Katalon写一个Groovy脚本,java8利用java-diff-util实现两个文件夹对比,并将比较结果以各文件名出力为HTML文件。要求:当文件在两个文件夹中都存在时,能识别隔行数据,将两个文件有差异的数据都出力到HTML中,解析两个文件的差异数据并将有差异的字段高亮显示出来;当文件只在一个文件夹中存在的文件,将结果出力到HTML中

时间: 2024-03-02 20:49:42 浏览: 18
以下是一个使用Katalon和java-diff-utils的Groovy脚本,实现对比两个文件夹并生成HTML文件,其中高亮显示有差异的字段: ``` import java.nio.file.Files import java.nio.file.Paths import java.util.zip.ZipInputStream import org.apache.commons.io.IOUtils import difflib.DiffUtils import difflib.Patch import com.kms.katalon.core.configuration.RunConfiguration import com.kms.katalon.core.logging.KeywordLogger def logger = new KeywordLogger() // 获取文件夹路径 def folderPath1 = RunConfiguration.getProjectDir().toString() + '/Folder1' def folderPath2 = RunConfiguration.getProjectDir().toString() + '/Folder2' // 获取文件夹中的文件列表 def fileList1 = Files.walk(Paths.get(folderPath1)).filter({Files.isRegularFile(it)}).map({it.toString()}).toList() def fileList2 = Files.walk(Paths.get(folderPath2)).filter({Files.isRegularFile(it)}).map({it.toString()}).toList() // 找出只在一个文件夹中存在的文件 def uniqueFiles = fileList1.plus(fileList2).groupBy({it}).findAll({it.value.size == 1}).keySet().toList() // 找出两个文件夹中都存在的文件 def commonFiles = fileList1.intersect(fileList2) // 生成HTML表格 def generateHtmlTable(List<String> files, String folderPath1, String folderPath2) { def table = "<table border='1'>\n<tr><th>File Name</th><th>File Compare Result</th></tr>\n" files.each { fileName -> def filePath1 = folderPath1 + "/" + fileName def filePath2 = folderPath2 + "/" + fileName def file1 = new File(filePath1) def file2 = new File(filePath2) if (file1.exists() && file2.exists()) { def content1 = IOUtils.toString(new FileInputStream(file1), "UTF-8") def content2 = IOUtils.toString(new FileInputStream(file2), "UTF-8") def patch = DiffUtils.diff(content1.tokenize('\n'), content2.tokenize('\n')) def diff = patch.getDeltas().collect({delta -> delta.getOriginal().getLines().collect({ "<strike>${it}</strike>"}) + delta.getRevised().getLines().collect({ "<span style='background-color:yellow;'>${it}</span>"}) }).flatten().join("\n") table += "<tr><td>${fileName}</td><td>${diff}</td></tr>\n" } else { def filePath = file1.exists() ? filePath1 : filePath2 table += "<tr><td>${fileName}</td><td>${filePath} only exists in one folder.</td></tr>\n" } } table += "</table>" return table } // 生成HTML文件 def generateHtmlFile(String htmlContent, String fileName) { def file = new File(RunConfiguration.getProjectDir().toString() + "/${fileName}.html") file.write("<html>\n<body>\n${htmlContent}</body>\n</html>") } // 生成只在一个文件夹中存在的文件的HTML表格 def uniqueTable = generateHtmlTable(uniqueFiles, folderPath1, folderPath2) generateHtmlFile(uniqueTable, "unique") // 生成两个文件夹中都存在的文件的HTML表格 def commonTable = generateHtmlTable(commonFiles, folderPath1, folderPath2) generateHtmlFile(commonTable, "common") ``` 请将上述脚本保存为一个Groovy文件,例如"CompareFolders.groovy",并将其添加到Katalon项目中。然后在Test Case中使用以下代码调用该脚本: ``` import com.kms.katalon.core.configuration.RunConfiguration import com.kms.katalon.core.testcase.TestCase import com.kms.katalon.core.testdata.TestData import com.kms.katalon.core.testdata.TestDataFactory import com.kms.katalon.core.testdata.TestDataInfo import com.kms.katalon.core.testdata.TestDataProperty // 获取Groovy脚本文件路径 def scriptPath = RunConfiguration.getProjectDir().toString() + "/Scripts/CompareFolders.groovy" // 调用Groovy脚本 def script = new GroovyShell().parse(new File(scriptPath)) script.run() ``` 执行该Test Case后,将会在Katalon项目目录下生成两个HTML文件,分别为只在一个文件夹中存在的文件和两个文件夹中都存在的文件的比较结果。

相关推荐

zip
基于强化学习的五子棋强化学习(Reinforcement Learning, RL),又称再励学习、评价学习或增强学习,是机器学习的范式和方法论之一。它主要用于描述和解决智能体(agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。强化学习的特点在于没有监督数据,只有奖励信号。 强化学习的常见模型是标准的马尔可夫决策过程(Markov Decision Process, MDP)。按给定条件,强化学习可分为基于模式的强化学习(model-based RL)和无模式强化学习(model-free RL),以及主动强化学习(active RL)和被动强化学习(passive RL)。强化学习的变体包括逆向强化学习、阶层强化学习和部分可观测系统的强化学习。求解强化学习问题所使用的算法可分为策略搜索算法和值函数(value function)算法两类。 强化学习理论受到行为主义心理学启发,侧重在线学习并试图在探索-利用(exploration-exploitation)间保持平衡。不同于监督学习和非监督学习,强化学习不要求预先给定任何数据,而是通过接收环境对动作的奖励(反馈)获得学习信息并更新模型参数。强化学习问题在信息论、博弈论、自动控制等领域有得到讨论,被用于解释有限理性条件下的平衡态、设计推荐系统和机器人交互系统。一些复杂的强化学习算法在一定程度上具备解决复杂问题的通用智能,可以在围棋和电子游戏中达到人类水平。 强化学习在工程领域的应用也相当广泛。例如,Facebook提出了开源强化学习平台Horizon,该平台利用强化学习来优化大规模生产系统。在医疗保健领域,RL系统能够为患者提供治疗策略,该系统能够利用以往的经验找到最优的策略,而无需生物系统的数学模型等先验信息,这使得基于RL的系统具有更广泛的适用性。 总的来说,强化学习是一种通过智能体与环境交互,以最大化累积奖励为目标的学习过程。它在许多领域都展现出了强大的应用潜力。

最新推荐

recommend-type

z-blog模板网站导航网站源码 带后台管理.rar

z-blog模板网站导航网站源码 带后台管理.rarz-blog模板网站导航网站源码 带后台管理.rar
recommend-type

基于TI的MSP430单片机的无叶风扇控制器+全部资料+详细文档(高分项目).zip

【资源说明】 基于TI的MSP430单片机的无叶风扇控制器+全部资料+详细文档(高分项目).zip基于TI的MSP430单片机的无叶风扇控制器+全部资料+详细文档(高分项目).zip基于TI的MSP430单片机的无叶风扇控制器+全部资料+详细文档(高分项目).zip 【备注】 1、该项目是个人高分项目源码,已获导师指导认可通过,答辩评审分达到95分 2、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 3、本项目适合计算机相关专业(人工智能、通信工程、自动化、电子信息、物联网等)的在校学生、老师或者企业员工下载使用,也可作为毕业设计、课程设计、作业、项目初期立项演示等,当然也适合小白学习进阶。 4、如果基础还行,可以在此代码基础上进行修改,以实现其他功能,也可直接用于毕设、课设、作业等。 欢迎下载,沟通交流,互相学习,共同进步!
recommend-type

1124905257887411C++图书管理系统.zip

1124905257887411C++图书管理系统.zip
recommend-type

node-v4.1.0-linux-armv7l.tar.xz

Node.js,简称Node,是一个开源且跨平台的JavaScript运行时环境,它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立,旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎,可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型,这使得它非常适合处理大量并发连接,从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外,Node.js使用了模块化的架构,通过npm(Node package manager,Node包管理器),社区成员可以共享和复用代码,极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展,它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等,因此,开发者可以用JavaScript编写全栈应用程序,这一点大大提高了开发效率和便捷性。 在实践中,许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台,如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能,简化了开发流程,并且能更快地响应市场需求。
recommend-type

基于强化学习的五子棋.zip

基于强化学习的五子棋强化学习(Reinforcement Learning, RL),又称再励学习、评价学习或增强学习,是机器学习的范式和方法论之一。它主要用于描述和解决智能体(agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。强化学习的特点在于没有监督数据,只有奖励信号。 强化学习的常见模型是标准的马尔可夫决策过程(Markov Decision Process, MDP)。按给定条件,强化学习可分为基于模式的强化学习(model-based RL)和无模式强化学习(model-free RL),以及主动强化学习(active RL)和被动强化学习(passive RL)。强化学习的变体包括逆向强化学习、阶层强化学习和部分可观测系统的强化学习。求解强化学习问题所使用的算法可分为策略搜索算法和值函数(value function)算法两类。 强化学习理论受到行为主义心理学启发,侧重在线学习并试图在探索-利用(exploration-exploitation)间保持平衡。不同于监督学习和非监督学习,强化学习不要求预先给定任何数据,而是通过接收环境对动作的奖励(反馈)获得学习信息并更新模型参数。强化学习问题在信息论、博弈论、自动控制等领域有得到讨论,被用于解释有限理性条件下的平衡态、设计推荐系统和机器人交互系统。一些复杂的强化学习算法在一定程度上具备解决复杂问题的通用智能,可以在围棋和电子游戏中达到人类水平。 强化学习在工程领域的应用也相当广泛。例如,Facebook提出了开源强化学习平台Horizon,该平台利用强化学习来优化大规模生产系统。在医疗保健领域,RL系统能够为患者提供治疗策略,该系统能够利用以往的经验找到最优的策略,而无需生物系统的数学模型等先验信息,这使得基于RL的系统具有更广泛的适用性。 总的来说,强化学习是一种通过智能体与环境交互,以最大化累积奖励为目标的学习过程。它在许多领域都展现出了强大的应用潜力。
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

list根据id查询pid 然后依次获取到所有的子节点数据

可以使用递归的方式来实现根据id查询pid并获取所有子节点数据。具体实现可以参考以下代码: ``` def get_children_nodes(nodes, parent_id): children = [] for node in nodes: if node['pid'] == parent_id: node['children'] = get_children_nodes(nodes, node['id']) children.append(node) return children # 测试数
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。