自动化测试脚本开发中，总是会遇到各种数据处理，例如MOCK、URL处理、JSON数据处理、结果断言等，也会遇到所采用的测试框架不能满足当前需求，这些问题都需要我们自己动手解决。在强大的IT世界，我们遇到的百分之九十八问题，前辈们都遇到过并且给出了解决方案，有的无私前辈将其整理并开源，这些开源项目非常方便地辅助我们的自动化测试项目更好地进行，非常值得敬佩。下面介绍一些自动化测试项目中经常会使用到且非常友好的Python第三方库。
mock
mock是Python中一个用于支持单元测试的库，它允许用户使用mock对象替代被测系统的部分，以达到模拟对象的行为。Python3.3版本以后mock被合并进Unittest模块中，我们可以直接导入使用。Mock对象是mock模块中的一个类实例，可以在测试脚本中模拟出大量的方法，返回指定值并设置所需的属性，还可以断言调用了哪些方法/属性及其参数。
例如接口测试中，当上一个接口没有开发好，但下一个接口已经完成并可以测试时就可以使用Mock模拟上一个接口，尽早地完成测试脚本的开发。
furl
furl是一个小众的用于解析和操作URL的Python库，虽然Python提供了urllib和urlparse模块可以处理URL相关的操作，但没有furl简易。例如furl('http://www.com/?a=1&b=2').args便可以获得参数{'a':1,'b':2}。
coverage
coverage是一个测量Python程序代码覆盖率的工具。目前许多自动化测试项目都确少代码覆盖率的统计，使用coverage模块便可对自动化测试用例进行评估，衡量测试的有效性。coverage通过监视被测程序，注意代码的哪些部分已被执行，然后分析源代码以识别可能已执行但未执行的代码。使用时通过简单的命令便能生成详细的覆盖率统计结果报告。
deepdiff
deepdiff模块常用来校验两个对象是否一致，并找出其中差异之处，非常有助于断言。deepdiff由DeepDiff（比较两个对象）、DeepSearch（在对象中搜索其他对象）和DeepHash（根据对象的内容进行哈希处理）三部分组成。自动化脚本开发时可以采用DeepDiff实现断言，DeepDiff不但支持丰富的校验对象，例如字符串、数字、数组、字典，还提供了许多参数用以设置比较方式，例如忽略大小写、忽略排序、忽略数据类型。
pandas
Pandas是Python语言的一个扩展程序库，用于数据分析。可以从各种文件格式（比如CSV、JSON、SQL、Microsoft Excel）导入数据并进行运算操作（比如归并、再成形、选择、数据清洗、数据加工）。如果将测试用例写在Excel或其他文件中，那么使用pandas从文件中读取大量测试数据并处理就会简易许多。
jsonpath
JsonPath用于解析JSON数据。提供的JSON解析功能非常强大，它提供了类似正则表达式的语法，基本上可以满足所有想要获得的JSON内容。接口测试中，许多接口返回的值都是JSON格式，我们使用Python语言的JsonPath库挺松提取到所需值。