WedX - журнал о программировании и компьютерных науках

Скрипт для тестирования консольного приложения C# и получения результатов профилирования

Я написал консольное приложение С#, в котором я принимаю набор входных данных от пользователя Console.ReadLine();. Я возвращаю возможные замены одного из входов в наборе. Они возвращаются в виде списков. Теперь я хочу протестировать свое приложение примерно для 100 наборов входных значений и хочу знать, сколько замен возможно для каждой входной переменной в данном наборе. Мне также нужны результаты профилирования для каждого запуска.

Есть ли способ, которым я могу это сделать, не проверяя код на 100 наборов? Я надеюсь, что есть способ, с помощью которого я могу перечислить свой входной набор в каком-то файле (возможно, в файле csv), откуда ввод перенаправляется каждый раз.

Я не против использования MONO в Linux, если там есть решение. Спасибо :-)

.net c# scripting mono
14.06.2012

  • Вы пробовали nunit? 14.06.2012

Ответы:


1

То, что вы можете сделать, это использовать класс Process.

var processInfo = new ProcessStartInfo
{
    FileName = "consoleapp.exe",
    WindowStyle = ProcessWindowStyle.Hidden,
    CreateNoWindow = false,
    UseShellExecute = false,
    RedirectStandardOutput = true,
    RedirectStandardInput = true
};

using (Process clconfigureclient = Process.Start(processInfo))
{
    // Write input to your application.
    clconfigureclient.StandardInput.WriteLine(value1);
    clconfigureclient.StandardInput.WriteLine(value1);
    clconfigureclient.WaitForExit();
}

output = cm.StandardOutput.ReadToEnd();
// Do checks on output.
14.06.2012
  • Даже если я использую цикл for и меняю свои входные данные, как мне получить результаты профилирования каждого вызова приложения .exe 17.06.2012
  • Я не знаю, какой тип профилирования вы хотите использовать. Только общее время выполнения? Для этого можно использовать секундомер. Записывается ли ваше приложение в мониторе производительности Windows? И так далее. 18.06.2012
    • Новые материалы
    Как проанализировать работу вашего классификатора?
    Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
    Работа с цепями Маркова, часть 4 (Машинное обучение)
    Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
    Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
    Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
    Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
    Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
    Учебные заметки: создание моего первого пакета Node.js
    Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..
    Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
    Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..
    ИИ в аэрокосмической отрасли
    Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..
    Для любых предложений по сайту: [email protected]