当前位置:网站首页>【jmeter】實現介面關聯的兩種方式:正則表示式提取器和json提取器
【jmeter】實現介面關聯的兩種方式:正則表示式提取器和json提取器
2020-11-06 01:18:00 【itread01】
關聯通俗來講就是把上一次請求的返回內容中的部分截取出來儲存為引數,用來傳遞給下一個請求使用。
示例:
1.使用者密碼進行登入,登入後生成authentication
2.需要將登入介面響應結果中authentication的作為一個引數,傳給下一個介面
如下圖,需要提取登入介面返回的authentication傳遞給下一個預約訂單列表介面header中
一、使用正則表示式提取器實現介面關聯
1.新增方式:在需要獲取資料的請求上(該場景中為登入介面) 右鍵-->後置處理器--> 選擇正則表示式提取器
引數說明:
引用名稱:即下一個請求要引用的引數名稱,如填寫authentication,則可用${ authentication}引用它。
正則表示式:()括起來的部分就是要提取的。.代表任意字元,+表示一次或多次,*代表出現任意次。(具體正則表示式規則可百度)
模板:用$$引用起來,如果在正則表示式中有多個正則表示式,則可以是$2$,$3$等等,表示解析到的第幾個值給authentication。本處只有1個,所有使用$1$。
匹配數字:0代表隨機,-1代表所有,其餘正整數代表將在檢查的內容中,第幾個匹配的內容提取出來。
2.在後面的介面中使用${authentication}引用
二、使用json提取器實現介面關聯
使用場合:介面關聯,當前一個介面返回的資料型別為json格式的資料,需要從返回的json資料中提取資料。
1.新增方式:在需要獲取資料的請求上(該場景中為登入介面) 右鍵-->後置處理器--> 選擇JSON提取器
引數說明:
Name of created varialies:即下一個請求要引用的引數名稱,如填寫authentication,則可用${ authentication}引用它。
JSON Path expressions:填寫jsonpath,格式:$. 節點名稱 根節點用 “.” 表示
Match Numbers:0代表隨機,-1代表所有,其餘正整數代表將在檢查的內容中,第幾個匹配的內容提取出來。
Default Values:找不到時預設值,一般設定為NOT FOUND
Compute concatenation var(suffix_ALL):是否統計所有,即將匹配到的所有值儲存,名為“變數名_ALL”
2.替換變數為${ 變數名}
三、返回複雜json資料的提取
例如獲取陣列型別的資料:第二個item中第一個hospTags中name值,可以先在察看結果樹種選擇Json Path Tester檢視返回的相應資料,Json Path Expression輸入需要通過jsonpath方式獲取的值點選Test檢查結果是否正確
新增方式:右鍵-->後置處理器--> 選擇JSON提取器
版权声明
本文为[itread01]所创,转载请带上原文链接,感谢
https://www.itread01.com/content/1604495046.html
边栏推荐
- 恕我直言,我也是才知道ElasticSearch条件更新是这么玩的
- 中国提出的AI方法影响越来越大,天大等从大量文献中挖掘AI发展规律
- 制造和新的自动化技术是什么?
- python jieba分词(结巴分词)、提取词,加载词,修改词频,定义词库
- 直播预告 | 微服务架构学习系列直播第三期
- 被老程式設計師壓榨怎麼辦?我不想辭職
- 如何将分布式锁封装的更优雅
- 哇,ElasticSearch多字段权重排序居然可以这么玩
- Every day we say we need to do performance optimization. What are we optimizing?
- 接口压力测试:Siege压测安装、使用和说明
猜你喜欢
随机推荐
Jmeter——ForEach Controller&Loop Controller
Asp.Net Core學習筆記:入門篇
Details of dapr implementing distributed stateful service
用Python构建和可视化决策树
利用 AWS SageMaker BlazingText 对不均衡文本进行多分类
TensorFlow2.0 问世,Pytorch还能否撼动老大哥地位?
nlp模型-bert从入门到精通(一)
(1)ASP.NET Core3.1 Ocelot介紹
遞迴思想的巧妙理解
通过深层神经网络生成音乐
神经网络简史
Kitty中的动态线程池支持Nacos,Apollo多配置中心了
嘘!异步事件这样用真的好么?
免费的专利下载教程(知网、espacenet强强联合)
給萌新HTML5 入門指南(二)
windows10 tensorflow(二)原理实战之回归分析,深度学习框架(梯度下降法求解回归参数)
keras model.compile损失函数与优化器
事半功倍:在没有机柜的情况下实现自动化
对pandas 数据进行数据打乱并选取训练机与测试机集
制造和新的自动化技术是什么?