网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
1.功能性的测试：指大数据目标业务数据的存储功能是否符合预期需求。例：公司通过爬虫获取到友商的一些数据，作为测试人员可以尝试考虑这些方面。数据爬取的是否正确、数据入库是否正确、存储的表及字段信息是否正确等。
2.数据全面性：测试通过数据分析拿到的爬虫数据对应的友商是否全面，即：除了竞品或友商中A的数据应该获取，竞品或友商B、C、D的数据是否有考虑，通常在需求评审阶段提出，测试获取的数据是否完整 等。
3.数据完整性：测试分析目标数据确保指定时间范围内每天有数据，排除被风控了的情况、数据是否重复，例：同1条URL对应2条结果数据，数据预期与结果总条数一致，表数据信息是一致、是否有遗漏的情况。
4.数据合理性：从数据应用层出发测试，应测试数据字段类型check，如对重要字段类型check，例：int型下出现其他字符类型情况，字段异常值check，例：null、空、或者另外一些约定异常值，字段默认值一致性验证check，例: 从A表同步到B表后，某字段枚举值含义相同。应用数据字段的正确性。
5.数据准确性：测试获取到数据的结果表与数据源头表是否一致，可能源表经过A -> B -> C处理后得到结果表，所以需要验证整个过程数据是否丢失，确保数据的准确与一致性，可基于数据的总量来考量验证。
6.数据安全性：多账号登录及账号权限控制，敏感数据脱敏加密处理，数据加密隔离等方面进行测试。
7.数据易用性：获取的数据可复用、可视频化、易理解性等方面进行考量测试。
二、大数据的可靠性与数据的处理效率。
1.数据容错性：在上下游数据出现宕机或者异常情况下能够兼容容错处理，使获得的数据正确性。保证数据的一致性。
2.数据恢复性：当数据丢失或缺失时能够在较快时间内方便恢复。
3.数据处理效率：在大数据量的情况下处理数据的效率、及MYSQL的线程处理能力及资源紧张或不足的情况下给应用层带来的影响范围。
三、大数据的可维护性及可移植性。
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！
由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新
更新**
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
