背景
白板是教育产品里的常见功能，类似于电子化的黑板，基础的业务逻辑是教师端（windows）老师在白板上写字或者画图，学生端（android）可以同步接收到该内容。
现在有两套基于不同技术的白板功能方案，需要对比他们的效果差异，由于底层代码无法放开，无法通过修改代码埋点的形式进行，因此需要通过ui层面进行对比。
基础测试流程
- 在pc教师端运行一次画图脚本，在Android学生端确认正确后，选取该图案作为基准图片
- 在pc教师端进行ui操作，在白板上再次画出该图案
- 在android学生端上，截取白板画面
- 对比截取的白板画面和基准图片，计算相似度，大于阈值（95%）则视为该次准确，否则认为该次失败，计入失败次数，并记录该失败图案供分析
- 清空pc教师端白板图案，再次重复2~4操作
自动化技术
airtest（pywinauto）& pynput完成对pc端ui操作
在pc端ui自动化中，首先选用的是比较经典的ui操作库pywinauto，airtest对其进行了封装，为减少二次开发量，这里直接选用了airtest。
基础的ui操作如元素定位、点击、滑动等，airtest都有较为成熟的api，但模拟老师在白板上画图，只靠自己定义滑动坐标使用鼠标事件执行的话，太过生硬不符合实际情形，因此，最后决定采用实际录制操作坐标再回放的形式进行，这样基本可以模拟真实的笔迹。
airtest不具备录制鼠标轨迹功能，在调研后，选用pynput进行鼠标事件的录制。
pynput也是一个提供windows操作api的库，但其提供了对鼠标和键盘事件的监听功能；通过添加监听线程pynput.mouse.Listener，每发生一个鼠标事件，就使用预先定义的格式进行本地化存储，这样就完成了鼠标操作的事件收集；再通过解析存储的事件文本，就可以完成鼠标事件的回放。
需要说明的是，pynput本身也有操作windows鼠标事件的api，但实测下来，虽然通过pynput进行回放整体轨迹是对的，但在白板上的笔画平滑度和粗细每次都不太一致，因此不适合选用其作为回放手段，最终测试，还是通过airtest的mouse_move、mouse_up、mouse_down组合进行回放，效率较pynput低，但胜在一致性高，基本每次回放的轨迹都一致。
opencv2进行图像识别判断
在进行教师端的操作后，需要在学生端截图并进行对比，这里对比技术采用了opencv2的api，代码如下：
def img_similarity(img1_path,img2_path):
"""
:param img1_path: 图片1路径
:param img2_path: 图片2路径
:return: 图片相似度
"""
try:
# 读取图片
img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE)
# 初始化ORB检测器
orb = cv2.ORB_create()
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)
# 提取并计算特征点
bf = cv2.BFMatcher(cv2.NORM_HAMMING)
# knn筛选结果
matches = bf.knnMatch(des1, trainDescriptors=des2, k=2)
# 查看最大匹配点数目
good = [m for (m, n) in matches if m.distance < 0.75 * n.distance]
#print(len(good))
#print(len(matches))
similary = len(good) / len(matches)
#print("两张图片相似度为:%s" % similary)
return similary
except:
print('无法计算两张图片相似度')
return 0
由于其中一个方案学生端界面上会有动态的时间显示，影响对比结果，因此，需要对该截图进行裁剪，只保留白板的内容部分，裁剪代码如下：
screen_path = "D:\PycharmProjects\omoboard\{filename}".format(filename=screen)
img = cv2.imread(screen_path)
cropped = img[100:1050, 0:1500]
cv2.imwrite(screen_path, cropped)
