前言
在个人看来，大数据测试可以归为一个测试体系。因为它不仅要验证正常的业务功能，还要针对大数据所使用的工具/框架进行测试，这需要大数据测试人员掌握大数据技术，比如说Hadoop生态圈的技术：Hadoop生态圈技术栈
大数据是什么
大数据是指那些数据量特别大、数据类别特别复杂的数据集，这种数据集不能用传统的数据库进行转存、管理和处理。
大数据测试策略
1、基本功能测试
不管是什么样的测试，首先要保证的就是基本功能的正确性。从黑盒层面来看，大数据测试可以看成三个步骤：
1、原始数据->大数据处理
这里要测试的是原始数据的正确性，比如数据来源是埋点，那么就需要保证埋点上报的正确性，也就是对埋点进行测试。
测试文档可以是埋点测试文档
2、大数据处理
这里要测试的是大数据对原始数据处理的正确性，大数据对原始数据处理完后，会把处理后的数据保存在一个/多个数据仓库中（比如es），这时候可以通过查询数据仓库的数据来进行。
测试文档可以是详细设计文档
3、前端展示
前端展示的数据，有两个可能性：
a.展示的数据直接来源于大数据（比如clickhouse）
b.展示的数据是经过后端处理的
所以这里的测试，是需要根据具体的业务和实际的技术方案来进行
测试文档可以是需求文档
2、大数据处理步骤的测试
从上图可以看出，大数据处理步骤大体上可以分成三个步骤：
1、原始数据进入大数据步骤
首先要确保原始数据在到达hdfs/kafka前的正确性
1.确保原始数据正确进入系统中
因为原始数据可能来源于埋点、关系型数据库、日志系统、其它系统等地方，所以要首先保证原始数据能够正确进入系统，有可能在进入时候因为数据格式不匹配而报错
2.确保加载进来的数据和原始数据是一样的
当原始数据进入系统后，需要看下加载进来的数据是否和原始数据一样，或者说是否符合下一步所需的数据格式标准。
3.确保数据正确提取和加载到hdfs/kafka2、数据在计算框架中的处理（ETL）
当文件存入HDFS之后就要通过MapReduce进行处理了。这个阶段可能出现的问题包括但不限于编码不对、节点配置错误、聚合不正确、输出格式不对等问题。一般需要进行如下的测试：
1.MapReduce进程正常工作
2.数据处理完成，输出文件正确
3.验证map时生成的key-value是否正确
4.验证reduce结束后聚合是否正确
5.输出格式是否符合要求3、处理后的数据输出阶段
此阶段主要是生成处理过的最终数据文件以及存放到数据仓库。一般需要进行如下的测试：
1.检查转换规则被正确应用
2.检查数据加载到目标系统中且完整
3.通过将目标数据与HDFS文件系统数据进行比较来检查没有数据损坏
这些过程中，可以通过Hive得到分析报告来做进一步的验证。
hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的sql查询功能，可以将sql语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
