Hva er datadrevet testing?

Datadrevet testing

Datadrevet testing er en programvaretestmetode der testdata lagres i tabell- eller regnearkformat. Datadrevet testing lar testere legge inn et enkelt testskript som kan utføre tester for alle testdata fra en tabell og forvente testutdata i samme tabell. Det kalles også tabelldrevet testing eller parameterisert testing.

Datadrevet rammeverk

Datadrevet rammeverk er et rammeverk for automatiseringstesting der inngangsverdier leses fra datafiler og lagres i variabler i testskript. Det gjør det mulig for testere å bygge både positive og negative testtilfeller inn i én test. Inndata i et datadrevet rammeverk kan lagres i én eller flere datakilder som .xls, .xml, .csv og databaser. Diagrammet nedenfor viser hvordan inngangsverdier flyter fra datafilen til testskriptet.

Hvorfor datadrevet testing?

Datadrevet testing er viktig fordi testere ofte har flere datasett for en enkelt test, og det kan være tidkrevende å lage individuelle tester for hvert datasett. Datadrevet testing bidrar til å holde data atskilt fra testskript, og de samme testskriptene kan kjøres for forskjellige kombinasjoner av testdatainndata, samtidig som testresultatene genereres effektivt.

Eksempel:

Anta at vi vil teste innloggingssystemet med flere inndatafelter mot 1000 forskjellige datasett.

For å teste dette kan du bruke følgende forskjellige fremgangsmåter:

Tilnærming 1) Lag 1000 skript, ett for hvert datasett, og kjør hver test separat én etter én.

Tilnærming 2) Endre verdien i testskriptet manuelt og kjør det flere ganger.

Tilnærming 3) Importer dataene fra Excel-arket. Hent testdata fra Excel-radene én etter én, og kjør skriptet.

Blant de tre gitte scenarioene er de to første arbeidskrevende og tidkrevende. Derfor er det ideelt å følge den tredje tilnærmingen.

Dermed er den tredje tilnærmingen ikke annet enn et datadrevet rammeverk.

Typer testdata i datadrevet testing

Verdien av datadrevet testing avhenger direkte av kvaliteten på datasettene du legger inn i testskriptene dine. En godt designet datafil blander flere kategorier av testdata, slik at ett skript kan validere normal oppførsel, feilhåndtering og grenser i én kjøring:

• Positive (gyldige) data: Riktige inndata, for eksempel et gyldig brukernavn og passord, brukes til å bekrefte at applikasjonen godtar det den skal godta.
• Negative (ugyldige) data: Feil eller misformede inndata som burde avvises, for eksempel feil passord eller spesialtegn i et numerisk felt.
• Grensedata: Verdier i utkanten av tillatte områder, som et brukernavn på 1 eller 255 tegn, som ofte avslører skjulte feil.
• Blanke eller nulldata: Tomme felt som bekrefter validering av obligatoriske felt og feilmeldinger.
• Store datamengder: Massegenererte eller tilfeldig genererte poster som brukes til å kontrollere ytelse og stabilitet under realistisk belastning.

Med de riktige dataene forberedt, er neste trinn å bygge selve rammeverket.

Hvordan lage et datadrevet automatiseringsrammeverk

Tenk deg at du vil teste innloggingsfunksjonaliteten til et program. Flytskjemaet ovenfor viser hele syklusen: identifiser testtilfellene, skriv det vanlige testskriptet, flytt dataene til en ekstern fil, og kjør skriptet i løkke over hver datarad.

Trinn 1) Identifiser testtilfellene

• Skriv inn riktig brukernavn og passord – pålogging vellykket
• Skriv inn feil brukernavn og riktig passord – Påloggingsfeil
• Skriv inn riktig brukernavn og feil passord – Påloggingsfeil

Trinn 2) Lag detaljerte testtrinn for de tre testtilfellene ovenfor

Testtilfelle#	Tekniske beskrivelser	Teststrinn	Testdata	forventede resultater
1	Sjekk Login for gyldig legitimasjon	Start programmet Skriv inn brukernavn passord Klikk OK Sjekk resultater	Brukernavn: gyldig passord: gyldig	Innloggingssuksess
2	Sjekk Login for ugyldig legitimasjon	Start programmet Skriv inn brukernavn passord Klikk OK Sjekk resultater	Brukernavn: ugyldig passord: gyldig	Pålogging mislyktes
3	Sjekk Login for ugyldig legitimasjon	Start programmet Skriv inn brukernavn passord Klikk OK Sjekk resultater	Brukernavn: gyldig passord: ugyldig	Pålogging mislyktes

Trinn 3) Lag testskript

Hvis du observerer, er testtrinnene like på tvers av alle tre testtilfellene. Du må opprette et testskript for å utføre disse trinnene:

// This is Pseudo Code

// Test Step 1: Launch Application
driver.get("URL of the Application");

// Test Step 2: Enter Username
txtbox_username.sendKeys("valid");

// Test Step 3: Enter Password
txtbox_password.sendKeys("invalid");

// Test Step 4: Check Results
If (Next Screen) print success else Fail

Trinn 4) Opprett en Excel/CSV-fil med testdataene som er inntastet, som vist i eksempelarket nedenfor.

Trinn 5) Endre skriptet slik at det går over testdataene i løkke. Inndatakommandoene bør også parametriseres.

// This is Pseudo Code
// Loop 3 Times
for (i = 0; i & lt; = 3; i++) {
    // Read data from Excel and store into variables
    int input_1 = ReadExcel(i, 0);
    int input_2 = ReadExcel(i, 1);

    // Test Step 1: Launch Application
    driver.get("URL of the Application");

    // Test Step 2: Enter Username
    txtbox_username.sendKeys(input_1);
    // Test Step 3: Enter Password

    txtbox_password.sendKeys(input_2);
    // Test Step 4: Check Results
    If(Next Screen) print success
    else Fail
}

Over er bare 3 testtilfeller. Testskriptet kan brukes til å gå over følgende testtilfeller bare ved å legge til testdataverdier Excel

• Skriv inn feil brukernavn og feil passord – Pålogging mislyktes
• Skriv inn riktig brukernavn og passord tomt – Pålogging mislyktes
• Skriv inn tomt brukernavn og tomt passord – Pålogging mislyktes

Og så videre

Når rammeverket ditt er klart, forenkler det riktige verktøyet datahåndtering, utførelse og rapportering.

Beste datadrevne testverktøy

1) Test sigma

Test sigma er en skybasert datadrevet testplattform som jeg har funnet uvurderlig for å maksimere testdekningen ved å koble testlogikk fra testdata. Den er spesielt utviklet for team som trenger å validere applikasjoner mot ulike datasett, kanttilfeller og forretningsscenarier uten å lage overflødige testskript, noe som effektiviserer hele den datadrevne testarbeidsflyten.

Under mine datadrevne testprosjekter utnyttet jeg Testsigmas parameteriseringsmuligheter for å utføre identiske testscenarier mot flere datakombinasjoner fra eksterne kilder som Excel og CSV-filer. Plattformens evne til å iterere gjennom datarader utvidet automatisk testdekningen min betydelig, mens detaljert rapportering av resultater på datanivå hjalp meg raskt å identifisere hvilke spesifikke inputkombinasjoner som utløste feil på tvers av web-, mobil- og API-lag.

Egenskaper:

• Integrering av eksterne datakilder: Denne funksjonen muliggjør direkte tilkoblinger til Excel-regneark, CSV-filer og databasetabeller for sentralisert administrasjon av testdata. Den eliminerer hardkodede verdier og lar deg vedlikeholde testdata uavhengig av testlogikk. Du kan oppdatere datasett uten å endre testskript, noe som sikrer fleksibilitet og vedlikeholdbarhet. Jeg bruker dette til å administrere hundrevis av datavariasjoner effektivt samtidig som jeg holder...ping testscenarier rene og gjenbrukbare.
• Automatisert iterasjon av data med flere rader: Testsigma kjører automatisk testscenarier på tvers av flere datarader i én testkjøring, noe som utvider dekningen dramatisk. Du kan validere en rekke inputkombinasjoner, grensebetingelser og variasjoner i forretningsregler uten å duplisere testtilfeller. Denne funksjonen håndterer datasekvensering og iterasjonslogikk transparent. Jeg syntes dette var spesielt effektivt for omfattende regresjonstesting med minimalt med vedlikehold av skript.
• Dynamisk testtrinnparameterisering: Den lar deg erstatte statiske verdier med dynamiske parametere som henter data fra eksterne kilder under utførelse. Du kan konfigurere testtrinn for å tilpasse seg varierende inndata, betingelser og forventede resultater basert på datasettverdier. Denne funksjonen støtter komplekse datatransformasjoner og betinget logikk. Jeg bruker den til å bygge fleksible testscenarier som imøtekommer ulike forretningskrav og brukerarbeidsflyter.
• Rapportering av utførelse på datanivå: Plattformen genererer detaljerte rapporter som bryter ned testresultater etter individuelle datakombinasjoner, og viser nøyaktig hvilke inndata som ble bestått eller ikke. Du kan analysere mønstre, identifisere problematiske dataområder og trace-feil på spesifikke datasettrader. Denne funksjonen gir visuelle dashbord og eksporterbare analyser for interessentkommunikasjon. Jeg anbefaler å bruke denne innsikten til å prioritere forbedringer av datakvaliteten og forbedre testdatastrategier.
• Datadrevet støtte på tvers av plattformer: Testsigma utvider datadrevne funksjoner på tvers av web-, mobil- og API-testing innenfor enhetlige arbeidsflyter. Du kan bruke de samme datasettene for å validere konsistens på tvers av ulike applikasjonslag og teknologier. Denne funksjonen sikrer omfattende ende-til-ende-validering med parameteriserte dataflyter. Jeg har brukt den til å bekrefte at backend-databehandling gjenspeiles riktig i frontend-grensesnitt på tvers av flere plattformer samtidig.

Priser:

• Pris: Tilpasset prising med datadrevne testfunksjoner inkludert som en del av det omfattende abonnementet
• Gratis prøveperiode: 14-dagers gratis prøveperiode

Besøk Testsigma >>

14-dagers gratis prøveperiode

---

2) Testiny

Testiny er en moderne skybasert plattform for testtilfellehåndtering jeg har brukt til å organisere datadrevne testtilfeller effektivt samtidig som jeg holderping tydelig skille mellom testlogikk og parameteriserte datasett. Den er bygget for team som trenger å håndtere ulike datakombinasjoner på tvers av mange testkjøringer uten å miste tracevne.

Mens man kjører datadrevne prosjekter med TestinyJeg satte pris på hvordan masseredigering og malfunksjoner gjorde det enkelt å skalere testvariasjoner på tvers av hundrevis av datarader. Plattformen integreres med Jira, GitHub og GitLab, slik at mislykkede datakombinasjoner lenker tilbake til problemet. trackers automatisk.

Egenskaper:

• Masseredigering av testtilfeller: Testiny lar deg redigere, duplisere og parameterisere mange testtilfeller samtidig, noe som fremskynder opprettelsen av datadrevne variasjoner. Du kan bruke endringer på tvers av mapper på sekunder uten å berøre hvert tilfelle individuelt. Jeg stoler på dette når jeg utvider dekningen til nye datasett uten å omskrive skript.
• Tilpassede felt for datainndata: Den lar deg definere egendefinerte felt per prosjekt, slik at datasettattributter kan tracved siden av hver testkjøring. Du kan registrere inngangsverdier, forventede utfall og betingelser tydelig på ett sted. Jeg bruker disse feltene for å gjøre det enkelt å revidere komplekse parameteriserte scenarier senere.
• Testkjøring i sanntid Tracking: Plattformen viser live utførelsesstatus på tvers av teammedlemmer, slik at datadrevne testkjøringer forblir transparente. Du kan tildele saker, overvåke bestått/ikke bestått-prosenter og identifisere blokkerte datakombinasjoner etter hvert som de skjer. Jeg synes dette er nyttig for keeping QA-ledere informert uten konstante statusmøter.
• PDF og delbar rapportering: Testiny genererer rene PDF-rapporter med diagrammer og utførelsessammendrag som du kan dele med ikke-tekniske interessenter. Du kan filtrere etter datasett, milepæl eller utgivelse. Jeg sender disse ut på slutten av hver sprint for å kommunisere kvalitetsstatus.
• Native problem Tracker-integrasjoner: Den kobler seg til Jira, GitHub, GitLab, Azure DevOps, lineær, Asana, Confluence, Trello og monday.com, slik at mislykkede datarader raskt blir til saker. Du kan holde testutførelse og ingeniørarbeidsflyter på linje. Jeg har lagt merke til at dette reduserer friksjonen i overføringen mellom QA- og utviklingsteamene dramatisk.

Priser:

• Pris: Gratisabonnement for opptil 3 brukere; betalte abonnementer skaleres etter seter og legger til premiumstøtte
• Gratis prøveperiode: 21-dagers gratis prøveperiode

Besøk Testiny >>

21-dagers gratis prøveperiode

---

3) Testpad

Testpad er et lettvekts sjekklistedrevet teststyringsverktøy jeg har brukt når datadrevne scenarier trenger rask registrering uten store seremonier. Det er bygget rundt hierarkiske sjekklister, slik at testere kan gruppere datavariasjoner under overordnede tilfeller og utføre dem raskt.

Under mine datadrevne økter med TestpadJeg brukte det tastaturbaserte grensesnittet til å lage dusinvis av inputvariasjoner i én omgang. Støtte for gjestetesting lot meg hente inn domeneeksperter for å validere datakombinasjoner i kanttilfeller uten å betale for ekstra plasser.

Egenskaper:

• Sjekklister for hierarkiske tester: Testpad organiserer parameteriserte tester i nestede sjekklister slik at du kan gruppere relaterte datavariasjoner under ett enkelt overordnet tilfelle. Du kan utvide og skjule grener for å fokusere på spesifikke datasett. Jeg bruker dette for å holde komplekse datamatriser visuelt ryddige.
• Tastaturdrevet redigering: Den lar deg opprette, rykke inn og endre rekkefølgen på testelementer med hurtigtaster, slik at det går raskt å bygge store datadrevne planer. Du kan holde deg i flyten uten å bruke musen. Jeg synes dette reduserer tiden det tar å registrere nye datasettrader dramatisk.
• Tilgang for gjestetester: Testpad støtter et ubegrenset antall gjestetestere uten kostnader per seat, slik at du kan hente inn domeneeksperter for spesifikke datakombinasjoner. Du kan invitere interessenter til å verifisere edge-tilfeller uten lisensieringskostnader. Jeg er avhengig av dette under brukergodkjenning med parameteriserte scenarier.
• Rapporter som kan deles umiddelbart: Plattformen genererer lette rapporter du kan dele via lenke, slik at fremdriften er synlig uten å åpne verktøyet. Du kan filtrere etter tester, status eller testgren. Jeg sender disse til produktsjefer på slutten av hver datadrevne testkjøring.
• Problemet Tracker-lenking: Den kobler mislykkede tester til Jira- eller GitHub-forespørsler via enkle lenker, slik at feil i datarad raskt rutes til utvikling. Du kan legge til kontekst direkte fra et mislykket sjekklisteelement. Jeg holder testeren fokusert på utførelse mens jeg lar verktøyene håndtere rutingen.

Priser:

• Pris: Abonnementene starter på 59 dollar per måned, med tilpassede bedriftsplaner tilgjengelig for større team
• Gratis prøveperiode: 30-dagers gratis prøveversjon

Besøk Testpad >>

30-dagers gratis prøveperiode

Beste praksis for datadrevet testing

Nedenfor finner du de beste testpraksisene for datadrevet testing:

• Det er ideelt å bruke realistisk informasjon under den datadrevne testprosessen
• Testflytnavigasjon skal være kodet inne i testskriptet
• Drive virtuelle APIer med meningsfulle data
• Bruk data til å drive dynamiske påstander
• Test positive så vel som negative utfall
• Gjenbruk datadrevne funksjonstester for sikkerhet og ytelse

Fordeler med datadrevet testing

Datadrevet testing tilbyr mange fordeler. Noen av dem er:

1. Tillater testing av applikasjonen med flere sett med dataverdier underveis Regresjonstesting
2. Testdata og verifikasjonsdata kan organiseres i bare én fil, og den er atskilt fra testcase-logikken.
3. Basert på verktøyet er det mulig å ha testskriptene i ett enkelt arkiv. Dette gjør testene enkle å forstå, vedlikeholde og administrere.
4. Handlinger og funksjoner kan gjenbrukes i forskjellige tester.
5. Noen verktøy genererer testdata automatisk. Dette er nyttig når store mengder tilfeldige testdata er nødvendige, noe som bidrar til å spare tid.
6. Datadrevet testing kan utføres i enhver fase av utviklingen. Datadrevne testtilfeller slås vanligvis sammen til én enkelt prosess. De kan imidlertid brukes i flere testtilfeller.
7. Lar utviklere og testere ha tydelig separasjon for logikken til testsakene/skriptene deres fra testdataene.
8. De samme testtilfellene kan kjøres flere ganger, noe som bidrar til å redusere antallet testtilfeller og skript.
9. Eventuelle endringer i testskriptet påvirker ikke testdataene

Ulemper med datadrevet testing

Noen ulemper med datadrevet automatiseringstestmetode er:

1. Testens kvalitet avhenger av implementeringsteamets automatiseringsferdigheter.
2. Datavalidering er en tidkrevende oppgave når man tester store mengder data.
3. Vedlikehold er et stort problem, ettersom det kreves en stor mengde koding for datadrevet testing.
4. Tekniske ferdigheter på høyt nivå kreves. En tester må kanskje lære et helt nytt skriptspråk.
5. Det vil bli mer dokumentasjon, hovedsakelig relatert til skripthåndtering, testinfrastruktur og testresultater.
6. Et tekstredigeringsprogram som Notisblokk er nødvendig for å opprette og vedlikeholde datafiler.

Datadrevet testing vs. søkeorddrevet testing

Nybegynnere forveksler ofte datadrevet testing med nøkkelorddrevet testing fordi begge skiller testdesign fra testskript. Forskjellen ligger i hva som eksternaliseres: datadrevet testing eksternaliserer inputverdiene, mens nøkkelorddrevet testing eksternaliserer selve handlingene som gjenbrukbare nøkkelord. Tabellen nedenfor sammenligner de to tilnærmingene:

Parameter	Datadrevet testing	Søkeorddrevet testing
Hva er eksternalisert	Testdata (inndata og forventede resultater)	Testhandlinger (nøkkelord som Logg inn, Klikk, Bekreft)
Datakilde	Excel-, CSV-, XML- eller databasetabeller	Nøkkelordtabeller pluss valgfrie datatabeller
Nødvendige ferdigheter	Middels god skriptkunnskap	Høyere innsats i starten av designen; mindre koding for å lage nye tester
Passer best for	Gjenta ett scenario med mange inndatakombinasjoner	Bygge mange scenarier fra gjenbrukbare handlingsblokker
Vedlikehold	Oppdater datafiler uten å berøre skript	Oppdater nøkkelordbiblioteket når applikasjonens virkemåte endres

Mange team kombinerer begge tilnærmingene i et hybridrammeverk, der nøkkelord definerer gjenbrukbare handlinger og eksterne datafiler leverer verdiene for hver testkjøring.

Spørsmål og svar