血的案例告诫 | 模拟大批量数据测试边界上限

Fiddler响应拦截数据篡改,实现特殊场景深度测试(一)

利用Fiddler抓包调试工具,实现mock数据特殊场景深度测试(二)

利用Fiddler抓包调试工具,实现神奇特殊场景深度测试(三)

Fiddler抓包神器带你遨游网络,叱咤风云,为所欲为

Fiddler抓取APP请求(环境搭建)之mama再也不用担心抓不到包了

       最近我们上线了导入系统通讯录功能,有业务人员反馈在使用导入系统通讯录功能时,页面一直处于加载中,无法正常导入。

      我们进行问题重现定位,尝试了几个手机的导入功能都可正常使用,于业务人员手机对比找区别点,原来业务人员通讯录手机号比较多1000+左右,于是我们猜测可能是数据量大时导致的问题,尝试使用业务人员手机进行抓包定位,确认当通讯录手机号过多时接口异常,页面一直显示加载中,于是反馈给开发人员进行修复。

       这时我们经过回顾反思,确认当时测试时存在遗漏点,未考虑边界上限,也可能考虑了,估计因为觉得大量通讯录测试数据的难点就忽略测试了,我们得到教训,需求需要定义上下限,测试分析也需要考虑上下限,任何功能模块都需要考虑边界下限和边界上限进行测试,不能因为麻烦或疑难阻碍就抱着侥幸心理忽略掉,同时也应证了测试理论中的边界值测试法,定义测试标准是有它的道理的,永远无法脱离基准的。

         当初遇到的难点是大量通讯录数据,无法模拟的问题,没有1000+通讯录的手机,也不可能手动添加1000+个。

         经过一段时间的摸索,找到了一个很好的测试方法,借助Fiddler工具拦截请求,模拟大量数据5000+手机号,篡改请求数据,释放请求,达到要实现的测试效果。

开发修复完BUG后,我们进行回归验证测试

使用任意数量通讯录的手机,操作通讯录导入进行抓包。

复制抓报的请求参数进行解码,这时我们可以看明白请求参数

将解码的参数粘贴到txt文件里,重复粘贴参数至5000+

 复制参数编码成能识别的参数

        设置请求拦截,再次操作通讯录导入,请求被拦截未发送至服务端,快速修改textview中参数为编码好的5000+手机号,点绿色run to completion运行释放请求拦截,请求发送至服务端,服务端响应至客户端,客户端展示处理效果,5000+个手机号正常展示,达到了测试的效果。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/568173.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Monkey稳定性测试初探(二)

记得 关注转发~~~之前写过一篇关于稳定性测试的文章:Monkey随机性能压测初探(一)01什么是稳定性测试稳定性测试,是在一定压力的情况下,对系统或某个模块持续进行长时间的操作(一般遵循7*24小时原则&#xf…

Fiddler抓包 | 竟然有这些骚操作,太神奇了?

一、双击Session时,使请求页始终显示到“webform”tab页,使响应页始终显示到”json”tab页在QUICK EXEC命令执行窗口,执行:PREFS SET fiddler.ui.inspectors.request.alwaysuse "WebForms"PREFS SET fiddler.ui.inspect…

pycharm连接sqlite

进行创建上了一个Django项目之后,进行点击 菜单中的view 菜单。 进行点击了view菜单之后,进行点击下拉菜单选中为tool windows的选项。 弹出了下拉下一级菜单选中为 database 的选项。 弹出了database的选项之后,进行点击 添加 按钮。 弹出了…

抓包工具mitmproxy | mitmweb基本用法(二)

上一篇:我们分享了抓包工具mitmproxy环境配置使用(一)这一篇我们主要介绍下mitmweb抓包工具的基本用法一、mitmproxy介绍mitmproxy是Python编写的一款功能完善的代理工具,mitmproxy是一款支持拦截HTTP和HTTPS请求和响应并即时修改…

mitmproxy抓包 | Python实时生成接口自动化用例

抓包工具mitmproxy环境配置使用(一)抓包工具mitmproxy | mitmweb基本用法(二)前面已经给大家分享了mitmproxy的环境配置和基本使用,文章浏览量很高,相信对抓包工具感兴趣的朋友,已经熟练运用起来…

mitmproxy抓包 | Python实时生成接口自动化用例(三)

抓包工具mitmproxy环境配置使用(一)抓包工具mitmproxy | mitmweb基本用法(二)前面已经给大家分享了mitmproxy的环境配置和基本使用,文章浏览量很高,相信对抓包工具感兴趣的朋友,已经熟练运用起来…

To disable deprecation,,use _CRT_SECURE_NO_WARNINGS

解决方法:ok,也就是加入一个_CRT_SECURE_NO_WARNINGS的问题。 转载自https://blog.csdn.net/guoming0000/article/details/8838810 或者在cpp文件最顶端添加:#define _CRT_SECURE_NO_WARNINGS

测试管理 | 基于风险的测试

基于风险的测试风险是指负面或不希望发生的后果或事件发生的可能性。当引起客户、用户、参与者或干系人对产品质量或项目成功的信心减弱的问题可能发生时,风险就存在。当潜在问题主要影响的是产品质量时,它们被称为质量风险、产品风险或产品质量风险。而…

听说全链路压测已经杀疯了?劝你别盲目!

不知道大家发现没,阿里、京东、字节、美团、饿了么、滴滴、陌陌等大厂的技术文章里,最近频繁提到全链路压测在企业内部的落地。本想抱着拜读一二的心理去看,结果一旦涉及到具体的落地细节,他们却都跟约好了一样三缄其口。不怪我眼…

opencv Hog Demo

需注意此代码要在Release x64之下运行 #include <iostream> #include <stdexcept> #include <opencv2/objdetect.hpp> #include <opencv2/highgui.hpp> #include <opencv2/imgproc.hpp> #include <opencv2/imgcodecs.hpp> //Release x64…

图像分类 数据准备(将文件夹中所有图片路径写到TXT文件中)

0文件夹里都是负样本&#xff0c;1文件夹的图像都是正样本图片&#xff0c;接下来就是生成图片的描述文件。 进入控制台 进入你的0/1文件夹下&#xff0c;输入以下命令&#xff1a; dir /b/s/p/w *.jpg > pos.txt&#xff0c;dir /b/s/p/w *.jpg > neg.txt&#xff0c;…

瀑布、V、W、快速原型模型、增量、螺旋模型

瀑布模型&#xff08;Waterfall Model&#xff09; 是最早出现的软件开发模型&#xff0c;它提供了软件开发的基本框架&#xff0c;开发过程是通过设计一系列阶段顺序展开的&#xff0c;从系统需求分析开始直到产品发布和维护&#xff0c;每个阶段都会产生循环反馈&#xff0c;…

opencv Hog学习总结

一、方向梯度 梯度&#xff1a;在向量微积分中&#xff0c;标量场的梯度是一个向量场。标量场中某一点上的梯度指向标量场增长最快的方向&#xff0c;梯度的长度是这个最大的变化率。更严格的说&#xff0c;从欧几里得空间Rn到R的函数的梯度是在Rn某一点最佳的线性近似。在这个…

深入浅出理解HOG特征---梯度方向直方图

梯度方向直方图 原文路径&#xff1a;https://www.learnopencv.com/histogram-of-oriented-gradients/ 最近在搞车牌识别的时候&#xff0c;训练样本去识别车牌的时候用到HOG特征。国外一篇文章让我受益良多 什么是特征描述符&#xff1f; 特征描述符是指通过提取有用的信息并…

陕西居民医保微信缴纳教程来了,太方便了

2022年居民医保交费步骤如下&#xff1a;1、进入微信&#xff0c;我的页面&#xff0c;点支付进入—点城市服务2、城市服务页面&#xff0c;顶部可切换所在城市&#xff0c;输入框搜索“陕西省社保”&#xff0c;选第一个 “陕西省社保缴纳”进入3、选城乡居民医疗保险&#xf…

SVM理论学习记忆

转载自https://blog.csdn.net/chaipp0607/article/details/73662441 SVM算法在在1995年正式发表&#xff0c;在针对中小型数据规模的分类任务上有着卓越的效果&#xff0c;同时有着完整的理论证明&#xff0c;在20世纪末的几年和21世纪初的10年完胜神经网络&#xff0c;吴恩达…

Python中jmespath解析提取json数据

在做接口自动化&#xff0c;测试断言时&#xff0c;我们经常需要提取接口的的响应数据字段&#xff0c;以前用过jsonpath&#xff0c;有几篇相关文章&#xff0c;可以参考下&#xff08;Python深层解析json数据之JsonPath、【Jmeter篇】后置处理器之正则提取器、Json提取器 、J…

SVM学习记录

第一个min&#xff1a;先在数据中找离决策边界距离最近的样本点 第二个max&#xff1a;寻找w和b使得刚才找到的点离决策边界最远的平面&#xff08;平面方程&#xff1a;&#xff09; 求解出后即可求出w和b。 例如&#xff1a; 如果等于0.根据上面的公式&#xff0c;得到w就为…