如何验证程序是否完成,测试以及修正Bug?

本文涉及的产品
日志服务 SLS,月写入数据量 50GB 1个月
简介: 在日常中,我们码代码都是按照需求来的,为了验证我们的工作成果是否符合项目的需求,那么验证程序是否完成、测试以及修复bug就成了我们工作中非常重要的流程。

一.背景介绍

在日常中,我们码代码都是按照需求来的,为了验证我们的工作成果是否符合项目的需求,那么验证程序是否完成、测试以及修复bug就成了我们工作中非常重要的流程。

二.知识剖析

什么样的程序是完成的程序

  • 从需求的角度看:满足用户的全部需求
  • 从程序的角度看:代码不存在明显bug,结构明晰,逻辑通顺,有一定的优化
  • 从UI图的角度看:较为完美的还原了UI图的设计
  • 从后期版本维护迭代的角度看:注释完备,稳定性好,不加班的代码就是好代码

软件测试的方法

测试:测试是使用人工操作或者软件自动运行的方式来检验它是否满足规定的需求或弄清预期结果与实际结果之间的差别的过程。

  • 按照测试范围,可以分为模块测试和整体联调
  • 按照测试条件,可以分为正常操作情况测试和异常情况测试
  • 按照测试的输入范围,可以分为全覆盖测试和抽样测试
  • 按照测试方式

    模块测试:针对设计中的一个一个模块来进行测试的,目的是保证每个模块作为一个单元能正确运行,所以模块测试通常又被称为单元测试。在这个测试步骤中所发现的往往是编码和详细设计的错误。
    
    整体联调:测试模块间接口的正确性、各模块间的数据流和控制流是否按照设计实现其功能、以及集成后整体功能的正确性。
    
    正常操作情况测试:根据正确的操作流程对单独的模块或整体进行测试,确定被测对象可以良好运行
    
    异常情况测试:异常情况,可能会包括数据库异常,系统异常,用户异常操作等情况
    

一些测试的概念

成熟性:软件产品要避免由软件中错误而导致失效的能力

容错性:在软件失效或者违反规定的接口的情况下,软件产品维持规定的性能级别的能力

易恢复性:在发生故障的情况下,软件重建规定的性能级别并恢复受直接影响的数据的能力

可靠性依从性:软件产品依附于同可靠性相关的标准、约定或规定的能力

全覆盖测试:对于被测对象全面,整体,多维度的测试,受限于时间和人力成本,除非被测对象级别很高,不然不会采用这种测试方式

抽样测试:针对功能及模块随机抽取被测对象

三.常见问题

如何debug?

四.解决方案

知乎上的回答:

  1. 确认Bug是否在本地可以重现。
  2. 确认Bug在哪一段代码中。
  3. 去除掉所有无关代码,只去调试和Bug相关的代码。
  4. 和之前正常运行的版本对比,尝试恢复到之前可以正常运行的代码。
  5. 重新写一个小Demo,确认是否可以正常运行,可以的话,移动代码到原有的代码中。
  6. 如果本地无法重现,打日志,观察线上行为。
  7. 重启服务,重启IDE,重启笔记本,重启服务器。
  8. 跟产品经理说这个Bug解决不了,花费的代价很大,不值得。

知乎上的回答:

解决问题的流程:了解问题→定位问题→分析问题→解决问题→验证问题

解决问题的方法(排名分先后)

  1. 借助搜索引擎:遇到有明显的异常信息,且自己并不熟悉为什么异常时,最高效的解决方法是借助搜索引擎,这里的搜索引擎一定是谷歌,不是百度;借助搜索引擎能解决工作中的大部分bug,你要相信,全世界这么多开发人员,你遇到过的大多数问题其他人也遇到过;
  2. 打印调试法:这是最笨但最有效的办法,人会说谎、断点调试可能会说谎,但日志一定不会说谎;
  3. 二分排除法:当你遇到随机问题、帮助他人解bug或者遇到自己不熟悉的代码时,通过屏蔽一部分代码,运行观察问题仍然存在,如果存在则进一步分析屏蔽一部分代码,直到定位到有问题的具体位置为止,这种方法能解决工作中的很大一部分疑难杂症;
  4. 小黄鸭调试法:当你向某个对象陈述你的思路时,往往会有意想不到的结果,哪怕对方并不是一个生物;
  5. 断点调试法:受限于效率不高以及在多线程环境下断点调试并不灵,有必要时才考虑用这种方法;通常可以使用打印调试法来代替;
  6. 线上求助:包括论坛提问、RTX和微信群提问等;不到万不得已不要用这种办法,在有限的圈子里面,你遇到的一个具体技术问题很有可能其他人并没有遇到过,多数时候问了也是白问,但有时候也可能是一种有效的方法。

五.编码实战

六.拓展思考

什么是小黄鸭调试法?

小黄鸭调试法,又称橡皮鸭调试法、黄鸭除虫法(Rubber Duck Debugging)是可在软件工程中使用的一种调试代码的方法。方法就是在程序的调试、除错或测试过程中,操作人耐心地向小黄鸭解释每一行程序的作用,以此来激发灵感与发现矛盾。

此概念是参照于一个故事。故事中程序大师随身携带一只小黄鸭,在调试代码的时候会在桌上放上这只小黄鸭,然后详细地向鸭子解释每行代码。许多程序员都有向别人提问及解释编程问题的经历,而目标甚至可能是完全不懂编程的人。而就在解释的过程中,程序员可能就发觉了问题的解决方案。一边阐述代码的意图,一边观察它实际上的意图并做调试,两者间的任何不协调都会变得更明显,使人更容易发现错误所在。如果没有玩具小鸭,操作人也可以向其他任何东西倾诉,比如桌上的盆栽、键盘/鼠标等。

七.参考资料

软件开发流程

如何提高测试覆盖率

测试分析中对异常情况考虑

软件异常测试

断点调试

老程序员解bug有那些通用套路?

八.更多讨论

bug的优先级有哪几种?

  • critical(危险的):是说项目中某一块功能因为这个bug而导致测试无法进行下去,此critical级别,该等级问题出现在不影响其他功能测试的情况下可以继续该版本试block是说项目中有闪退情况,崩溃情况。此为block级别,出现这种级别的问题此本停止测试
  • major(重要的):是说一些功能没有实现,但是不影响使用,功能菜单缺失,但不会影响系统稳定。此为major,这种问题应该合理安排时间进行修改
  • normal(普通的):是说界面等UI问题显示错误,比如字体大小,颜色,间距等问题。此类问题在测试初期较多,优先程度较低;在测试后期出现较少,应及时处理)
  • minor(次要的):是说界面、性能缺陷,建议类问题,不影响操作功能的执行,可以优化性能的方案等。

日志和断点的优劣?

对于少量数据的检测,断点操作比较麻烦,日志很直接。但是对于比较复杂的代码,打断点能更好的理清逻辑和检查数据。

如何避免写出bug?

改动代码时要考虑到对其他模块的影响;思考问题要全面,考虑到可能发生的各种情况;从其他地方找到的代码要弄清楚原理,了解这个知识点,再用到自己的项目中。

相关实践学习
日志服务之使用Nginx模式采集日志
本文介绍如何通过日志服务控制台创建Nginx模式的Logtail配置快速采集Nginx日志并进行多维度分析。
相关文章
|
10天前
|
算法 数据挖掘 测试技术
犬类癌症检测(CANDiD)研究:使用独立测试集对1000多只犬进行基于高通量测序的多癌种早期检测"液体活检"血液测试的临床验证
这项研究首次在大规模独立测试集上验证了基于NGS的液体活检在犬类多癌种检测中的应用。该方法具有很高的特异性,可以作为一种新的无创癌症筛查和辅助诊断工具。通过早期发现癌症,有望改善犬类癌症的诊断和管理模式。
36 12
|
20天前
|
算法 Java 测试技术
Benchmark.NET:让 C# 测试程序性能变得既酷又简单
Benchmark.NET是一款专为 .NET 平台设计的性能基准测试框架,它可以帮助你测量代码的执行时间、内存使用情况等性能指标。它就像是你代码的 "健身教练",帮助你找到瓶颈,优化性能,让你的应用跑得更快、更稳!希望这个小教程能让你在追求高性能的路上越走越远,享受编程带来的无限乐趣!
68 13
|
4月前
|
机器学习/深度学习
神经网络与深度学习---验证集(测试集)准确率高于训练集准确率的原因
本文分析了神经网络中验证集(测试集)准确率高于训练集准确率的四个可能原因,包括数据集大小和分布不均、模型正则化过度、批处理后准确率计算时机不同,以及训练集预处理过度导致分布变化。
|
26天前
|
并行计算 算法 测试技术
C语言因高效灵活被广泛应用于软件开发。本文探讨了优化C语言程序性能的策略,涵盖算法优化、代码结构优化、内存管理优化、编译器优化、数据结构优化、并行计算优化及性能测试与分析七个方面
C语言因高效灵活被广泛应用于软件开发。本文探讨了优化C语言程序性能的策略,涵盖算法优化、代码结构优化、内存管理优化、编译器优化、数据结构优化、并行计算优化及性能测试与分析七个方面,旨在通过综合策略提升程序性能,满足实际需求。
57 1
|
2月前
|
机器学习/深度学习 JSON 算法
实例分割笔记(一): 使用YOLOv5-Seg对图像进行分割检测完整版(从自定义数据集到测试验证的完整流程)
本文详细介绍了使用YOLOv5-Seg模型进行图像分割的完整流程,包括图像分割的基础知识、YOLOv5-Seg模型的特点、环境搭建、数据集准备、模型训练、验证、测试以及评价指标。通过实例代码,指导读者从自定义数据集开始,直至模型的测试验证,适合深度学习领域的研究者和开发者参考。
940 3
实例分割笔记(一): 使用YOLOv5-Seg对图像进行分割检测完整版(从自定义数据集到测试验证的完整流程)
|
2月前
|
机器学习/深度学习 JSON 算法
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
本文介绍了DeepLab V3在语义分割中的应用,包括数据集准备、模型训练、测试和评估,提供了代码和资源链接。
328 0
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
|
2月前
|
机器学习/深度学习 算法 PyTorch
目标检测实战(五): 使用YOLOv5-7.0版本对图像进行目标检测完整版(从自定义数据集到测试验证的完整流程)
本文详细介绍了使用YOLOv5-7.0版本进行目标检测的完整流程,包括算法介绍、环境搭建、数据集准备、模型训练、验证、测试以及评价指标。YOLOv5以其高精度、快速度和模型小尺寸在计算机视觉领域受到广泛应用。
1034 0
目标检测实战(五): 使用YOLOv5-7.0版本对图像进行目标检测完整版(从自定义数据集到测试验证的完整流程)
|
2月前
|
缓存 数据挖掘 测试技术
目标检测实战(三):YOLO-Nano训练、测试、验证详细步骤
本文介绍了YOLO-Nano在目标检测中的训练、测试及验证步骤。YOLO-Nano是一个轻量级目标检测模型,使用ShuffleNet-v2作为主干网络,结合FPN+PAN特征金字塔和NanoDet的检测头。文章详细说明了训练前的准备、源代码下载、数据集准备、参数调整、模型测试、FPS测试、VOC-map测试、模型训练、模型测试和验证等步骤,旨在帮助开发者高效实现目标检测任务。
69 0
目标检测实战(三):YOLO-Nano训练、测试、验证详细步骤
|
2月前
|
安全 Linux 网络安全
Kali渗透测试:远程控制程序基础
Kali渗透测试:远程控制程序基础
46 0
Kali渗透测试:远程控制程序基础
|
3月前
|
SQL 安全 测试技术
『软件测试6』bug一两是小事,但安全漏洞是大事!
该文章强调了在软件测试中识别与处理安全漏洞的重要性,并详细介绍了常见的安全测试类型、测试流程及使用的主要工具,帮助测试人员有效地检测和防止安全问题。
『软件测试6』bug一两是小事,但安全漏洞是大事!