互联网的发展催生了大数据行业的诞生和发展。大数据平台和大数据应用成为了各家排兵布阵的重要之地。那么，从测试的视角来看，大数据平台和应用的测试，我们应该关注哪些点呢？

　　换个姿势看问题。今天我们从问题域的角度来聊一聊。

　　什么是问题域？

　　指的是问题的范文，问题之间存在的关系和可能逻辑空间。

　　比如，在测试过程中我们面临的“xx接口是否正常？”这样的问题，我们可以将它归纳到某个与之有关的问题域中（比如功能测试）。

　　在我们测试的时候，经常会先入为主的提出：功能测试、性能测试、压力测试等等分类。然后在对应的测试类型中设置问题，观察软件或系统的反应，从而解决我们的问题，并依据我们的期望判定问题答案的正确性和优异性。

　　举例说明

　　现在，让我们逆向思维：开始脑洞

　　——提出问题——然后规划问题域。

　　01

　　开始脑洞

　　在开始本文的主要内容之前，我们先看一个，下图1是百度搜索主页面，我们先来脑洞一些问题吧。

图1 百度搜索主页

　　02

　　提出问题

　　1、“我搜索‘周杰伦’会是什么结果？能不能帮我找到周杰伦的电话号码？”

　　2、“我想什么都不输入，能不能点击搜索按钮？”

　　3、“我点击相机图标会是什么结果？如果我拍一朵不认识的野花，能帮我找到它的名字吗？”

　　4、“这个推荐是我想喜欢的吗？”

　　5、“热搜是实时的吗？”

　　6、“怎么看上海的天气？”

　　7、“语音播报正不正常？”

　　8、“我要是输入一大堆乱码或无意义的文字，是什么结果？”

　　......

　　还有没有其他问题？我想答案是肯定的。那么，我们来分分类，找找所属的问题域。

　　03

　　规划问题域

　　明显，如果我们从传统的测试分类来看，1-8都可以归纳到功能性测试与验证上。但是，从大数据平台和应用的角度出发（百度搜索能算的上一款大数据应用，我想大家应该认同吧），还有其他的问题域划分。

　　比如：

　　1、数据提取验证；

　　2、数据更新的实时性测试；

　　3、算法效果验证；

　　4、响应及时性；

　　5、算法稳定性；

　　6、数据转换和传输验证；

　　7、数据加载和显示验证；

　　以及其他问题域。

　　为什么要如此划分？因为有两个方面原因：

　　一是从平台和应用的角度出发；

　　二是从大数据本身特点出发。

　　大数据应用（比如淘宝）除了我们认知的基础大数据平台之外，还涉及一定的算法推荐（比如猜你喜欢）。所以我们不仅要考虑平台，还要考虑应用本身。

　　那么，我们再进一步划分下大数据平台和应用测试的问题域。大数据平台主要是为上层应用提供支撑，例如：数据采集、数据提取、数据转换等功能。因此，我们可以将：

　　1、6、7归到平台问题域；

　　将2、3、4、5、归类到大数据应用域。

　　我们主要简单讲讲，对于这些问题域，我们需要关注的一些重点问题。

　　大数据平台问题域

　　01

　　数据提取验证

　　大数据平台的数据来源可以有、音频、文字等等，所以在各个渠道入口，我们需要验证数据提取的正确性和高效性。

　　举个例子：淘宝平台的搜索框功能测试，我们需要验证文字检索、检索等等方式。

　　02

　　数据转换和传输验证

　　因为数据来源的多样性，我们还需要关注数据在转换和传输过程中的正确性。

　　举个例子：试想一下，淘宝软件是如何将转换成数据进行搜索的？

　　03

　　数据加载和显示验证

　　所有的系统或软件，最终都要以一种“合适”的方式展示给用户。这是一项基本能力，也是一项基本测试项。

　　举个例子：浏览淘宝页面时，页面布局和大小，是否与你的手机尺寸相适应？是否清晰？

　　大数据应用问题域

　　01

　　数据更新的实时性测试

　　对于大数据应用来说，数据的实时性更新非常重要，是一个测试的要点。因为数据是不断产生的，而应用需要及时地将数据经过处理呈现出来。

　　举个例子：当你在淘宝搜索你想要的物品时，替换关键字搜索，结果是否实时更新？或者，你在头条等平台发表文章，成功后是否能够被及时搜索到？

　　02

　　算法效果验证

　　这个问题，相比应该很好理解。所谓算法效果验证，值得就是针对大数据应用的一些检索算法、计算模型等方法的验证。

　　举个例子：如何验证头条的限流算法？从应用层来说，发表一篇包含违禁关键词的文章，看看是否被限流或者不能公开发表？

　　03

　　响应及时性

　　响应及时性在常规系统或软件中也是一个常测试的功能。通俗来讲，可以理解为效率性测试。对于大数据应用来说，响应及时性尤为重要。因为大数据应用本身的数据量特定，及时响应成为了一个业务难题和重要的命题。

　　举个例子：在双11大促活动中，试试搜索某个商品，是否及时显示？抢单是否成功？

　　04

　　算法稳定性

　　算法稳定性其实可以和算法效果验证并站一排。一个是功能验证，一个算是性能验证。稳定性测试需要长久的时间积累和验证，或者在不同环境下测试。

　　举个例子：双11大促活动时，商品推荐算法是否稳定？广告推荐算法受众是否符合规则？

　　总结

　　我们经常是从测试问题分类然后细分测试问题，但是有时候，我们不妨换个角度，先列举出许多问题，然后划分问题域，最后再从问题域拓展出相关领域。

　　也许，这可能会成为一个启发点，你说呢？

作者：刘晓佳Rachel    

来源：http://www.51testing.com/html/99/n-7797299.html