库安装。包括测试框架的lib库安装以及基于该测试框架的产品业务层lib。

　　2、测试环境安装。主要指被测对象的测试环境安装，包括数据库安装，server端安装等。

　　3、case下载。从svn或者case库获取需要执行的case。

　　4、case运行。

　　5、发送报告。

　　单机测试执行的优点在于逻辑简单，易于实现，缺点就是case要串行执行，无法有效里有机器的cpu和内存资源。举个例子，现在有一个8核16G的测试机，每个case的平均cpu使用率为10%，内存消耗1G，在这样的情况，一般可以做到至少6个case并行化，优化效率是不言而喻的。

　　2.2 从单机测试到分布式测试执行的逻辑

　　有了以上的五个步骤及相关分析，我们考虑其中可以并行执行来进行优化的就是测试执行这块了，其他lib库安装，测试环境安装等都基本是最小单元，不易切分了。

　　所以从单机到分布式主要是Case执行集合的一个拆分。所以简单说，单机和分布式的区别就是case输入集合有变“而已，其他单机的测试执行过程基本不变。对于测试工程师来说，这个过程是透明的，只是执行case的环境从单机切换到多机。

　　下图简要的表示了case从单机到多机的变化(6位的数字是caseid)。

　　2.3 分布式运行逻辑

　　这里的逻辑主要是两块，一部分是本地部分，一部分是分布式节点机器部分。我们将分布式测试执行过程封装到一个hadoop job里。

　　本地部分：

　　1、获取计算资源。这里的计算资源指可用的tasktracker的槽位数，这个槽位是case切分的分母。

　　2、根据计算资源生成case列表。有了槽位数，最简单的切分算法就是：每节点case数=总case数/槽位数。

　　3、业务层自定义操作。例如业务层测试执行时需要的程序或者配置获取，依赖的大数据推送到hdfs等。

　　4、配置hadoop的job。包括input，output，执行job所需的文件或者tar包等。这里的input就是case列表。

　　5、执行测试执行job。这个实际是个hadoop job。

　　6、发送报告。汇总每个节点的运行结果，并发出报告。

　　每个tasktracker的map任务输入是切分后的case列表，通过这种方式将整个测试执行部分分发到每个tasktracker上。

　　节点部分：

　　1、准备case列表。从map的input获取。

　　2、根据case列表下载case。，这里类似于本地单机版的case获取，来源仍然是SVN或者CASE库。

　　3、安装lib库。同本地单机版。

　　4、安装测试环境。同本地单机版。

原文转自：http://www.ltesting.net