一、大数据测试中的典型问题

1. 数据质量问题和数据处理过程中的问题

我们需要关注数据本身的质量问题，以及数据处理过程中各种处理方式和结果是否满足预期，是否与业务逻辑不相符，是否影响后续业务使用的问题，这些问题通常发生在数据的ETL阶段。

常见的问题如下：

（1）数据记录不唯一

（2）数据流转过程中Null值被自动替换的问题

（3）数据处理过滤条件不正确

（4）处理前后的数据不一致或有部分数据丢失

（5） 处理前后的数据列顺序错误

（6）数据的约束关系不正确

在数据测试过程中，我们通常考虑将一些特定的问题进行规则化配置，应用数据质量平台和自动化脚本进行检测，方便快速发现问题。

当然，规则化配置并不能完全解决上述问题，我们还需要通过CodeReview等手段补充确认，保证底层数据的准确性。

2. 数据SQL问题

SQL测试是大数据测试中不可或缺的环节，在数据收集和数据处理的过程中，涉及较多的SQL任务，我们需要关注SQL语法、应用场景和检索结果等是否正确。

常见的问题如下：

（1）SQL未对异常数据进行处理

如果对空数据的处理不当，那么会导致数据统计结果不正确。

例如，在统计某款App每天的用户登录数量时，直接使用SELECT COUNT(DISTINCT user_id) FROM ***，在这个场景中，忽略了数据表中的usr_id存在空值等异常数据，未对异常数据进行处理，导致统计结果不正确。

在进行SQL测试的过程中，我们要结合真实的数据场景进行确认，查看数据中是否存在非标准的异常数据。

（2）左右连接使用不准确

左连接：首先取出左表中的所有数据，然后加上与条件匹配的右表数据，不匹配的直接给空。

右连接：首先取出右表中的所有数据，然后加上与条件匹配的左表数据，不匹配的直接给空。

在测试过程中，我们需要根据具体的业务逻辑判断左右连接使用是否正确。

（3）数据库索引问题

在数据库中，合理添加索引和正确使用索引能够加快数据库的查询速度。

验证字段索引应用是否合理是对SQL测试时必须进行的一个常规工作。

（4）SQL函数使用不当

在测试过程中，我们需要关注SQL语句中的函数使用是否正确，SQL执行结果是否符合业务逻辑要求。

3. Hadoop应用相关问题

（1）数据倾斜

数据倾斜是指在计算数据的时候，数据的分散度不够，导致大量数据集中到了一台或者几台机器上进行计算，这些数据的计算速度远远低于平均计算速度，导致整个计算过程过慢。

在Spark、Hive应用中，数据倾斜常常发生在GROUP、JOIN等需要数据shuffle的操作中。在这些阶段，需要按照key值进行数据数汇集处理，若key过于集中，那么大部分数据将汇集到相同的机器，从而导致数据倾斜。

数据倾斜不但导致无法充分利用分布式带来的好处，而且可能导致内存消耗过大，超过负载，直接导致任务延迟或失败。

典型的数据倾斜场景如下：

a. 空值产生的数据倾斜

场景：在日志中，经常会出现信息丢失的问题，如日志中的user_id可能存在一定的缺失率。如果取日志中user_id和用户表中的user_id关联，那么会发生数据倾斜问题。

 解决办法1：user_id为空时不参与关联

select * from log a join users b on a.user_id is not null and a.user_id = b.user_id union all 
select * from log a where a.user_id is null；

 解决办法2：赋予空值新的值

select * from log a left outer join users b on case when a.user_id is null then concat('hive', rand()) else a.user_id
end = b.user_id;　

 结论：解决办法2比解决办法1效率更高，因为不但IO少了，而且作业数也少了，在解决办法1中，log读取两次，job数是2，而在解决办法2中，job数是1。

这个优化适合无效id（如-99、'' 和NULL等）产生的数据倾斜问题。我们把空值的key变成一个字符串并拼上随机数，就能把倾斜的数据分到不同的Reducer上，从而解决数据倾斜问题。

b. 不同数据类型关联产生数据倾斜