Что такое Data-Driven Testing?

Что такое Data-Driven Testing (DDT)

Data-Driven Testing (DDT) — это методология автоматизации тестирования, при которой тестовые сценарии (логика проверок) отделены от тестовых данных. Тестовый скрипт разрабатывается как универсальный "шаблон", который может исполняться многократно с разными наборами входных данных, ожидаемых результатов и, возможно, предварительных условий. Это позволяет проверять одно и то же функциональное поведение системы при различных условиях, используя один и тот же код теста.

Ключевые принципы и концепции DDT

• Разделение данных и логики: Это фундаментальный принцип. Код теста не содержит "зашитых" (hardcoded) данных. Вместо этого он читает данные из внешнего источника.
• Внешний источник данных: Тестовые данные хранятся отдельно от скриптов в структурированном виде. Это может быть:

    *   **Таблицы** (например, CSV, Excel, Google Sheets).
    *   **Базы данных** (MySQL, PostgreSQL).
    *   **Файлы с структурированными данными** (JSON, XML, YAML).
    *   **Массивы или объекты** непосредственно в коде (для простых случаев), хотя это считается менее чистым подходом.

• Параметризация тестов: Тестовый метод объявляется с параметрами. Фреймворк автоматизации (например, JUnit, TestNG, pytest) подставляет в эти параметры значения из внешнего источника, запуская метод по одному разу для каждой строки/набора данных.

Преимущества Data-Driven Testing

• Повторное использование кода: Один тестовый скрипт покрывает множество сценариев, что уменьшает дублирование кода и упрощает поддержку.
• Улучшенное покрытие: Легко добавлять новые тестовые случаи, просто дополняя набор данных (новую строку в таблице), без изменения кода.
• Ясность и поддерживаемость: Тестовые данные, особенно в табличном виде, легко читать и редактировать даже не-техническим специалистам (например, аналитикам или менеджерам по продукту). Логика теста остается чистой и сфокусированной на последовательности действий.
• Масштабируемость: Подход идеально подходит для тестирования с большим количеством комбинаций входных значений, например, форм с валидацией, алгоритмов расчетов или поисковых запросов.
• Сокращение времени на разработку тестов: После создания шаблона теста добавление нового сценария занимает минимум времени.

Недостатки и сложности

• Сложность отладки: Когда тест падает, особенно в середине большого набора данных, бывает сложно определить, с каким именно набором возникла проблема. Необходимо обеспечивать качественное логирование.
• Зависимость от данных: Тесты чувствительны к формату и доступности источника данных. Поврежденный файл или изменение схемы таблицы может сломать все связанные тесты.
• Накладные расходы на настройку: Требуется дополнительное время на проектирование структуры данных, создание источников и написание кода для их чтения.

Практический пример на Python с использованием pytest

Рассмотрим тестирование функции простого калькулятора, который складывает два числа.

1. Функция (реализация):

# calculator.py
def add(a, b):
    return a + b

2. Тестовые данные в формате JSON:

[
    {"a": 2, "b": 3, "expected": 5},
    {"a": -1, "b": 1, "expected": 0},
    {"a": 0, "b": 0, "expected": 0},
    {"a": 10.5, "b": 0.5, "expected": 11.0}
]

3. Параметризованный тест с использованием pytest:

# test_calculator.py
import pytest
import json
from calculator import add

# Загружаем тестовые данные из внешнего файла
def load_test_data():
    with open('test_data.json', 'r') as file:
        return json.load(file)

# Декоратор @pytest.mark.parametrize делает тест data-driven.
# Он "раскрывает" тест в несколько независимых запусков.
@pytest.mark.parametrize("test_input", load_test_data())
def test_add(test_input):
    a = test_input["a"]
    b = test_input["b"]
    expected = test_input["expected"]

    # Логирование для упрощения отладки
    print(f"Testing add({a}, {b}). Expected: {expected}")

    # Вызов тестируемой функции и проверка результата (assert)
    result = add(a, b)
    assert result == expected, f"Failed for inputs {a} and {b}. Got {result}, expected {expected}"

При запуске pytest выполнит тест test_add четыре раза, каждый раз с новым набором данных из файла test_data.json. Если один из случаев упадет, в отчете будет четко указано, с какими именно данными произошла ошибка.

Заключение

Data-Driven Testing — это мощный и практически необходимый подход в арсенале QA Automation Engineer. Он превращает статические скрипты в динамические и гибкие тестовые решения. Ключ к успешному применению DDT — правильный выбор формата хранения данных под конкретную задачу, грамотная параметризация и обеспечение информативных отчетов о прохождении тестов. В современных фреймворках (TestNG, JUnit 5, pytest) поддержка параметризации встроена "из коробки", что делает внедрение этого подхода относительно несложной задачей, приносящей значительную пользу в долгосрочной перспективе за счет повышения эффективности и покрытия тестирования.