家里没有矿，银行没有足够的存款的情况下，工作第一目的是为了谋生，其次再是价值（社会价值和情绪价值）追求。现在大环境不是很乐观，如果没有更好的选择，建议还是先将就一下吧。

跟贴

测试技术是手段，业务逻辑是灵魂。若技术脱离业务场景，如同无根之木终成空中楼阁；若业务缺乏技术支撑，恰似跛足巨人难逃低效轮回。职场万象不过谋生之道——不管什么长工、短工、还是点工、大厂、小作坊，真正决定职业价值的，是技术深度与业务视野的双向积累。前者铸就专业壁垒，后者锚定价值坐标，两者相融找到施展的平台，方可职场大圆满。

我的一些经历和现状：很多都是测试接到需求，到交付的时间，只有一周的时间。而且这样的测试任务并行多个；迭代频率高，测试交付周期短，实际测试工作用思维导图做下测试分析，明确测试的范围、测试点、标注侧重点。所谓的最佳测试用例实践，没有统一答案，实际情况不同，最佳测试用例实践就不同。就像有人说 php 是最好的编程语言，也是一样的道理。

很厉害呀！可是 30[k] 呢 ，测试不通过。还得优化一下

你的思路还是不错的，但是字母压缩还有一种情况：m3[k] 2[am] 。这种情况还需要优化考虑一下

比我的强

mappings 就是 es 存储数据的文档结构，相当于数据库的表结构，关于 mappings 怎么填写获取，我注释里面有写。properties 就是文档内容，这里怎么填写要看你自己的文档内容了，我这里提供了方式方法，但是不包教学。我觉得这些基本的 es 知识多去 baidu，Google 学习一下，那上面的内容比我在这里说的专业详细。

有引用呀
，导入哪里就填哪里的

导入步骤就是在测试环境创建 index，再创建 mapping,再解析已经导出的文件，构造数据，导入到新环境，就是这样，都有注释的，具体哪里不懂？

你看下，这里是否有两个 hits。
调整一下代码：

数据量大的时候是比较慢，百万级别内还是可以用的

年会，应该要多一个操作，就是已中奖的要去掉，不能重复中奖。

notepad++ 复制过来的

我什么时候成大佬了？你认识我吗？

由于大数据的源来自各个业务系统，各个业务系统的数据质量是不可控，所以在数据处理过程中，怎么保证最终数据质量，是个难点。怎么验证保证 etl 过程正确性和最优性，这需要对各个业务系统要有相应的了解程度。总而言之，不过什么测试最终要熟悉还是业务！

依我个人经历来说吧。数据库方面的基础知识，数据仓库的理念，Hadoop 分布式系统架构，还有就是相关的 spark、hive、hue 。差不多就是这些吧。

闲着做了下，代码奉上，没有多想。

#coding=utf-8

import re

str1=open('./xxx.csv',encoding='utf-8').read()  #读出文件

reword={'今天','天气','真赞'}  #列出要匹配文字
setreword={}            #初始化计数统计字典
for word in reword:     #基数统计
    count=0
    for i in re.finditer(word,str1): #全文匹配计数
        count=count+1
    setreword[word]=count    #设置字典
serewordorder=sorted(setreword.items(),key=lambda x:x[1])   #字典排序
print(setreword)  #打印结果

str1.close()

你想埋我一个彩蛋给我，我踩到的是一颗炸弹。。。

fake 在伪造数据方面确实很强大，但是 fake 也是缺陷，伪造的数据字段之间并不具有很强的关联性，仔细研究一下就会发现 fake 伪造出来的性别和身份证本身给出性别存在差异，倒数第二位是性别校验位，偶数是女性（F),奇数是男性（M)。地址信息和身份证区域代码对应的地址信息也存在差异。我在造轮子的时候并不知道还有 fake 这么强大的库的存在，但是造完轮子之后，对这个轮子的认知提升了很多，也认识 fake 这个已经存在的轮子的不完美。

嗯，faker 确实便捷很多,也学习了。但是要获取身份证上对应正确的区域名称和性别的话，就需要对生成的身份证号再做处理了，因为 faker 生成身份证号的时候，并没有告诉你这个身份证号对应是哪里的和性别。

嗯，第 18 位位是检验码，第 17 位是性别校验。我这里生成 15、16、17 位是从 100 到 999 之间随机取数的生成的，然后拼接区域码和出生日期，按照规则生成第 18 位的检验码，也就是你说的公式。

嗯 不过我那个输出 print(rank4(key)) 就是列出当前密码组合，输出 print(len(rank4(key))) 就是当前密码组合有多少种。