Setiap pengujian API membutuhkan data untuk dijalankan. Uji coba login membutuhkan pengguna. Uji coba checkout membutuhkan pesanan, alamat, dan catatan pembayaran. Uji coba pencarian membutuhkan beberapa ribu baris agar paginasi benar-benar berfungsi. Mengetik data itu secara manual lambat, dan versi yang diketik manual selalu terlalu rapi untuk menangkap bug nyata.
Generator data uji memecahkan masalah ini. Ini menghasilkan catatan yang realistis dan bervariasi sesuai permintaan sehingga pengujian Anda melatih kasus ekstrem yang pada akhirnya akan ditimbulkan oleh data produksi Anda. Panduan ini menjelaskan apa itu generator data uji, jenis-jenis utama yang dapat Anda pilih, dan cara menghasilkan data uji langsung di dalam Apidog tanpa perlu alat terpisah.
Jika Anda benar-benar baru dalam memalsukan respons API, mulailah dengan apa itu mock API dan kembali ke sini untuk sisi data dari masalah tersebut.
Apa itu generator data uji?
Generator data uji adalah alat atau pustaka yang membuat catatan sintetis yang terlihat seperti data produksi nyata. Daripada menulis {"name": "test", "email": "test@test.com"} seratus kali, Anda mendeskripsikan bentuk yang Anda inginkan (nama, email yang valid, harga antara 10 dan 500) dan generator mengisi nilai-nilai yang kredibel.
Data uji yang baik memiliki tiga properti:
- Realistis. Nama terlihat seperti nama, email lolos validasi, tanggal berada dalam rentang yang masuk akal.
- Bervariasi. Tidak ada dua catatan yang identik, sehingga pernyataan Anda menangkap kesalahan satu digit dan batas.
- Aman. Ini sintetis, jadi Anda tidak pernah menyalin catatan pelanggan asli (dan PII mereka) ke dalam rangkaian pengujian.
Tujuannya bukan data yang bagus. Ini adalah cakupan. Generator memungkinkan Anda menghasilkan banyak masukan (string kosong, nama unicode, angka besar, tanggal kedaluwarsa) yang merusak kode dengan cara yang tidak akan pernah dilakukan oleh fixture manual Anda yang rapi.
Mengapa data uji yang realistis penting untuk pengujian API
API memvalidasi masukan. Mereka menolak email yang salah format, membatasi angka di luar rentang, dan bercabang pada bidang opsional. Jika setiap catatan uji adalah John Doe / john@example.com / quantity 1, Anda hanya akan menguji jalur yang sukses.
Data yang realistis dan dihasilkan memungkinkan Anda melakukan tiga hal yang tidak dapat Anda lakukan secara manual:
- Uji volume. Hasilkan 5.000 produk dan paginasi, pengurutan, serta pemfilteran Anda akan benar-benar terlatih.
- Sengaja mencapai batas. Minta harga tepat 0, jumlah negatif, atau nama 256 karakter untuk memastikan validasi berfungsi.
- Jalankan pengujian berbasis data. Masukkan tabel input melalui satu pengujian dan pastikan hasil yang benar untuk setiap baris.
Poin terakhir adalah tempat generator paling bermanfaat, dan di sinilah Apidog mengikat generasi data langsung ke eksekusi pengujian. Lebih lanjut tentang itu di bawah.
Jenis-jenis utama generator data uji
Generator data uji terbagi dalam empat kategori. Kebanyakan tim akhirnya menggunakan lebih dari satu.
1. Pustaka kode
Pustaka seperti Faker.js (JavaScript) dan Faker (Python) memberi Anda API terprogram: faker.person.fullName(), faker.internet.email(), faker.commerce.price(). Ini adalah opsi paling fleksibel karena Anda menghasilkan data dalam kode, menginisialisasinya untuk reproduktifitas, dan mengintegrasikannya ke dalam skrip.
Kompensasinya adalah Anda menulis dan memelihara kode. Jika Anda menggunakan JavaScript, pembahasan mendalam kami tentang Faker.js dan cara menggunakannya di Apidog menjelaskan pustaka tersebut secara rinci dan menunjukkan bagaimana aturan Faker yang sama terhubung ke mesin mock Apidog.
2. Generator mandiri dan online
Alat seperti Mockaroo memungkinkan Anda mendefinisikan kolom di UI web dan mengunduh CSV, JSON, atau SQL. Ini berguna untuk file awal satu kali atau kumpulan data cepat, tanpa perlu menulis kode. Kekurangannya: data adalah ekspor statis. Menghasilkan ulang atau menjaganya tetap sinkron dengan skema yang berubah berarti kembali ke UI setiap saat.
3. Generator berbasis skema
Jika Anda sudah memiliki spesifikasi OpenAPI atau Skema JSON, generator berbasis skema membaca jenis bidang dan batasan serta menghasilkan data yang sesuai secara otomatis. Ini menjaga data uji Anda tetap selaras dengan kontrak. Kami membahas alur OpenAPI di cara menghasilkan data mock dari skema OpenAPI. Standar JSON Schema inilah yang memungkinkan hal ini: jenis, format, dan rentang semuanya dapat dibaca mesin.
4. Generator berbasis AI
Opsi terbaru meminta model untuk menciptakan catatan yang peka konteks: tiket dukungan yang realistis, deskripsi produk yang masuk akal, profil pengguna yang koheren. Ini sangat berguna ketika Anda membutuhkan data yang 'masuk akal' secara bersama-sama daripada nilai-nilai bidang acak. Lihat menghasilkan data mock menggunakan Claude Code untuk contoh langsung.
Cara menghasilkan data uji di Apidog
Inilah bagian yang sering terlewatkan oleh kebanyakan rangkuman 'generator data uji': jika Anda menguji API di Apidog, Anda sama sekali tidak memerlukan generator terpisah. Generasi data sudah terintegrasi di tiga tempat dalam alur kerja.
Smart mock dengan aturan bidang. Ketika Apidog melakukan mock endpoint, ia membaca setiap nama dan jenis bidang serta menghasilkan nilai yang kredibel secara otomatis. Bidang email mengembalikan email yang valid, bidang createdAt mengembalikan tanggal, bidang price mengembalikan angka. Anda dapat melampirkan aturan bergaya Faker per bidang untuk mengontrol output, sehingga mock mengembalikan bentuk yang sama dengan API nyata Anda. Unduh Apidog dan setiap endpoint yang Anda definisikan mulai mengembalikan data realistis segera, tanpa db.json untuk dipelihara.
Data uji yang dihasilkan AI. Apidog dapat menghasilkan sejumlah catatan uji untuk sebuah endpoint dari skemanya, sehingga Anda mendapatkan dataset yang bervariasi tanpa harus menulis aturan secara manual untuk setiap bidang.
Pengujian berbasis data. Ini adalah bagian yang menutup siklus. Anda melampirkan dataset CSV atau JSON ke langkah pengujian, dan Apidog menjalankan langkah tersebut sekali per baris, mengganti nilai-nilai sebagai variabel. Satu pengujian, banyak masukan, satu pola pernyataan. Mekanismenya dibahas dalam cara menjalankan pengujian API berparameter dari CSV dan JSON, dan jika Anda menimbang alat untuk pekerjaan khusus ini, alat mana yang harus digunakan untuk pengujian API berbasis data membandingkan pilihan-pilihannya. Berjalan di CI? Dataset yang sama berfungsi dari terminal dengan pengujian berbasis data di Apidog CLI.
Langkah demi langkah: menghasilkan data uji untuk endpoint
- Buka proyek Anda di Apidog dan pilih endpoint yang Anda inginkan data ujinya.
- Definisikan skema respons (atau impor dari file OpenAPI Anda). Nama dan jenis bidang mendorong generasi.
- Nyalakan mock. Apidog segera mengembalikan nilai yang dihasilkan untuk setiap bidang.
- Untuk mengontrol bidang tertentu, tambahkan aturan mock (misalnya, atur
statuske salah satu dariactive,pending,closed). - Untuk menjalankan pengujian, buat dataset (CSV atau JSON), lampirkan ke langkah pengujian, dan langkah tersebut akan berulang untuk setiap baris.
Kini Anda memiliki respons realistis untuk pengembangan dan tabel masukan yang dapat diulang untuk pengujian, keduanya dari tempat yang sama tempat Anda menulis dan menjalankan pengujian.
Cara memilih generator data uji
| Jika Anda membutuhkan… | Gunakan | Mengapa |
|---|---|---|
| Kontrol terprogram penuh di JS/Python | Pustaka Faker | Fleksibel, dapat diskrip, dapat direproduksi dengan seed |
| File awal statis cepat | Mockaroo atau yang serupa | Tanpa kode, ekspor, dan jalankan |
| Data yang sesuai dengan kontrak API Anda | Berbasis skema (OpenAPI/JSON Schema) | Tetap sinkron dengan spesifikasi |
| Catatan yang peka konteks, "masuk akal" | Generator AI | Data multi-bidang yang koheren |
| Data yang dihasilkan terintegrasi ke dalam mock dan pengujian | Apidog | Satu alat untuk mock, hasilkan, dan jalankan |
Tidak ada satu pemenang pun. Tim yang banyak menggunakan skrip akan mengandalkan Faker; tim yang sudah mendesain API di Apidog mendapatkan generasi, mocking, dan pengujian berbasis data tanpa meninggalkan ruang kerja.
Praktik terbaik untuk data uji API
- Seed untuk reproduktifitas. Uji coba yang gagal hanya berguna jika Anda dapat menghasilkan ulang data yang persis sama yang menyebabkannya. Gunakan seed tetap untuk pengujian yang perlu Anda ulangi.
- Hasilkan data yang buruk juga. Bidang kosong, jenis yang salah, payload yang terlalu besar, dan token yang kedaluwarsa termasuk dalam dataset Anda, bukan hanya baris yang valid.
- Jaga data dan skema tetap sinkron. Ketika kontrak berubah, hasilkan ulang. Generasi berbasis skema membuat ini otomatis.
- Jangan pernah menggunakan PII asli. Data sintetis menghindari aturan privasi dan risiko kebocoran catatan pelanggan ke dalam repositori.
- Sesuaikan volume dengan pengujian. Pengujian paginasi dan kinerja membutuhkan ribuan baris; pemeriksaan validasi tunggal membutuhkan beberapa.
FAQ
Apa perbedaan antara generator data uji dan server mock? Generator menghasilkan data; server mock menyajikannya melalui HTTP sebagai respons API palsu. Anda sering membutuhkan keduanya, itulah mengapa Apidog menggabungkannya: mock mengembalikan data yang dibuat oleh generator. Generator mandiri hanya memberi Anda file.
Bisakah saya menghasilkan data uji dari spesifikasi OpenAPI saya? Ya. Alat berbasis skema membaca jenis dan batasan spesifikasi untuk menghasilkan catatan yang sesuai. Lihat menghasilkan data mock dari skema OpenAPI.
Apakah data uji yang dihasilkan aman untuk di-commit ke repositori? Data sintetis aman, karena tidak mengandung informasi pribadi yang nyata. Jangan pernah meng-commit ekspor data produksi.
Bagaimana cara menjalankan satu pengujian terhadap banyak input yang dihasilkan? Gunakan pengujian berbasis data: lampirkan dataset CSV atau JSON dan pengujian akan berulang per baris. Panduan pengujian berparameter menunjukkan pengaturannya.
Apakah saya perlu menyiapkan server palsu untuk menggunakan data uji? Tidak selalu. Jika Anda menginginkan REST API sekali pakai yang didukung oleh file datar, lihat panduan kami untuk json-server dan JSONPlaceholder. Untuk mock yang peka skema dan dapat dibagikan tim, gunakan mock bawaan Apidog.
Versi singkat
Generator data uji mengubah pekerjaan yang lambat dan rawan kesalahan dalam membuat catatan menjadi deskripsi satu baris tentang bentuk yang Anda inginkan. Pilih pustaka kode untuk kontrol skrip, alat berbasis skema agar tetap selaras dengan kontrak Anda, atau generator AI untuk catatan yang koheren. Jika Anda sudah menguji API di Apidog, Anda mendapatkan generasi, mock cerdas, dan pengujian berbasis data di satu tempat, sehingga data yang Anda hasilkan langsung mengalir ke pengujian yang menggunakannya. Unduh Apidog dan arahkan ke sebuah endpoint untuk melihat data uji realistis pada permintaan pertama.