❝

导语

❞

小伙伴们对传统测试已经非常熟悉了，从测试手段来区分：功能测试、性能测试、自动化测试、安全测试、接口测试就有多种。 那么大数据测试到底测啥以及如何测，非常遗憾的告诉伙伴们，目前业界没有通用的方法定义大数据测试，本篇借鉴传统测试的思想跟大伙一起探讨下「大数据测试的范围」。

目录

  1. 传统测试范围的定义
  2. 大数据的功能性与易用性
  3. 大数据的可靠性与效率

1 传统测试范畴的定义

ISO9126 软件质量模型标准定义了软件评估的 6 大特性分别是：功能性、易用性、可靠性、效率性、可维护性、可移植性，也就意味着软件测试基本上围绕着这 6 个特性展开，详情见： ISO9126 软件质量模型的六大特性

2 大数据的功能性与易用性

我们借鉴 ISO9126 软件质量模型，看看大数据的功能性、易用性需考虑方面

2.1 功能性

说明：ISO9126 里面指满足需求文档和相关标准能力，分别从「适合性、准确性、互操作性、保密安全性、功能的依从性」去定义，好比测试一台手机：确保它功能完整（能打电话、发短信、运行 app、拍照..），满足用户日常的需求，并且符合互操作性 (确保打电话的时能运行手机上的 app)，发出去的短信传输过程是通过加密、安全的，并且该手机的功能在国际上具备一定的规范一致性

对比：这里我们将其进行迁移到数据测试上，例：公司通过爬虫获取到友商的一些数据，作为测试人员可以尝试考虑这些方面：

2.2 数据全面性

质疑下拿到的爬虫数据对应的友商是否全面，

  1. 除了友商 A 的数据应该获取，友商 B、C、D 的数据是否有考虑
  2. 每个友商选取的对标门店是否具有代表性，需考虑

通常在「需求评审阶段提出」

2.3 数据完整性

质疑拿到的数据是否完整，这里完整指：

  1. 数据确保指定时间范围内每天有数据，排除被风控了的情况
  2. 数据是否重复，例：同 1 条 URL 对应 2 条结果数据
  3. 数据预期与结果总条数一致

通常在「etl 测试阶段考虑」

2.4 数据合理性

质疑拿到的数据是否符合数据库规定类型、以及是否出现出现异常值

  1. 字段类型 check，如对重要字段类型 check，例：int 型下出现其他字符类型情况
  2. 字段异常值 check，例：null、空、或者另外一些约定异常值
  3. 字段默认值一致性验证 check，例: 从 A 表同步到 B 表后，某字段枚举值含义相同

在「etl 测试阶段」 或者 「数据应用层」测试考虑

2.5 数据准确性

质疑拿到数据的结果表与数据源头表是否一致，可能源表经过 A -> B -> C 处理后得到结果表，所以需要验证整个过程数据是否失真，确保数据的准确与一致

  1. 基于总数的验证，即 A -> B -> C 后总数一致，可能到 C 后有聚合的数据，视情况而定，即在 A 时有 10 万条数据，到 C 阶段理论也有 10 万。
  2. 基于总数额的验证，即 A -> B -> C 后总额一致，这里的总额可能是：金额、销量等。 在「etl 测试阶段」 或者 「数据应用层」测试考虑

2.6 安全性验证

对于某些敏感的数据往往需要考虑其安全性，可以是从获取数据的方式，也可以是数据本身安全性上。

  1. 账号的隔离，测评是否有必要采用账号隔离访问数据
  2. 基于对某些数据字段，测评是否有必要对某些字段进行加密考虑，例：身份证、家庭住址、金钱等方面的加密 在「需求评审」阶段考虑

2.7 易用性验证

确保数据获取的过程顺畅，如果数据需要通过很多命令执行并且连接多个环境才能获取到，这样的数据易用性则不强，以及每个指定的一定能被人所理解。

  1. 数据获取的交互是否过于复杂
  2. 数据对应的指标能被人所理解，例：MAU-月活人数、DAU-日活人数

在需求「评审阶段」 或 「研发设计阶段」考虑

3 大数据的可靠性与效率

同样的当处理大数据的平台出现不可预知的错误时，或者数据处理变慢时，我们得有一些处理方案让其能短时间内恢复，或者即便恢复不了也有一些应急的方案，让其「不影响到整个链路的上下游」，这里其实就是对处理大数据的平台可靠性与效率性的保证。

  1. 「数据恢复性」，当平台出现异常时，可以有一些重试机制进行重试，确保系统短时间内能恢复。
  2. 「数据容错性」，即便通过重试机制不能恢复时，需保证上游数据不能影响到下游的数据，可以有一些默认数据的预置，确保下游总能获取到数据。
  3. 「时间与资源」，当平台运算资源紧张任务繁重的时候，可能会出现长时间的等待，这时候除了需要跟研发一起优化 SQL 线程，还需要设计一些交互展示一些页面给用户，减少等待带来的用户体检差的问题

4 大数据的可维护性与可移植性

可维护性指：数据可用且及时被维护，可移植性指：无论数据的迁入与迁出都不会影响到数据的使用

  1. 「维护库表之间关系」，由于通常大数据随着时间的推移数据库表会越来越多，需要确保有地方能维护数据库表之间的关系。

  2. 「维护单表字段含义」，例：某天业务上新定义销售类型，那么需要在对应的表内注解出及时维护。

  3. 「数据的迁入/迁出」：确保数据迁入/迁出字段不丢失以及数据完整性（参考 2.3 数据完整性）

关注我的微信公众号【数据猿温大大】，这里有更多关于数据测试的干货等着你~~

本文使用 mdnice 排版


↙↙↙阅读原文可查看相关链接，并与作者交流