测试老司机手把手教你造数据：5款测试数据生成工具实战

在软件测试的日常工作中，测试数据的准备往往是非常耗时且容易被忽视的环节。手工造数据不仅效率低下，还容易出现数据覆盖不全面、边界场景遗漏等问题。

作为一名资深测试工程师，我深知高质量测试数据对测试效果的重要性。今天，我将为大家深入剖析五款主流的测试数据生成工具:Faker、Mockaroo、JSON Generator、Mimesis和Chance.js，帮助你快速掌握测试数据生成。

为什么需要专业的测试数据生成工具?

在讨论具体工具之前，我们先来理解为什么需要这些工具。传统的测试数据准备方式存在以下痛点:

●效率低下:手工编造数据耗时费力，特别是需要大量数据时

●真实性不足:随意编造的数据往往缺乏真实场景的特征

●覆盖不全:容易遗漏边界值、特殊字符、多语言等场景

●维护困难:数据硬编码在测试脚本中，修改和复用都很麻烦

●隐私风险:使用生产环境真实数据存在合规风险

专业的测试数据生成工具能够帮我们解决这些问题，让测试数据的准备工作变得高效、规范、可控。

工具一:Faker-Python生态的数据生成王者

工具概述

Faker是Python生态中最流行的测试数据生成库，支持多种语言和地区的本地化数据生成。它的设计理念是“简单易用，功能强大”，非常适合Python开发者和测试工程师使用。

核心特性

●多语言支持:支持50+种语言和地区，包括中文、英文、日文等

●丰富的数据类型:姓名、地址、电话、邮箱、公司、文本、日期等

●可扩展性强:支持自定义Provider，可以生成业务特定的数据

●种子机制:通过设置种子值，可以生成可重复的测试数据

实战案例

pip install faker

# generate_fake_data.pyfrom faker import Faker# 创建中文数据生成器fake_zh = Faker('zh_CN')# 生成基础个人信息print(f"姓名: {fake_zh.name()}")print(f"地址: {fake_zh.address()}")print(f"电话: {fake_zh.phone_number()}")print(f"邮箱: {fake_zh.email()}")# 生成公司信息print(f"公司: {fake_zh.company()}")print(f"职位: {fake_zh.job()}")# 生成日期时间print(f"生日: {fake_zh.date_of_birth(minimum_age=18, maximum_age=65)}")# 批量生成用户数据users = []for _ in range(100): user = { 'id': fake_zh.uuid4(), 'username': fake_zh.user_name(), 'name': fake_zh.name(), 'email': fake_zh.email(), 'phone': fake_zh.phone_number(), 'address': fake_zh.address(), 'created_at': fake_zh.date_time_this_year() } users.append(user)# 使用种子保证数据可重复Faker.seed(12345)fake_seeded = Faker('zh_CN')print(fake_seeded.name()) # 每次运行结果相同

适用场景

●Python项目的单元测试和集成测试

●数据库填充和性能测试

●API接口测试的请求数据生成

●需要本地化数据的国际化项目测试

使用技巧

●合理使用种子:在需要数据可重复的场景(如回归测试)使用种子机制

●自定义Provider:针对业务特定字段(如会员等级、订单状态)创建自定义生成器

●性能优化:批量生成数据时，复用Faker实例而不是每次创建新实例

工具二:Mockaroo-在线数据生成神器

工具概述

Mockaroo是一款强大的在线测试数据生成工具，提供直观的Web界面和 RESTful API。它最大的优势是无需编程即可快速生成复杂的测试数据集。

核心特性

●可视化配置:通过Web界面拖拽配置数据结构

●140+数据类型:涵盖常见和特殊的数据类型

●多种导出格式:支持CSV、JSON、SQL、Excel等格式

●RESTful API:可集成到自动化测试流程中

●数据关联:支持字段间的依赖关系和公式计算

实战案例

场景:生成电商订单测试数据

1、访问 mockaroo.com，创建新的 Schema

2、配置字段:

●order_id: Row Number

●customer_name: Full Name

●email: Email Address

●product: Product Name

●quantity: Number(1-10)

●unit_price: Money(10-1000)

●total: Formula(quantity * unit_price)

●order_date: DateTime(过去一年内)

●status: Custom List(pending, paid, shipped, delivered)

3、设置生成 1000条数据，选择 JSON格式下载

4、使用 API集成到测试脚本:

pip install requests

# Mockaroo_API.pyimport requests# Mockaroo API调用api_key = 'your_api_key'url = f'https://api.mockaroo.com/api/generate.json?key={api_key}&count=100'schema = [ {"name": "order_id", "type": "Row Number"}, {"name": "customer_name", "type": "Full Name"}, {"name": "email", "type": "Email Address"}, {"name": "product", "type": "Product Name"}, {"name": "quantity", "type": "Number", "min": 1, "max": 10}, {"name": "unit_price", "type": "Money", "min": 10, "max": 1000}, {"name": "order_date", "type": "Datetime", "min": "2024-01-01", "max": "2024-12-31"}, {"name": "status", "type": "Custom List", "values": ["pending", "paid", "shipped", "delivered"]}]response = requests.post(url, json=schema)orders = response.json()print(orders)

适用场景

●快速原型验证和演示数据准备

●数据库初始化和迁移测试

●非技术人员参与的测试数据准备

●需要复杂数据关联的场景

使用技巧

●保存Schema:将常用的数据结构保存为模板，提高复用性

●使用公式:利用公式功能实现字段间的逻辑关联

●API集成:将 Mockaroo API集成到 CI/CD流程中，实现自动化数据准备

工具三:JSON Generator

灵活的JSON数据定制工具

工具概述

JSON Generator是一款专注于JSON格式数据生成的在线工具，通过类似模板语言的语法，可以灵活定义复杂的JSON数据结构。

核心特性

●模板语法:使用简洁的模板语法定义数据结构

●内置函数:提供丰富的数据生成函数

●嵌套结构:轻松生成多层嵌套的JSON数据

●循环和条件:支持循环生成和条件判断

● 实时预览:即时查看生成结果

实战案例

访问:https://json-generator.com/

// JSON Generator模板示例[ { 'repeat(50)': { id: '{{objectId()}}', index: '{{index()}}', guid: '{{guid()}}', isActive: '{{bool()}}', balance: '{{floating(1000, 4000, 2, "$0,0.00")}}', picture: 'http://placehold.it/32x32', age: '{{integer(20, 60)}}', eyeColor: '{{random("blue", "brown", "green")}}', name: { first: '{{firstName()}}', last: '{{surname()}}' }, company: '{{company().toUpperCase()}}', email: function (tags) { returnthis.name.first.toLowerCase() + '.' + this.name.last.toLowerCase() + '@' + this.company.toLowerCase() + '.com'; }, phone: '+1 {{phone()}}', address: '{{integer(100, 999)}} {{street()}}, {{city()}}, {{state()}}, {{integer(100, 10000)}}', about: '{{lorem(1, "paragraphs")}}', registered: '{{date(new Date(2020, 0, 1), new Date(), "YYYY-MM-ddThh:mm:ss")}}', tags: [ { 'repeat(3, 7)': '{{lorem(1, "words")}}' } ], friends: [ { 'repeat(3)': { id: '{{index()}}', name: '{{firstName()}} {{surname()}}' } } ] } }]

适用场景

●RESTful API测试数据准备

●前端 Mock数据生成

●复杂嵌套JSON结构的测试

●微服务间数据契约测试

使用技巧

●善用函数组合:将多个内置函数组合使用，生成更真实的数据

●自定义函数:使用 JavaScript函数实现复杂的业务逻辑

●模板复用:将常用的数据结构保存为代码片段，提高效率

工具四:Mimesis

高性能的Python数据生成库

工具概述

Mimesis是一款专注于性能的 Python测试数据生成库，相比 Faker，它在生成速度上有显著优势，特别适合需要大量数据的性能测试场景。

核心特性

●极致性能:生成速度比 Faker快 2-3倍

●内存友好:采用惰性加载，内存占用更低

●类型丰富:支持30+种数据类型

●多语言支持:支持 33种语言环境

●Schema支持:可以通过 Schema定义复杂数据结构

实战案例

pip install mimesis

# generate_mimesis_data.pyfrom mimesis import Person, Address, Datetime, Financefrom mimesis.locales import Localefrom mimesis.schema import Field, Schema# 基础使用person = Person(Locale.EN)address = Address(Locale.EN)datetime = Datetime(Locale.EN)finance = Finance(Locale.EN)print(person.full_name())print(address.address())print(datetime.datetime())print(finance.company())# 使用 Schema批量生成field = Field(Locale.EN)def user_schema(): return { 'id': field('uuid'), 'name': field('person.full_name'), 'email': field('person.email'), 'phone': field('person.telephone'), 'address': field('address.address'), 'birthday': field('datetime.date', start=1970, end=2005), 'salary': field('finance.price', minimum=5000, maximum=50000), 'created_at': field('datetime.datetime') }# 生成 10000条数据users = [user_schema() for _ in range(10000)]# 打印所有生成的数据print("\n" + "="*80)print(f"生成了 {len(users)} 条用户数据:")print("="*80 + "\n")for i, user in enumerate(users, 1): print(f"用户 {i}:") for key, value in user.items(): print(f" {key}: {value}") print()# 性能对比测试import timestart = time.time()for _ in range(10000): person.full_name()end = time.time()print(f"Mimesis生成 10000个姓名耗时: {end-start:.2f}秒")

适用场景

●大规模数据生成(百万级以上)

●性能测试和压力测试

●数据库批量填充

●对生成速度有严格要求的场景

使用技巧

●使用Schema:对于复杂数据结构，使用 Schema可以提高代码可读性

●合理选择Locale:根据测试需求选择合适的语言环境

●性能优化:在循环中复用 Provider实例，避免重复初始化

☑️想了解更多涨薪技能提升方法

✔️可以到公主号【Atstudy技术社区】,即可加入领取 ⬇️⬇️⬇️

☑️转行、入门、提升、需要的各种干货资料

☑️内含AI测试、 车载测试、AI大模型开发、BI数据分析、银行测试、游戏测试、AIGC