资源分享【这份资料必须领取~】

大家好，今天我们一起聊聊在进行大数据测试中需要关注哪些测试点，如何更好得做好大数据测试。

一、从传统的软件测试质量模型来看，大数据测试可以从大数据的功能性、、易用性进行评估质量。

1.功能性的测试：指大数据目标业务数据的存储功能是否符合预期需求。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。数据爬取的是否正确、数据入库是否正确、存储的表及字段信息是否正确等。

2.数据全面性：测试通过数据分析拿到的爬虫数据对应的友商是否全面，即：除了竞品或友商中A的数据应该获取，竞品或友商B、C、D的数据是否有考虑，通常在需求评审阶段提出，测试获取的数据是否完整 等。

3.数据完整性：测试分析目标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、数据是否重复，例：同1条URL对应2条结果数据，数据预期与结果总条数一致，表数据信息是一致、是否有遗漏的情况。

4.数据合理性：从数据应用层出发测试，应测试数据字段类型check，如对重要字段类型check，例：int型下出现其他字符类型情况，字段异常值check，例：null、空、或者另外一些约定异常值，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。应用数据字段的正确性。

5.数据准确性：测试获取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丢失，确保数据的准确与一致性，可基于数据的总量来考量验证。

6.数据安全性：多账号登录及账号权限控制，敏感数据脱敏加密处理，数据加密隔离等方面进行测试。

7.数据易用性：获取的数据可复用、可视频化、易理解性等方面进行考量测试。

二、大数据的可靠性与数据的处理效率。

1.数据容错性：在上下游数据出现宕机或者异常情况下能够兼容容错处理，使获得的数据正确性。保证数据的一致性。

2.数据恢复性：当数据丢失或缺失时能够在较快时间内方便恢复。

3.数据处理效率：在大数据量的情况下处理数据的效率、及MYSQL的线程处理能力及资源紧张或不足的情况下给应用层带来的影响范围。

三、大数据的可维护性及可移植性。

1.数据的维护性：数据可用并可及时的维护,随时可维护库表之间的关系，维护单表之间的关系，维护拓展数据字段及数据信息。

2.数据的可移植性：确保数据在移植中数据的迁入、数据的迁出中数据的完整性，准确性，库表、字段、数据信息不丢失。