/catalog/d340f5de37c84dd09c8d930e56c3996b//Document/281551607537733.html/Document/281181076697157.html/Document/280062157713477.html/Document/279702821789765.html/Document/279349031915589.html/Document/278973117923397.html/Document/277989656563781.html/Document/276955371413573.html/Document/276595065778245.html/Document/275179481653317.html

大数据测试相比传统测试难点在哪里?

大数据测试特点

技术门槛高首先它的技术复杂、多样,比如我们之前看到的,包括实时数据、离线数据它们处理数据的架构、框架都是不一样的,技术也都是不一样的。再者,对SQL编写能力的要求会比业务测试会高很多,不仅仅要求能够写一些复杂的业务逻辑,还要有一定的问题定位的能力。第三点是它的自动化、性能测试场景比较复杂。

测试效率低第二个难点是测试效率低。测试效率低体现在大数据技术手段的多样复杂;任务运行时间比较长,以我们的数据仓库为例,为一个任务修复一个问题,跑完可能需要一个小时,任务运行时间比较长。再一个就是缺少测试工具,我们这边也正在规划准备开发一个大数据测试平台。再一个就是回归测试难,主要因为数据链路太长,改一个东西可能会影响到整个数据链路。

环境问题多第三个难点是环境问题比较多,首先测试和生产的环境之间的差异还是很大的。因为大数据这边的集群比较大,所以测试环境没有办法做到像正常环境那样完善,所以它的测试环境也比较难以管理,测试环境的资源也比较有限。

数据验收难
第四个,数据的验收难。主要体现在验收标准比较模糊,场景缺乏一些统一的标准,主要是数据不像一些业务功能或者展示功能可以有直接的感知,我们无法感知到数据是不是准确。

数据复杂多样最后一个是数据复杂多样,数据类型的话我们刚才也讲过了,不仅仅有结构化、半结构化的数据,还有一些视频、图片的数据,所以处理起来的技术难度还是很大的。

以上是我总结的几个我认为的难点,其实也还有其他的。我们了解完整个大数据测试后,接下来的文章将会带大家一起了解一下数据应用测试。