网站测试方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种网站测试方法、装置、计算机设备和存储介质。所述方法包括：获取待检测日志；所述待检测日志为对网站进行测试生成的日志；提取所述待检测日志中的文本段落特征；所述文本段落特征为所述待检测日志的文本段落所对应的特征；对所述文本段落特征进行分类，得到异常分类结果；并根据所述异常分类结果，确定所述网站的异常类型。采用本方法能够提高网站的测试效率。

【技术实现步骤摘要】
网站测试方法、装置、计算机设备和存储介质
本申请涉及计算机
，特别是涉及一种网站测试方法、装置、计算机设备和存储介质。
技术介绍
网站测试是指的将网站制作完后上传到服务器并针对该网站的各项性能情况进行一系列的检测工作。在进行网站测试过程中，往往需要对网站的各个功能进行测试，来确保网站在正式上线前一切正常运行。在对于网站测试完成后，会产生各种分析日志，供测试人员进行阅读并确定该网站相对应的错误类型。然而，在对功能繁多的网站进行测试时，测试人员往往需要花费大量时间来阅读内容繁多且复杂的分析日志以确定网站的错误类型，这也使得网站的测试效率不高。因此，现有的网站测试方法存在测试效率不高的问题。
技术实现思路
基于此，有必要针对现有的网站测试方法存在测试效率不高的问题，提供一种能够提高网站测试效率的网站测试方法、装置、计算机设备和存储介质。本专利技术实施例中的一种网站测试方法，所述方法包括：获取待检测日志；所述待检测日志为对网站进行测试生成的日志；提取所述待检测日志中的文本段落特征；所述文本段落特征为所述待检测日志的文本段落所对应的特征；对所述文本段落特征进行分类，得到异常分类结果；并根据所述异常分类结果，确定所述网站的异常类型。在其中一个实施例中，所述提取所述待检测日志中的文本段落特征，包括：获取所述待检测日志中的文本段落；将所述文本段落输入至预先训练的特征提取模型，并根据所述预先训练的特征提取模型的输出结果，确定所述文本段落对应的目标段落向量；将所述文本段落对应的目标段落向量，作为所述文本段落特征。在其中一个实施例中，所述获取所述待检测日志中的文本段落，包括：确定所述待检测日志中的待拼接段落；其中，所述待拼接段落具有多个；对所述待拼接段落进行拼接处理，得到所述待检测日志中的文本段落。在其中一个实施例中，所述文本段落包括多个单词，所述将所述文本段落分别输入至预先训练的特征提取模型，并根据所述预先训练的特征提取模型的输出结果，确定所述文本段落对应的目标段落向量，包括：在所述文本段落中，确定目标预测单词和样本单词；其中，所述目标预测单词为在所述多个单词中的任意一个的单词；所述样本单词为在所述多个单词中除所述目标预测单词以外的单词；生成所述文本段落的初始段落向量，以及，获取所述样本单词对应的单词向量；将所述初始段落向量和所述样本单词对应的单词向量，输入至所述预先训练的特征提取模型，以生成预测单词；所述预测单词为所述预先训练的特征提取模型对所述多个单词中除所述样本单词以外的单词进行预测得到的单词；根据所述预测单词和所述目标预测单词，对所述初始段落向量进行调整，得到调整后的初始段落向量；将所述调整后的初始段落向量，作为所述文本段落对应的目标段落向量。在其中一个实施例中，所述对所述文本段落特征进行分类，得到异常分类结果；并根据所述异常分类结果，确定所述网站的异常类型，包括：将所述文本段落特征输入至预先训练的异常类型分类模型；所述预先训练的异常类型分类模型用于对所述文本段落特征进行分类，输出对应的异常分类结果；根据所述预先训练的异常类型分类模型输出的异常分类结果，确定所述网站的异常类型；或者获取多个异常段落特征对应的段落向量；计算所述文本段落特征对应的段落向量分别与各个所述异常段落特征对应的段落向量的向量距离，作为所述文本段落特征与各个所述异常段落特征之间的特征相似度；根据所述特征相似度对所述文本段落特征进行分类，得到所述异常分类结果，并根据所述异常分类结果，确定所述网站的异常类型。在其中一个实施例中，还包括：构建待训练的异常类型分类模型；获取文本段落特征样本，作为所述待训练的异常类型分类模型的训练样本；确定所述文本段落特征样本对应的异常类型，作为所述文本段落特征样本的分类标签；根据所述文本段落特征样本和所述文本段落特征样本对应的异常类型，对所述待训练的异常类型分类模型进行训练，得到训练后的异常类型分类模型；将所述训练后的异常类型分类模型，作为所述预先训练的异常类型分类模型。在其中一个实施例中，还包括：获取原始日志；采用预设的正则表达式对所述原始日志中的无关数据进行滤除，得到所述待检测日志。在其中一个实施例中，还包括：根据所述待检测日志的异常类型，查询与所述异常类型对应的异常排除指引；推送所述异常排除指引至用户端，以使用户根据所述异常排除指引对排除所述网站存在的异常。在其中一个实施例中，还包括：获取所述训练后的异常类型分类模型对应的内存数据；对所述内存数据进行序列化，得到所述训练后的异常类型分类模型对应的数据序列化文件；储存所述数据序列化文件。本专利技术实施例中的一种网站测试装置，所述装置包括：获取模块，用于获取待检测日志；所述待检测日志为对网站进行测试生成的日志；提取模块，用于提取所述待检测日志中的文本段落特征；所述文本段落特征为所述待检测日志的文本段落所对应的特征；分类模块，用于对所述文本段落特征进行分类，得到异常分类结果；并根据所述异常分类结果，确定所述网站的异常类型。本专利技术实施例中的一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取待检测日志；所述待检测日志为对网站进行测试生成的日志；提取所述待检测日志中的文本段落特征；所述文本段落特征为所述待检测日志的文本段落所对应的特征；对所述文本段落特征进行分类，得到异常分类结果；并根据所述异常分类结果，确定所述网站的异常类型。本专利技术实施例中的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取待检测日志；所述待检测日志为对网站进行测试生成的日志；提取所述待检测日志中的文本段落特征；所述文本段落特征为所述待检测日志的文本段落所对应的特征；对所述文本段落特征进行分类，得到异常分类结果；并根据所述异常分类结果，确定所述网站的异常类型。上述实施例中的网站测试方法、装置、计算机设备和存储介质，通过获取对网站进行测试生成的待检测日志；然后，提取待检测日志中的文本段落所对应的特征，得到文本段落特征；然后，将文本段落特征进行分类，得到异常分类结果；并根据异常分类结果，确定网站的异常类型，如此，可以实现灵活地对不同格式的网站测试日志进行自动测试，测试人员无需花费大量时间来阅读内容繁多且复杂的分析日志以确定网站的异常类型，提高了网站的测试效率。附图说明图1为一个实施例中一种网站测试方法的应用环境图；图2为一个实施例中一种网站测试方法的流程示意图；图3为一个实施例中一种网站测试方法的特征提取步骤的流程示意图；图4为另一个实施例中一种网站测试方法的本文档来自技高网...

【技术保护点】
1.一种网站测试方法，其特征在于，所述方法包括：/n获取待检测日志；所述待检测日志为对网站进行测试生成的日志；/n提取所述待检测日志中的文本段落特征；所述文本段落特征为所述待检测日志的文本段落所对应的特征；/n对所述文本段落特征进行分类，得到异常分类结果；并根据所述异常分类结果，确定所述网站的异常类型。/n

【技术特征摘要】
1.一种网站测试方法，其特征在于，所述方法包括：
获取待检测日志；所述待检测日志为对网站进行测试生成的日志；
提取所述待检测日志中的文本段落特征；所述文本段落特征为所述待检测日志的文本段落所对应的特征；
对所述文本段落特征进行分类，得到异常分类结果；并根据所述异常分类结果，确定所述网站的异常类型。


2.根据权利要求1所述的方法，其特征在于，所述提取所述待检测日志中的文本段落特征，包括：
获取所述待检测日志中的文本段落；
将所述文本段落输入至预先训练的特征提取模型，并根据所述预先训练的特征提取模型的输出结果，确定所述文本段落对应的目标段落向量；
将所述文本段落对应的目标段落向量，作为所述文本段落特征。


3.根据权利要求2所述的方法，其特征在于，所述获取所述待检测日志中的文本段落，包括：
确定所述待检测日志中的待拼接段落；其中，所述待拼接段落具有多个；
对所述待拼接段落进行拼接处理，得到所述待检测日志中的文本段落。


4.根据权利要求2所述的方法，其特征在于，所述文本段落包括多个单词，所述将所述文本段落分别输入至预先训练的特征提取模型，并根据所述预先训练的特征提取模型的输出结果，确定所述文本段落对应的目标段落向量，包括：
在所述文本段落中，确定目标预测单词和样本单词；其中，所述目标预测单词为在所述多个单词中的任意一个的单词；所述样本单词为在所述多个单词中除所述目标预测单词以外的单词；
生成所述文本段落的初始段落向量，以及，获取所述样本单词对应的单词向量；
将所述初始段落向量和所述样本单词对应的单词向量，输入至所述预先训练的特征提取模型，以生成预测单词；所述预测单词为所述预先训练的特征提取模型对所述多个单词中除所述样本单词以外的单词进行预测得到的单词；
根据所述预测单词和所述目标预测单词，对所述初始段落向量进行调整，得到调整后的初始段落向量；
将所述调整后的初始段落向量，作为所述文本段落对应的目标段落向量。


5.根据权利要求1所述的方法，其特征在于，所述对所述文本段落特征进行分类，得到异常分类结果；并根据所述异常分类结果，确定所述网站的异常类型，包括：
将所述文本段落特征输入至预先训练的异常类型分类模型；所述预先训练的异常类型分类模型用于对所述文本段落特征进行分类，输出对应的异常分类结果；
根据所述预先训练的异常类型分类模型输出的异常分类结果，确定所述网站的异常类型；
...

【专利技术属性】
技术研发人员：王德华，
申请(专利权)人：上海灵羚科技有限公司，
类型：发明
国别省市：上海;31