大数据已经成为时代的代名词。 当今互联网是大数据时代，大数据时代的到来，颠覆了人们对传统数据的惰性思维。 为了保证数据的运行、软件的质量、测试的质量、数据的使用场景等，需要换一个新的角度来更加全面地思考软件。
到目前为止的大数据测试很少，开发者表示：“测试环境中没有那么多数据。 怎么测量呢？” 抛开大数据数据量大的特点，追根溯源，他也是为业务服务的。 我非常赞同一句话。 所有技术都是为业务服务的，脱离业务的技术一文不值。 这句话在大数据时代的今天依然适用，并将一直适用。 测试的工作是保证数据的正确性和业务逻辑是正确的。 大数据脚本也有输入、输出。 这类似于功能测试中后台逻辑的测试。 没有接口，一切都由后台服务器处理。 测试人员必须清楚处理流程、每个数据流、每个步骤的输入和输出，以确定最终的输出结果是否正确。 大数据测试也是如此，每个脚本的功能、每个脚本的输入和输出、整个数据流的过程都要清晰，才能判断大数据实现的功能是否正确。
数据脚本和数据计算逻辑的功能必须正确，才能在大数据下正常工作。 这也是我们的测试人员首先要保证的。 今天，我想从功能测试的角度来讨论如何进行大数据的功能测试，如何设计用例才能覆盖更大的范围，更好地保证正确性。
1、编写测试用例
通过功能测试建立测试用例的常用方法是等价类、边界值。 我认为大家都知道这两种方法都是进行测试的。 在用大数据测试制作测试用例的情况下也是同样的。 与一般意义上的功能测试不同，他的输入不仅仅是一个输入框，而是数据库字段或具有特殊意义的数据集(包括多个数据)。
首先，我们回顾一下等价类和边界值这两种常见的功能测试设计用例的方法。 首先划分等价类：指某个输入字段的子集。 在这个子集中，合理地假定，每个输入数据对于暴露程序中的错误是等效的，并且测试一个等价类别的代表值等价于对这样的其他值的测试。 因此，如果将所有输入数据合理划分为几个等价类，每一个等价类中有一个数据作为测试的输入条件，就可以使用较少有代表性的测试数据，取得良好的测试结果。 边界值是等价类的补充，其测试用例是从各个等价类中得到的
那么，这两种方法如何用于编写大数据测试用例呢？
以我们以前测试过的大数据脚本为例，脚本的主要功能是统计一家店铺某一天的订单量，根据不同商品设置的不同返回规则，计算店铺每天的利润。
首先输入分析条件。
1、指定店铺
2、指定某一天
3、不同时间、不同商品、不同退货点
商品1:2016.12.61:00336000---2016.12.615336000336000返利为5%
商品2:2016.12.700336000336000---- 2016.12.72:59336059回扣为15%
所有商品，除了指定的时间外，回报都是1%
他的等价类不再是输入，而是条件，满足这个条件的我们被分为有效等价类，不满足这个条件的分为无效等价类，条件边界上的数据是我们的边界值。
用例分割结果：
QQ截图20171213120901.png
其他编写功能测试用例的方法，如情景分析法、分支覆盖法等，也同样可以用于编写大数据测试用例。 任何测试都不能脱离实际业务。 简单的测试数据，或者简单的测试输入，没有什么意义。 需要结合各种方案来设计更全面、更高效的测试用例。
2、准备测试数据
根据编写的测试用例，准备不同类型的测试数据。 这和功能测试一样，测试数据不在于数量的多寡，而在于覆盖的全面性。 即使准备了几千个数据，数据类型也相同，覆盖上也只有一个代码分支，这些数据只有一个被称为有效测试数据，其他都是无效测试数据。
其中准备测试数据有几种方法。
1 )自己写sql插入一条
2 )使用存储过程
3 )在线导出数据，直接导入测试环境。
另外，准备测试数据时，请注意尽量与实际数据一致，例如时间的值，准确地说是到分分秒秒还是到年月日，以及金额还剩多少位小数。
3、运行测试脚本，检查测试结果
准备好测试数据后，可以运行测试脚本。 脚本可以位于hadoop平台上，也可以位于其他平台上，但所有这些都只是操作。 在您学习了如何使用工具并知道如何运行脚本后，下一项任务将返回测试。 此时，测试人员要做的就是利用准备好的数据运行脚本，检查预期结果和实际结果是否一致，并确定脚本逻辑是否正确
因此，任何类型的测试，其测试过程都是相同的，测试方法值得借鉴。 我们只要储备足够数量的测试基础和测试方法，就可以轻松应对各种不同的测试。