什么是数据测试？

数据测试，是对数据在业务系统中“产生—传输—处理—存储—展示”等生命周期过程进行验证，目的是确保数据的准确性、完整性、一致性、安全性和时效性。

它不仅是软件测试中的一个重要分支，也是保障数据驱动业务正确运行的关键环节。

与传统功能测试相比，数据测试更强调与数据库、接口、数据模型、ETL流程、日志、文件等数据源打交道，对测试人员的逻辑能力、SQL能力、数据敏感性和业务理解力要求更高。

数据测试关注的主要方面

01、数据采集阶段

主要验证系统是否正确地采集到源数据。

测试点：

数据源是否正确：

数据是从哪个系统、接口、第三方来源拉取的？数据源是否合法、稳定？

字段是否齐全：

需要采集的字段是否都采集到了？是否有缺失？

字段类型与格式是否一致：

如时间字段是YYYY-MM-DD还是时间戳？金额是否为浮点？

数据是否实时/定时采集：

系统是否定时抓取？实时数据是否延迟？调度频率是否匹配需求？

02、数据传输阶段

数据从一个系统传送到另一个系统，如API传输、文件传输、消息队列等。

测试点：

数据是否丢失或重复：

例如数据分页传输是否漏页或重复发送？

网络异常时是否支持重试/补偿？：

例如MQ是否配置了幂等机制或异常处理逻辑？

数据编码问题：

中文是否乱码？特殊字符（如 emoji、换行）是否传输正常？

接口结构是否稳定：

字段是否变更过？是否存在老版本兼容问题？

03、数据转换/清洗阶段（ETL）

该阶段是数据测试最容易出现问题的环节，涉及大量字段映射、规则处理、数据计算、格式转化等操作。

常见问题：

字段名称映射错误：

源字段 A 应该映射到目标字段 B，结果误映射为 C。

数值计算错误：

如金额单位转换错误（万元与元混淆）、百分比与小数搞反。

业务逻辑不准确：

如身份证号校验位缺失、信用评级算法使用旧版本等。

数据清洗不充分：

如去重失败、非法值未剔除、空字段未赋默认值。

源系统：投资比例 investRate = "12.3456%"

目标系统要求：小数格式保留 4 位 => 0.1235

测试应检查是否正确去除百分号并转换格式。

04、数据存储阶段（落库）

数据库是最终落地的地方，落库正确性是保障数据质量的核心。

重点校验：

字段类型匹配：

varchar 对应字符串，decimal 对应金额，datetime 对应时间等。

精度问题：

特别是金额、百分比、比率，需关注小数点位数（2位、4位等）。

主键/唯一约束：

是否有重复数据写入？是否出现主键冲突、唯一性违背？

入库时间与创建时间一致性：

例如一些系统生成时间字段，是否准确落库？

数据归档/更新/删除策略正确：

如逻辑删除字段是否设置正确？

可以到我的个人号：atstudy-js

这里有10W+ 热情踊跃的测试小伙伴们，一起交流行业热点、测试技术各种干货，一起共享面试经验、跳槽求职各种好用的。        

多行业测试学习交流群，内含直播课+实战+面试资料

AI测试、 车载测试、自动化测试、银行、金融、游戏、AIGC.

SQL 示例校验语句：

-- 校验唯一性SELECT credit_code, COUNT(*) FROM ent_base GROUP BY credit_code HAVING COUNT(*) > 1;-- 校验空值SELECT * FROM t_data WHERE important_field IS NULL;-- 精度检查SELECT investRate FROM t_data WHERE LENGTH(SUBSTRING_INDEX(investRate, '.', -1)) > 4;

05、数据展示阶段（报表/大屏/查询）

这是用户直观看到数据的地方，测试不能只看“页面上对不对”，还需要校验页面背后的数据来源。

测试点：

• 报表数字是否与数据库一致；

• 筛选/搜索/分页功能是否正常；

• 合计/平均值计算是否准确；

• 时间维度、单位、格式是否明确清晰；

• 图表数据是否对应文本数据。

06、数据变更、回滚、删除等操作

特别注意：

• 数据更新是否正确覆盖旧值；

• 撤销操作是否能完整还原；

• 删除操作是否物理删除还是逻辑删除；

• 有无数据日志或审计记录保留？

常用的数据测试方法

1. SQL脚本：

JOIN、COUNT、HAVING等进行数据比对。

-- 校验源表和目标表的数据一致性SELECT * FROM source_table aLEFT JOIN target_table b ON a.code = b.codeWHERE a.value != b.value;
-- 校验数据条数一致SELECT COUNT(*) FROM source_table;SELECT COUNT(*) FROM target_table;

2. Excel 比对：

VLOOKUP、条件格式等快速分析差异。

对于小批量的样本数据，可使用 Excel 的公式辅助检查：

• VLOOKUP、IF 判断值是否一致；

• 条件格式高亮差异；

• 数据透视表查看聚合一致性。

3. Python脚本：

使用pandas处理大数据文件并比对字段值。​​​​​​​

import pandas as pddf1 = pd.read_excel('source.xlsx')df2 = pd.read_excel('target.xlsx')
# 对比某字段是否一致diff = df1[df1['code'] != df2['code']]diff.to_excel('差异数据.xlsx')

数据测试用例设计建议

从业务、数据、技术、时效、边界等五个维度设计用例，注重数据完整性、正确性和覆盖面，配合SQL脚本与样本文件。

建议：每个测试用例要说明输入来源、处理逻辑、期望输出，配套 SQL 脚本或 Excel 样例。

数据测试中常见的易错点

1. 字段误映射

2. 小数精度错误

3. 编码处理异常

4. 状态码理解偏差

5. 缺乏异常/边界数据

6. 测试数据不具代表性

数据测试人员能力要求

要做好数据测试，测试人员建议具备以下能力：

• 熟练掌握 SQL，能进行复杂查询、字段对比、统计分析；

• 会使用 Python 做简单的数据处理（推荐学习 pandas）；

• 了解常见 ETL 工具

  （如 DataX、Kettle、Flink）；

• 熟悉数据表结构、字段类型和业务逻辑；

• 对数据细节敏感，有一定容错心理和排查技巧；

• 能编写规范的测试用例和对比脚本。