Η διαδικασία δοκιμής είναι κατανοητά η πιο σημαντική πτυχή οποιουδήποτε τομέα λογισμικού. Ο ρόλος του Testing Engineer επεκτείνεται σε διαφορετικούς τομείς όταν ο οργανισμός επιλέγει να προσαρμοστεί σε μια βελτιωμένη τεχνολογία. Σε αυτήν την ανάρτηση ιστολογίου, ας συζητήσουμε γιατί ένας Μηχανικός δοκιμών λογισμικού πρέπει να μάθει τεχνολογίες Big Data και Hadoop.
Εάν είστε νέοι στον κόσμο των Big Data / Hadoop, ρίξτε μια ματιά σε μερικές από τις δημοσιεύσεις μας στο , και
Ας δούμε κατευθείαν τις λεπτομέρειες αυτού του θέματος
Γιατί ένας Μηχανικός Δοκιμών Λογισμικού πρέπει να μάθει Big Data και Hadoop;
Σταδιοδρομία:
Το παραπάνω γράφημα είναι αυτονόητο. Δείχνει ξεκάθαρα ότι ο ρυθμός ανάπτυξης της εργασίας που σχετίζεται με το Hadoop είναι πολύ υψηλότερος από αυτόν των εργασιών δοκιμών λογισμικού. Ο μέγιστος ρυθμός ανάπτυξης των εργασιών που σχετίζονται με τις δοκιμές λογισμικού είναι περίπου 1,6%, αλλά ο ρυθμός ανάπτυξης των εργασιών δοκιμών με βάση το Hadoop είναι στο επιβλητικό 5% (περίπου.)
στο python, χρησιμοποιείται η μέθοδος __init__ μιας κλάσης
Το 80% των ατόμων που μαθαίνουν Hadoop προέρχονται από μη αναπτυξιακό υπόβαθρο. Μπορείτε επίσης να είστε ένας από αυτούς.
Περιορισμοί των τρεχουσών πρακτικών δοκιμών κατά τη δοκιμή Εφαρμογών για την επίλυση προβλημάτων Big Data:
- Οι προσεγγίσεις δοκιμών λογισμικού καθοδηγούνται από δεδομένα (όπως ασυμφωνία στα δεδομένα, αναντιστοιχία μεγέθους συνόλων δεδομένων κ.λπ.) παρά από τα σενάρια δοκιμών.
- Τα τυπικά εργαλεία αντιστοίχισης δεδομένων (όπως win diff κ.λπ.) δεν λειτουργούν με μεγάλους όγκους δεδομένων. Αυτό γίνεται περιορισμός για τα σετ δεξιοτήτων του μηχανικού δοκιμών λογισμικού.
Για δεδομένα μεσαίου μεγέθους, τα δεδομένα μπορούν να εκτεθούν ως πίνακες HBase και να επαληθευτούν από το σύνολο δεδομένων εισόδου εφαρμόζοντας επιχειρηματική λογική σε μικρό σύνολο εισόδων.
συγχώνευση ταξινόμησης σε c ++
Για δεδομένα μεγάλης κλίμακας, οι τεχνικές Big data παρέχουν στους μηχανικούς μοναδικά σύνολα δεξιοτήτων που χρησιμοποιούνται για τη δοκιμή μεγάλων και σύνθετων συνόλων δεδομένων και βρίσκουν πολλές ευκαιρίες στον τομέα της μετεωρολογίας, της γονιδιωματικής, της συνδετικής, των πολύπλοκων προσομοιώσεων φυσικής και της βιολογικής και περιβαλλοντικής έρευνας.
Κατάσταση πεδίου δοκιμών - Γνώμες εμπειρογνωμόνων:
Ο Scott Barber, ένας διάσημος εξεταστής, ομιλητής και συγγραφέας σε θέματα σχετικών με τις δοκιμές που ειδικεύονται στον τομέα του System Performance Testing έχει αναφέρει μερικές πολύ ισχυρές και επιβλητικές λέξεις για την τρέχουσα κατάσταση στο πεδίο Δοκιμών.
Έχουν γίνει πολλές συνομιλίες για διάφορα κοινωνικά μέσα για τη δυνατότητα του Test να γίνει «επάγγελμα που πεθαίνει» και ο Scott συμφωνεί ότι το Testing ως επάγγελμα βρίσκεται στη μέση ενός δραματικού μετασχηματισμού.
Λοιπόν, αυτή η δήλωση ήταν αρκετά δραματική, ας ρίξουμε μια ματιά στα γεγονότα και να δούμε μόνοι μας τι συμβαίνει στον τομέα των δοκιμών.
Μια ματιά στο προφίλ εργασίας Hadoop / Big Data Tester:
Ακολουθεί μια απαίτηση που υποβάλλεται από έναν συγκεκριμένο οργανισμό για την απαίτησή τους Hadoop Tester:
Όταν εξετάζουμε την παραπάνω απαίτηση, μπορούμε να δούμε ότι οι δεξιότητες δοκιμών είναι σε μεγάλο βαθμό απαραίτητες και αποτελούν το θεμέλιο αυτού του προφίλ εργασίας. Τώρα, το μόνο που απαιτείται από έναν μηχανικό δοκιμών λογισμικού για να γίνει Big Data ή Hadoop Tester είναι να ενημερώσει τον εαυτό του με δεξιότητες Big Data / Hadoop.
Πόσο εύκολο είναι να μεταβείτε στο Hadoop / Big Data:
- Σε Java ή όχι σε Java - Ευελιξία για επιλογή:
Για εκείνους που είναι ειδικοί στην Java, η μετάβαση είναι μια βόλτα με κέικ όπως και ένα ανοιχτού κώδικα, βασισμένο σε Java προγραμματικό πλαίσιο. Τα σενάρια MapReduce που χρησιμοποιούνται εδώ είναι γραμμένα σε Java. Τώρα, είναι αρκετά προφανές ότι για να δουλέψουμε στο Hadoop, η γνώση στην Java είναι επιτακτική.
Λέγοντας τα παραπάνω, δεν σημαίνει ότι οι ειδικοί εκτός Java έχουν ένα δύσκολο ταξίδι μπροστά τους. Η ομορφιά του Hadoop είναι ότι διαθέτει μια σειρά εργαλείων που a 'Μη Java' ο ειδικός μπορεί να χρησιμοποιήσει. Μερικά από τα εργαλεία Hadoop, όπως Hive, Pig και Sqoop, δεν χρειάζονται γνώσεις Java, καθώς βασίζονται σε μεγάλο βαθμό στο SQL.
- Κοινόχρηστες δεξιότητες και πλατφόρμες εφαρμογών μεταξύ ενός επαγγελματία δοκιμών και ενός επαγγελματία Hadoop:
Η ιδέα της μετάβασης από τη ζώνη άνεσης σε έναν νέο τομέα όπως το Big Data / Hadoop μπορεί να είναι λίγο συντριπτική στην αρχή. Αλλά πρέπει να συνειδητοποιήσουμε ότι το Testing και το Hadoop δεν αλληλοαποκλείονται. Εδώ είναι μια λίστα δεξιοτήτων και πλατφόρμες που χρησιμοποιούνται μεταξύ τους μπορούν να χρησιμοποιηθούν ανάλογα http://www.itjobswatch.co.uk . Μία ή περισσότερες από αυτές τις δεξιότητες, μπορεί επίσης να χρησιμοποιηθεί σε ευθυγράμμιση με τις δεξιότητες Big Data και Hadoop. Έτσι, διευκολύνοντας την ομαλή μετάβαση.
Ένας καλός μηχανικός δοκιμών διαθέτει απότομες αναλυτικές δεξιότητες, ισχυρή τεχνική ικανότητα, εξαιρετική στάση, προσανατολισμένη στη λεπτομέρεια και προθυμία να μάθει. Αυτά είναι τα ακριβή χαρακτηριστικά που απαιτούνται για να μεταβεί κανείς στο Hadoop. Είναι αναμφισβήτητο ότι το Test υπόκειται σε μετασχηματισμό, αλλά δεν πρόκειται να είναι το τέλος του. Αλλά με τους μεταβαλλόμενους χρόνους, είναι συνετό να ταξιδεύουμε με το υψηλό κύμα - Hadoop, λαμβάνοντας υπόψη όλα τα χαρακτηριστικά και την ευελιξία του.
Ακόμα δεν είστε πεπεισμένοι ότι μπορείτε να μάθετε Hadoop; Μην εμπιστεύεστε κανέναν. Κρίνουμε τον εαυτό σου. Κάντε κλικ παρακάτω για να παρακολουθήσετε μια δειγματοληπτική κλάση ηχογράφησης μιας κατηγορίας Big Data και Hadoop που διεξήγαγε η Edureka
πώς να συντάξετε κώδικες java
Έχετε μια ερώτηση για εμάς; Αναφέρετέ τα στην ενότητα σχολίων και θα επικοινωνήσουμε μαζί σας.
Σχετικές αναρτήσεις:
7 τρόποι με την εκπαίδευση μεγάλων δεδομένων μπορεί να αλλάξει τον οργανισμό σας