Vad är datadriven testning?

Datadriven testning

Datadriven testning är en mjukvarutestmetod där testdata lagras i tabell- eller kalkylbladsformat. Datadriven testning tillåter testare att mata in ett enda testskript som kan utföra tester för alla testdata från en tabell och förvänta sig testresultatet i samma tabell. Det kallas också för tabelldriven testning eller parametriserad testning.

Datadrivet ramverk

Datadrivet ramverk är ett ramverk för automatiseringstestning där indatavärden läses från datafiler och lagras i variabler i testskript. Det gör det möjligt för testare att bygga både positiva och negativa testfall i ett enda test. Indata i ett datadrivet ramverk kan lagras i en eller flera datakällor som .xls, .xml, .csv och databaser. Diagrammet nedan visar hur indatavärden flödar från datafilen till testskriptet.

Varför datadriven testning?

Datadriven testning är viktigt eftersom testare ofta har flera datamängder för ett enda test och det kan vara tidskrävande att skapa individuella tester för varje datamängd. Datadriven testning hjälper till att hålla data separerade från testskript, och samma testskript kan köras för olika kombinationer av indata för testet samtidigt som testresultat genereras effektivt.

Exempel:

Anta att vi vill testa inloggningssystemet med flera inmatningsfält mot 1000 olika datamängder.

För att testa detta kan du använda följande olika metoder:

Tillvägagångssätt 1) Skapa 1000 skript, ett för varje dataset, och kör varje test separat ett i taget.

Tillvägagångssätt 2) Ändra värdet i testskriptet manuellt och kör det flera gånger.

Tillvägagångssätt 3) Importera data från Excel-arket. Hämta testdata från Excel-raderna en i taget och kör skriptet.

Bland de tre givna scenarierna är de två första mödosamma och tidskrävande. Därför är det idealiskt att följa den tredje metoden.

Det tredje tillvägagångssättet är alltså inget annat än ett datadrivet ramverk.

Typer av testdata i datadriven testning

Värdet av datadriven testning beror direkt på kvaliteten på de datamängder du matar in i dina testskript. En väl utformad datafil blandar flera kategorier av testdata så att ett skript kan validera normalt beteende, felhantering och begränsningar i en enda körning:

• Positiva (giltiga) data: Korrekta inmatningar, såsom ett giltigt användarnamn och lösenord, används för att bekräfta att applikationen accepterar det den ska acceptera.
• Negativ (ogiltig) data: Felaktiga eller felaktigt utformade inmatningar som borde avvisas, till exempel ett felaktigt lösenord eller specialtecken i ett numeriskt fält.
• Gränsdata: Värden i utkanten av tillåtna intervall, som ett användarnamn på 1 eller 255 tecken, vilket ofta avslöjar dolda fel.
• Tomma eller nulldata: Tomma fält som verifierar validering av obligatoriska fält och felmeddelanden.
• Stora datamängder: Massgenererade eller slumpmässigt genererade poster som används för att kontrollera prestanda och stabilitet under realistisk belastning.

Med rätt data förberedda är nästa steg att bygga själva ramverket.

Hur man skapar ett datadrivet automationsramverk

Tänk dig att du vill testa inloggningsfunktionen i en applikation. Flödesschemat ovan visar hela cykeln: identifiera testfallen, skriv det gemensamma testskriptet, flytta data till en extern fil och loopa skriptet över varje datarad.

Steg 1) Identifiera testfallen

• Ange korrekt användarnamn och lösenord – inloggning lyckad
• Ange felaktigt användarnamn och korrekt lösenord – Inloggningsfel
• Ange korrekt användarnamn och felaktigt lösenord – Inloggningsfel

Steg 2) Skapa detaljerade teststeg för ovanstående 3 testfall

Testfall#	BESKRIVNING	Teststeg	Testdata	Förväntade resultat
1	Kontrollera Logga in för giltiga referenser	Starta programmet Ange användarnamn lösenord Klicka på Okej Kontrollera resultat	Användarnamn: giltigt lösenord: giltigt	Logga in framgång
2	Kontrollera inloggning för ogiltiga autentiseringsuppgifter	Starta programmet Ange användarnamn lösenord Klicka på Okej Kontrollera resultat	Användarnamn: ogiltigt lösenord: giltigt	Inloggning misslyckades
3	Kontrollera inloggning för ogiltiga autentiseringsuppgifter	Starta programmet Ange användarnamn lösenord Klicka på Okej Kontrollera resultat	Användarnamn: giltigt lösenord: ogiltigt	Inloggning misslyckades

Steg 3) Skapa testskript

Om du observerar detta är teststegen gemensamma för alla tre testfallen. Du behöver skapa ett testskript för att utföra dessa steg:

// 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

Steg 4) Skapa en Excel/CSV-fil med indata för testet, som visas i exempelarket nedan

Steg 5) Modifiera skriptet så att det loopar över indata för testet. Inmatningskommandona bör också parametriseras.

// 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
}

Ovan är bara 3 testfall. Testskriptet kan användas för att loopa över följande testfall bara genom att lägga till testdatavärden till excel

• Ange felaktigt användarnamn och felaktigt lösenord – Inloggning misslyckades
• Ange korrekt användarnamn och lösenord tomt – Inloggning misslyckades
• Ange tomt användarnamn och tomt lösenord – Inloggning misslyckades

Och så vidare

När ditt ramverk är klart förenklar rätt verktyg datahantering, exekvering och rapportering.

Bästa datadrivna testverktyget

1) Testa sigma

Testa sigma är en molnbaserad datadriven testplattform som jag har funnit ovärderlig för att maximera testtäckningen genom att frikoppla testlogik från testdata. Den är specifikt utformad för team som behöver validera applikationer mot olika datamängder, edge-fall och affärsscenarier utan att skapa redundanta testskript, vilket effektiviserar hela det datadrivna testarbetsflödet.

Under mina datadrivna testprojekt utnyttjade jag Testsigmas parameteriseringsfunktioner för att exekvera identiska testscenarier mot flera datakombinationer från externa källor som Excel och CSV-filer. Plattformens förmåga att iterera genom datarader utökade automatiskt min testtäckning avsevärt, medan detaljerad rapportering av resultat på datanivå hjälpte mig att snabbt identifiera vilka specifika inmatningskombinationer som utlöste fel över webb-, mobil- och API-lager.

Funktioner:

• Integrering av externa datakällor: Den här funktionen möjliggör direkta kopplingar till Excel-kalkylblad, CSV-filer och databastabeller för centraliserad hantering av testdata. Den eliminerar hårdkodade värden och låter dig underhålla testdata oberoende av testlogik. Du kan uppdatera dataset utan att ändra testskript, vilket säkerställer flexibilitet och underhållbarhet. Jag använder detta för att hantera hundratals datavariationer effektivt samtidigt som jag håller...ping testscenarier rena och återanvändbara.
• Automatiserad iteration av data med flera rader: Testsigma kör automatiskt testscenarier över flera datarader i en enda testkörning, vilket dramatiskt utökar täckningen. Du kan validera ett flertal inmatningskombinationer, randvillkor och variationer i affärsregler utan att duplicera testfall. Den här funktionen hanterar datasekvensering och iterationslogik transparent. Jag tyckte att detta var särskilt effektivt för omfattande regressionstestning med minimalt skriptunderhåll.
• Dynamisk teststegsparametrisering: Den låter dig ersätta statiska värden med dynamiska parametrar som hämtar data från externa källor under körning. Du kan konfigurera teststeg för att anpassa sig till varierande indata, villkor och förväntade resultat baserat på datasetvärden. Den här funktionen stöder komplexa datatransformationer och villkorlig logik. Jag förlitar mig på den för att bygga flexibla testscenarier som tillgodoser olika affärskrav och användararbetsflöden.
• Rapportering av exekvering på datanivå: Plattformen genererar detaljerade rapporter som bryter ner testresultat efter individuella datakombinationer och visar exakt vilka indata som godkändes eller misslyckades. Du kan analysera mönster, identifiera problematiska dataintervall och trace-fel till specifika datamängdrader. Den här funktionen tillhandahåller visuella dashboards och exporterbara analyser för kommunikation med intressenter. Jag rekommenderar att du använder dessa insikter för att prioritera förbättringar av datakvaliteten och förfina strategier för testdata.
• Plattformsoberoende datadriven support: Testsigma utökar datadrivna funktioner över webb-, mobil- och API-testning inom enhetliga arbetsflöden. Du kan använda samma datamängder för att validera konsekvens över olika applikationslager och tekniker. Den här funktionen säkerställer omfattande end-to-end-validering med parametriserade dataflöden. Jag har använt den för att verifiera att backend-databehandling återspeglas korrekt i frontend-gränssnitt över flera plattformar samtidigt.

Prissättning:

• Pris: Anpassad prissättning med datadrivna testfunktioner inkluderade som en del av den omfattande prenumerationsplanen
• Gratis rättegång: 14-dagars gratis provperiod

Besök Testsigma >>

14-dagars gratis provperiod

---

2) Testiny

Testiny är en modern molnbaserad plattform för testfallshantering som jag har använt för att organisera datadrivna testfall effektivt samtidigt som jag hållerping tydlig åtskillnad mellan testlogik och parametriserade datamängder. Den är byggd för team som behöver hantera olika datakombinationer över många testkörningar utan att förlora tracförmåga.

Medan man kör datadrivna projekt med TestinyJag uppskattade hur dess massredigering och mallfunktioner gjorde det enkelt att skala testvariationer över hundratals datarader. Plattformen integreras med Jira, GitHub och GitLab så att misslyckade datakombinationer länkar tillbaka till problemet. trackers automatiskt.

Funktioner:

• Massredigering av testfall: Testiny låter dig redigera, duplicera och parametrisera många testfall samtidigt, vilket snabbar upp skapandet av datadrivna variationer. Du kan tillämpa ändringar över mappar på några sekunder utan att behöva röra vid varje fall individuellt. Jag förlitar mig på detta när jag utökar täckningen till nya datamängder utan att skriva om skript.
• Anpassade fält för datainmatning: Det låter dig definiera anpassade fält per projekt så att datasetattribut kan tracföljt av varje testkörning. Du kan registrera indatavärden, förväntade resultat och villkor tydligt på ett ställe. Jag använder dessa fält för att göra komplexa parametriserade scenarier enkla att granska senare.
• Testkörning i realtid Tracking: Plattformen visar live-körningsstatus för alla teammedlemmar så att datadrivna testkörningar förblir transparenta. Du kan tilldela ärenden, övervaka procentandelar för godkända/underkända och identifiera blockerade datakombinationer allt eftersom de inträffar. Jag tycker att detta är användbart för kee.ping QA-chefer informeras utan ständiga statusmöten.
• PDF och delbar rapportering: Testiny genererar tydliga PDF-rapporter med diagram och sammanfattningar av utföranden som du kan dela med icke-tekniska intressenter. Du kan filtrera efter datamängd, milstolpe eller release. Jag skickar ut dessa i slutet av varje sprint för att kommunicera kvalitetsstatus.
• Ursprungligt problem Tracker-integrationer: Den ansluter till Jira, GitHub, GitLab, Azure DevOps, Linjär, Asana, Confluence, Trello och monday.com så att misslyckade datarader snabbt förvandlas till ärenden. Du kan hålla testkörning och tekniska arbetsflöden i linje. Jag har märkt att detta dramatiskt minskar friktionen vid överlämning mellan QA- och utvecklingsteam.

Prissättning:

• Pris: Gratisplan för upp till 3 användare; betalda planer skalas upp efter platser och lägg till premiumsupport
• Gratis rättegång: 21-dagars gratis provperiod

Besök Testiny >>

21-dagars gratis provperiod

---

3) Testpad

Testpad är ett lättviktigt checklistdrivet testhanteringsverktyg som jag har använt mig av när datadrivna scenarier behöver snabb registrering utan stora ceremonier. Det är byggt kring hierarkiska checklistor så att testare kan gruppera datavariationer under överordnade fall och köra dem snabbt.

Under mina datadrivna sessioner med TestpadJag använde dess tangentbordsbaserade gränssnitt för att skapa dussintals inmatningsvariationer i ett svep. Tack vare gästtestarstödet kunde jag ta in domänexperter för att validera datakombinationer i edge-case-testet utan att betala för extra platser.

Funktioner:

• Checklistor för hierarkiska tester: Testpad organiserar parametriserade tester i kapslade checklistor så att du kan gruppera relaterade datavariationer under ett enda överordnat fall. Du kan expandera och komprimera grenar för att fokusera på specifika datamängder. Jag använder detta för att hålla komplexa datamatriser visuellt prydliga.
• Tangentbordsdriven redigering: Den låter dig skapa, dra in och ändra ordning på testobjekt med kortkommandon så att det går snabbt att bygga stora datadrivna planer. Du kan hålla dig i flödet utan att behöva använda musen. Jag tycker att detta dramatiskt minskar tiden det tar att registrera nya datamängdrader.
• Åtkomst för gästtestare: Testpad stöder obegränsat antal gästtestare utan avgift per plats så att du kan ta in domänexperter för specifika datakombinationer. Du kan bjuda in intressenter för att verifiera edge-fall utan licensieringskostnader. Jag förlitar mig på detta under användaracceptans med parametriserade scenarier.
• Omedelbara delbara rapporter: Plattformen genererar enkla rapporter som du kan dela via länk så att framstegen är synliga utan att verktyget behöver öppnas. Du kan filtrera efter testare, status eller testgren. Jag skickar dessa till produktchefer i slutet av varje datadriven testkörning.
• Utgåva Tracker-länkning: Den kopplar misslyckade tester till Jira- eller GitHub-ärenden via enkla länkar så att dataradsfel snabbt leder vidare till utveckling. Du kan koppla sammanhang direkt från en misslyckad checklista. Jag håller testaren fokuserad på exekveringen samtidigt som jag låter verktygen hantera routningen.

Prissättning:

• Pris: Abonnemangen börjar på 59 USD/månad med anpassade företagsabonnemang tillgängliga för större team
• Gratis rättegång: 30-Day Free Trial

Besök Testpad >>

30-dagars gratis provperiod

Bästa metoder för datadriven testning

Nedan följer de bästa testmetoderna för datadriven testning:

• Det är idealiskt att använda realistisk information under den datadrivna testprocessen
• Testflödesnavigering bör kodas inuti testskriptet
• Kör virtuella API:er med meningsfull data
• Använd data för att driva dynamiska påståenden
• Testa positiva såväl som negativa utfall
• Återanvända datadrivna funktionstester för säkerhet och prestanda

Fördelar med datadrivna tester

Datadriven testning erbjuder många fördelar. Några av dem är:

1. Tillåter testning av applikationen med flera uppsättningar datavärden under Regressionstestning
2. Testdata och verifieringsdata kan organiseras i bara en fil, och den är skild från testfallslogiken.
3. Baserat på verktyget är det möjligt att ha testskripten i ett enda arkiv. Detta gör testerna enkla att förstå, underhålla och hantera.
4. Actions and Functions kan återanvändas i olika tester.
5. Vissa verktyg genererar testdata automatiskt. Detta är användbart när stora mängder slumpmässig testdata är nödvändiga, vilket hjälper till att spara tid.
6. Datadriven testning kan utföras i vilken fas som helst av utvecklingen. Datadrivna testfall slås vanligtvis samman till en enda process. De kan dock användas i flera testfall.
7. Tillåter utvecklare och testare att ha en tydlig separation för logiken i deras testfall/skript från testdata.
8. Samma testfall kan köras flera gånger, vilket bidrar till att minska antalet testfall och skript.
9. Eventuella ändringar i testskriptet påverkar inte testdata

Nackdelar med datadriven testning

Några nackdelar med datadriven automationstestmetod är:

1. Testets kvalitet beror på implementationsteamets automatiseringsfärdigheter.
2. Datavalidering är en tidskrävande uppgift när man testar en stor mängd data.
3. Underhåll är en stor fråga, eftersom en stor mängd kodning krävs för datadriven testning.
4. Tekniska färdigheter på hög nivå krävs. En testare kan behöva lära sig ett helt nytt skriptspråk.
5. Det kommer att finnas mer dokumentation, främst relaterad till skripthantering, testinfrastruktur och testresultat.
6. En textredigerare som Anteckningar krävs för att skapa och underhålla datafiler.

Datadriven testning kontra sökordsdriven testning

Nybörjare förväxlar ofta datadriven testning med nyckelordsdriven testning eftersom båda separerar testdesign från testskript. Skillnaden ligger i vad som externaliseras: datadriven testning externaliserar indatavärdena, medan nyckelordsdriven testning externaliserar själva handlingarna som återanvändbara nyckelord. Tabellen nedan jämför de två metoderna:

Parameter	Datadriven testning	Sökordsdriven testning
Vad är externaliserat	Testdata (indata och förväntade resultat)	Teståtgärder (nyckelord som Logga in, Klicka, Verifiera)
Datakälla	Excel-, CSV-, XML- eller databastabeller	Nyckelordstabeller plus valfria datatabeller
Färdigheter krävs	Måttliga kunskaper i skript	Högre initial designinsats; mindre kodning för att skapa nya tester
Bäst lämpad för	Upprepa ett scenario med många inmatningskombinationer	Bygga många scenarier från återanvändbara åtgärdsblock
Underhåll	Uppdatera datafiler utan att röra skript	Uppdatera nyckelordsbiblioteket när programmets beteende ändras

Många team kombinerar båda metoderna i ett hybridramverk, där nyckelord definierar återanvändbara åtgärder och externa datafiler tillhandahåller värdena för varje testkörning.

Vanliga frågor