Seminar Airtest – Bildbasierte UI-Automatisierung mit stabilen Templates

Das Grundlagenseminar entwickelt von der ersten Bildvorlage bis zur wartbaren Testsuite eine robuste Methode für visuelle UI-Automatisierung.

Inhaltsverzeichnis

1. Seminarprofil
2. Lernziele
3. Schrittweise Lernstrecke
4. Praxisbausteine
5. Zielgruppe und Voraussetzungen
6. Didaktische Einordnung

Seminarprofil

Die Lernstrecke behandelt Setup, Zielverbindung, Airtest-Kern-APIs, Vorlagenerstellung, Synchronisation, Assertions, Auflösungsfragen und Python-Teststruktur. Ein zusammenhängendes Praxisprojekt zeigt, wie Bildtests lesbar, reproduzierbar und diagnostizierbar bleiben.

Lernziele

• Airtest-Umgebungen installieren und Ziele anbinden
• Bildvorlagen kontrolliert erstellen
• Interaktionen und Wartebedingungen kombinieren
• Tests gegen Auflösungsabweichungen stabilisieren
• eine wartbare visuelle Testsuite aufbauen

Schrittweise Lernstrecke

1. Arbeitsumgebung und Projektstart

1. Systemvoraussetzungen, Schreibrechte, Projektpfade und notwendige Laufzeitkomponenten werden vor der Installation geprüft.
2. AirtestIDE und eine lokale Python-Umgebung werden hinsichtlich Zweck, Abhängigkeiten und reproduzierbarer Nutzung getrennt eingerichtet.
3. Ein Selbsttest validiert Codeausführung, Bildaufnahme, Logverzeichnis, Berichtsfunktion und Zugriff auf das Zielsystem.

2. AirtestIDE effizient einsetzen

1. Gerätefenster, Skripteditor, Airtest-Werkzeuge, Poco-Fenster, Logansicht und optionale Browseransicht werden funktional eingeordnet.
2. Python-Pfad, Launcher, Logpfad, Editorverhalten und notwendige Plugins werden kontrolliert konfiguriert.
3. Aufgezeichnete Schritte werden bereinigt, benannt und um klare Vorbedingungen, Assertions und Fehlertexte ergänzt.

3. Geräte- und Anwendungsverbindung

1. Zielsysteme werden mit einer festen Diagnosefolge aus Treiber-, Port-, Berechtigungs-, Prozess- und Netzprüfungen verbunden.
2. Sitzungsaufbau, Anwendungsstart, Statusprüfung und kontrolliertes Beenden werden in wiederverwendbare Hilfsfunktionen überführt.
3. Verbindungsabbrüche werden protokolliert und nur unter klaren Bedingungen automatisch wiederhergestellt.

4. Bildbasierte Interaktionen und stabile Vorlagen

1. Bildvorlagen werden auf eindeutige, statische Merkmale begrenzt und von dynamischen Texten, Animationen oder Dekorationen getrennt.
2. Zielposition, Erkennungsschwelle, Referenzauflösung und erwarteter Kontext werden direkt am Bildobjekt dokumentiert.
3. Touch, Wischen, Texteingabe, Warten und Assertions werden zu nachvollziehbaren Benutzerwegen mit überprüfbaren Nachzuständen kombiniert.

5. Matching, Suchräume und Auflösungsanpassung

1. Positive, grenzwertige und negative Bildschirmzustände werden als Kalibrierungsmenge für jedes kritische Bildobjekt zusammengestellt.
2. Schwellen, Suchregionen, Skalierungsregeln und Zielpositionen werden anhand realer Geräte- oder Fensterkonfigurationen abgestimmt.
3. Nichtfunde, falsche Treffer und schwankende Konfidenzen erhalten unterschiedliche Diagnose- und Korrekturpfade.

6. Synchronisation und Zustandsübergänge

1. Pauschale Pausen werden soweit möglich durch Sichtbarkeits-, Verschwinde-, Eigenschafts- oder Stabilitätsbedingungen ersetzt.
2. Timeouts werden nach Prozessstufe differenziert und mit einer diagnostisch verwertbaren Fehlerbeschreibung verbunden.
3. Animationen, Ladephasen und asynchrone Vorgänge erhalten definierte Eintritts- und Austrittskriterien.

7. Assertions und Qualitätsregeln

1. Technische Vorprüfungen, fachliche Erwartungen und Diagnoseprüfungen erhalten unterschiedliche Assertionstypen.
2. Fehlermeldungen enthalten Szenario, erwartetes Ergebnis, tatsächliche Beobachtung und relevante Kontextdaten.
3. Eine Review-Checkliste prüft Testabsicht, Ausgangszustand, Synchronisation, Selektor, Bildobjekt und Bereinigung.

8. Python-Testdesign und Wiederverwendung

1. Tests, Screen-Objekte, Plattformadapter, Bildobjekte, Konfiguration und Testdaten werden in klar getrennte Module gegliedert.
2. Globale Zustände und doppelte Klickfolgen werden durch explizite Parameter, Rückgabewerte und fachlich benannte Funktionen ersetzt.
3. Unit- und Integrationstests sichern Hilfsbibliotheken ab, bevor reale Geräte in die Prüfung einbezogen werden.

9. Logging, Berichte und Diagnoseartefakte

1. Jeder Lauf erhält eine eindeutige Identität, die in Logpfad, Bericht, Screenshot und Zusatzartefakt wiederverwendet wird.
2. Fachliche Kontrollpunkte und technische Zustandswechsel werden mit unterschiedlich kategorisierten Logeinträgen dokumentiert.
3. Fehlerartefakte enthalten erwarteten Zustand, tatsächliche Beobachtung, letzten stabilen Schritt und relevante Geräte- oder UI-Daten.

10. Durchgängiges Praxisprojekt

1. Ein repräsentativer Benutzerweg wird in Ausgangszustand, fachliche Schritte, Kontrollpunkte und Abschlusszustand zerlegt.
2. Die Testsuite wird schrittweise implementiert, auf Varianten ausgeführt und durch absichtlich erzeugte Störungen geprüft.
3. Ergebnisse werden anhand von Stabilität, Verständlichkeit, Laufzeit, Wartbarkeit und Diagnosequalität bewertet und verbessert.

Praxisbausteine

1. Reproduzierbare Arbeitsumgebung
2. Kalibrierte Bildobjektbibliothek
3. Synchronisierter End-to-End-Ablauf
4. Stabilitätstest mit Layout- und Timingvarianten

Zielgruppe und Voraussetzungen

Zielgruppe: Testautomatisierer, QA Engineers, Game Tester, Entwickler und technische Tester.

Voraussetzungen: Grundkenntnisse in Softwaretests; elementare Python-Kenntnisse sind hilfreich.

Didaktische Einordnung

Drei Tage sind notwendig, um Setup, Kern-APIs, Bildqualität, Synchronisation, Auflösungsanpassung, Teststruktur und eine vollständige Praxisstrecke mit ausreichender Übungszeit abzudecken.

Kurze Fachimpulse werden unmittelbar durch Demonstrationen, geführte Umsetzungsschritte, eigenständige Übungen und kontrollierte Fehlerfälle vertieft. Jeder Praxisblock verwendet definierte Ausgangszustände, überprüfbare Zwischenergebnisse und dokumentierte Diagnoseinformationen.