别再用手工测接口了，Python 脚本帮你自动跑回归

每次版本迭代，测试团队最头疼的往往不是发现新 Bug，而是那些重复了无数遍的回归测试。尤其是接口测试，面对几十个甚至上百个 API，手工在 Postman 里一个个点、复制参数、比对返回结果，不仅耗时耗力，还容易因为疲劳导致漏测或看错数据。当开发频率加快到一天几个构建时，这种“人肉运维”的模式显然已经成了瓶颈。

其实，对于大多数中小项目或快速迭代的场景，我们并不需要立刻引入庞大复杂的自动化框架。利用 Python 强大的生态，只需几十行代码，就能写出一个轻量级的自动化脚本，把我们从机械的重复劳动中解放出来。

告别手工点击：用 requests 封装核心请求

我们可以封装一个简单的函数，统一处理 GET 和 POST 请求。这样无论后续有多少个用例，调用逻辑都是一致的。以下是一个基础的封装示例：

importrequestsdefrun_api_request(method,url,params=None,data=None):""" 封装通用的请求执行函数 :param method: 'GET' 或 'POST' :param url: 接口地址 :param params: URL 查询参数 (字典) :param data: 请求体数据 (字典或 JSON) :return: 响应状态码和响应内容 """try:ifmethod.upper()=='GET':response=requests.get(url,params=params,timeout=10)elifmethod.upper()=='POST':# 自动将字典转换为 JSON 发送response=requests.post(url,json=data,timeout=10)else:returnNone,"不支持的请求方法"# 返回状态码和响应文本returnresponse.status_code,response.textexceptExceptionase:returnNone,str(e)

这段代码虽然简单，却解决了手工测试中的几个痛点：统一的超时控制、异常捕获（防止网络波动导致脚本直接崩溃），以及自动处理 JSON 数据序列化。现在，你不再需要关心底层的连接细节，只需要关注输入和输出。

数据驱动：从硬编码到读取测试用例

有了执行函数，接下来要解决的是“测什么”的问题。手工测试时，用例通常散落在 Excel 表格或文档里。为了让脚本能批量跑，我们需要把这些用例数字化。

对于初学者，JSON格式是最友好的选择。它既是标准的配置文件格式，又与 Python 的字典结构天然契合。我们可以创建一个test_cases.json文件，把待测接口整理成列表：

[{"case_id":"001","name":"获取用户信息","method":"GET","url":"http://api.example.com/user/123","params":{},"expected_code":200},{"case_id":"002","name":"创建新订单","method":"POST","url":"http://api.example.com/order","data":{"product_id":88,"count":1},"expected_code":201}]

如果你的团队习惯用 Excel，也可以利用pandas或openpyxl库读取，原理相同：将每一行转换成一个包含method、url、data等字段的字典对象。关键在于，测试数据与执行逻辑分离。以后新增用例，只需修改 JSON 文件，无需动代码一行。

一键批量执行：循环与结果反馈

最后一步，是将数据与执行函数串联起来。通过一个简单的循环，脚本可以依次读取用例、发起请求、并即时打印结果。

importjsondefmain():# 加载测试用例withopen('test_cases.json','r',encoding='utf-8')asf:cases=json.load(f)print(f"开始执行回归测试，共{len(cases)}个用例...\n")pass_count=0forcaseincases:method=case['method']url=case['url']params=case.get('params')data=case.get('data')expected=case['expected_code']# 执行请求status_code,result=run_api_request(method,url,params,data)# 简单的断言逻辑ifstatus_code==expected:verdict="✅ 通过"pass_count+=1else:verdict="❌ 失败"# 打印单条结果print(f"[{case['case_id']}]{case['name']}->{verdict}"f"(期望:{expected}, 实际:{status_code})")print(f"\n测试结束。总计：{len(cases)}, 通过：{pass_count}, 失败：{len(cases)-pass_count}")if__name__=='__main__':main()

运行这个脚本，你会看到控制台像流水线一样输出每条用例的执行情况。原本需要半小时手工点点点的回归任务，现在几秒钟就能完成。如果某个接口返回了非预期的状态码，脚本会立即标记为“失败”，让你能迅速定位问题。

从手动到自动的思维转变

这个脚本虽然没有华丽的报告界面，也没有复杂的并发机制，但它完成了一次质的飞跃：将不确定的手工操作变成了可重复、可验证的代码流程。

对于刚接触自动化的同学来说，不必一开始就追求完美的框架设计。先试着把最痛的那个重复环节用几行代码替代，哪怕只是每天节省 10 分钟，长期积累下来的效率提升也是惊人的。当你跑通了这个最小可行性脚本，再去考虑如何生成 HTML 报告、如何接入 CI/CD 流水线，一切都会变得顺理成章。

下次版本发布前，试着关掉 Postman，运行一下你的 Python 脚本吧。让机器去处理重复，让人脑去思考更复杂的业务逻辑，这才是技术带来的真正自由。