自动生成测试数据---Faker

简介: 大家好,我是阿萨。 日常测试过程中经常需要用到各种类型的数据,而且数据量都不小。很多时候都需要大量数据,自己用excel 造几行数据可以,如果要造上万行数据,还是需要写代码生成测试数据比较好。但是又不想随机的造一些数据,还希望符合常见的数据格式,比如地址,电话号码,人名字等等。 那怎么办呢? 

这里给大家隆重介绍下 python 的Faker 库,专门用来造伪数据的。下面地址有相关faker 库的详细数据和demo介绍。



Faker 可以造哪些类型的数据呢?


address 可以造所有和地址相关的数据,比如详细地址,国家,国家编码,当前国家, 大楼号码,城市,城市后缀,当前国家编码,邮政编码,街道地址,街道名称,街道后缀等刷数据。


automotive 可以造汽车供应商的数据,比如汽车牌照。


bank 可以造银行相关的数据,比如银行国家,ABA,BBAN,IBAN,SWIFT,11位的SWIFT代码,8位的SWIFT 代码等数据。


barcode 二维码生成器,生成二维码相关数据,可以生成8位或者13位的EAN 二维码。


color 颜色生成器,可以生成颜色的名称或者RGB值或者16进制三元组格式的颜色,或者CSS RGB 值,网络安全的颜色值。


company 生成公司名称相关数据。


credit_card 生成信用卡相关数据,有信用卡过期时间,信用卡详情,卡号,信用卡供应商,信用卡安全编码。


currency 生成货币相关数据,有货币符号,带货币符号的金钱数字,货币名称,货币代码等。


date_time生成日期相关数据,包括上午或者下午,世纪,日期,生日,当前世纪,当年,当月,某一个时间范围内的日期或者时间,未来时间,过去时间,年, 月,日,时区等等。


file 生成文件相关数据,包括文件后缀,文件名称,文件路径, MIME 类型,UNIX格式的文件名称。


geo 生成地理相关的数据,比如经度,维度,坐标等等数据。


internet 生成网络相关数据,比如 邮箱,网络安全邮箱,免费邮箱,公司邮箱,指定日期里的域名,域名,主机名,HTTP 方法,IANA注册ID,图片地址,IPV4,IPV6, mac地址等。


isbn 生成国际标准图书编码。


job 生成岗位名称。


lorem 可以生成文章,语句,文本,单词等


misc 可以生成二进制 ,布尔值,csv,dsv,固定宽度,图片,json,MD5,带空值的布尔值,密码,psv,SHA1的哈希值,SHA256的哈希值,tar,tsv,UUID4,zip等数据,这个库很强大,只用这一个库,就可以解决很多问题了。


person 生成和人相关数据,比如名,姓,性别,称呼,后缀等等数据。


phone_number 生成和电话号码相关数据,比如国家前缀,MSISDN,电话号码。


profile 生成个人相关信息的集合。比如工作,公司,姓名,性别等数据集合,不是单个数据。


python 生成python 里的布尔值,小数,字典,浮点数,整形和迭代数据,列表,字符串,结构体,元祖等数据。


ssn 生成SSN


user_agent 生成用户代理相关数据。比如 chrome , firefox, IE, IOS 平台, linux 平台的,mac 平台的user agent 数据。


看完上面的简介,你是不是说,那怎么使用呢?

很简单。

比如生成电话号码的代码:


Faker.seed(0)
for _ in range(5):
     fake.phone_number()


执行代码结果如下:


'(604)876-4759x3824'
'(194)8924115'
'815.659.3877x8408'
'1609753513'
'001-332-871-1587'


是不是很简单,快学习起来吧。


相关文章
|
1天前
|
分布式计算 Shell MaxCompute
odps测试表及大量数据构建测试
odps测试表及大量数据构建测试
|
7天前
|
开发框架 .NET Java
C#集合数据去重的5种方式及其性能对比测试分析
C#集合数据去重的5种方式及其性能对比测试分析
27 11
|
8天前
|
开发框架 .NET Java
C#集合数据去重的5种方式及其性能对比测试分析
C#集合数据去重的5种方式及其性能对比测试分析
38 10
|
2月前
|
机器学习/深度学习 算法 UED
在数据驱动时代,A/B 测试成为评估机器学习项目不同方案效果的重要方法
在数据驱动时代,A/B 测试成为评估机器学习项目不同方案效果的重要方法。本文介绍 A/B 测试的基本概念、步骤及其在模型评估、算法改进、特征选择和用户体验优化中的应用,同时提供 Python 实现示例,强调其在确保项目性能和用户体验方面的关键作用。
40 6
|
2月前
|
机器学习/深度学习 算法 UED
在数据驱动时代,A/B 测试成为评估机器学习项目效果的重要手段
在数据驱动时代,A/B 测试成为评估机器学习项目效果的重要手段。本文介绍了 A/B 测试的基本概念、步骤及其在模型评估、算法改进、特征选择和用户体验优化中的应用,强调了样本量、随机性和时间因素的重要性,并展示了 Python 在 A/B 测试中的具体应用实例。
31 1
|
3月前
|
存储 测试技术 数据库
数据驱动测试和关键词驱动测试的区别
数据驱动测试 数据驱动测试或 DDT 也被称为参数化测试。
43 1
|
3月前
|
机器学习/深度学习 监控 计算机视觉
目标检测实战(八): 使用YOLOv7完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
本文介绍了如何使用YOLOv7进行目标检测,包括环境搭建、数据集准备、模型训练、验证、测试以及常见错误的解决方法。YOLOv7以其高效性能和准确率在目标检测领域受到关注,适用于自动驾驶、安防监控等场景。文中提供了源码和论文链接,以及详细的步骤说明,适合深度学习实践者参考。
682 0
目标检测实战(八): 使用YOLOv7完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
|
3月前
|
机器学习/深度学习 并行计算 数据可视化
目标分类笔记(二): 利用PaddleClas的框架来完成多标签分类任务(从数据准备到训练测试部署的完整流程)
这篇文章介绍了如何使用PaddleClas框架完成多标签分类任务,包括数据准备、环境搭建、模型训练、预测、评估等完整流程。
195 0
|
3月前
|
机器学习/深度学习 数据采集 算法
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)
这篇博客文章介绍了如何使用包含多个网络和多种训练策略的框架来完成多目标分类任务,涵盖了从数据准备到训练、测试和部署的完整流程,并提供了相关代码和配置文件。
73 0
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)
|
3月前
|
机器学习/深度学习 XML 并行计算
目标检测实战(七): 使用YOLOX完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
这篇文章介绍了如何使用YOLOX完成图像目标检测任务的完整流程,包括数据准备、模型训练、验证和测试。
273 0
目标检测实战(七): 使用YOLOX完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)