测试

> Last Format Time：6/12/2026 21:13:41

测试分类

  • 单元测试：最小的代码单元，通常是一个函数、一个方法或一个类
  • 集成测试：多个模块、组件或服务之间的交互和接口
  • e2e测试：整个应用程序，从前端用户界面到后端服务，再到数据库和网络等所有部分
  • UI测试：用户界面的视觉元素和交互

使用测试框架，是很重要的一环，尤其是核心的utils，避免了改动核心功能时的连锁反应，能够极大的减轻测试的负担

主流测试框架：Jest、Mocha、Vitest

测试核心概念

测试金字塔

测试金字塔由 Mike Cohn 提出，是一个指导"应该写多少测试、每类测试占多少比例"的分层模型：

  • 底层 - 单元测试：数量最多、速度最快、成本最低。应当占据测试的绝大部分。
  • 中层 - 集成测试：数量适中，验证模块间协作。
  • 顶层 - 端到端测试：数量最少、速度最慢、成本最高。验证关键业务链路。

核心思想：越靠近底层的测试越多，越靠近顶层的越少，整体呈金字塔形。反过来的"冰淇淋锥"模型（E2E 居多）是反模式，脆弱且维护成本高。

测试覆盖率

覆盖率衡量"测试用例执行了多少代码"，是测试充分性的量化指标。常见维度：

  • 语句覆盖 (Statement)：每行可执行代码是否被执行
  • 分支覆盖 (Branch)：每个 if/else、switch 等分支是否都被走到
  • 函数覆盖 (Function)：每个函数是否被调用过
  • 行覆盖 (Line)：每行是否被执行

常见误区：覆盖率不是越高越好，100% 覆盖率 ≠ 0 bug。盲目追求 100% 会导致为覆盖率而写测试，反而失去对核心业务逻辑的关注。行业经验：70%~80% 是性价比区间，重点覆盖核心业务和复杂分支。

工具：Jest 自带 --coverage 标志，背后基于 Istanbul/nyc。

Mock / Stub / Spy

测试替身（Test Double）的三种常见角色，名字容易混：

  • Mock：模拟对象，验证行为。关心"被没被调用、调用几次、传了什么参数"。
  • Stub：模拟对象，返回预设值。只关心"被调用时给我什么数据"，不验证是否被调用。
  • Spy：包装真实对象，记录调用信息。不改变行为，只观察真实调用。

Jest 提供：

  • jest.fn()：创建 Mock 函数
  • jest.spyOn(obj, 'method')：Spy 一个真实方法，可保留原行为或 mock 掉
  • jest.mock('./module')：自动 mock 一个模块

判断用哪种：

  • 要"打桩返回假数据" → Stub
  • 要"断言函数被调用了几次" → Mock
  • 要"保留原行为但记录调用" → Spy

TDD vs BDD

TDD（Test-Driven Development）测试驱动开发，强调"先写测试再写实现"：

  • 流程：红（写一个失败的测试）→ 绿（写最小实现让测试通过）→ 重构
  • 关注点：代码功能的正确性
  • 适用：函数、模块级别的单元测试

BDD（Behavior-Driven Development）行为驱动开发，强调"用自然语言描述业务行为"：

  • 流程：用 Given-When-Then 描述场景 → 实现 → 自动化
  • 关注点：业务行为，促进产品/开发/测试三方对齐
  • 工具：Cucumber、Jest-cucumber

简单区分：TDD 是"开发者写测试驱动开发"，BDD 是"业务人员写场景驱动开发"。

测试框架

Jest

jest一般是开发环境依赖，不需要添加到生产环境中去，一般是使用commonJS，但是经过配置也可以使用ESM语法。

Vitest

Vitest内置一个无头浏览器。

>无头浏览器是一种没有图形用户界面的Web浏览器。 它具备完整浏览器引擎（如Chromium、WebKit）的所有能力，可以解析HTML、CSS、执行JavaScript、渲染页面、处理Ajax请求等，但不会在屏幕上显示任何页面内容。所有操作都由程序或命令行自动控制。

A/B 测试

A/B测试，简单来说，就是一种通过对比两个版本来做决策的科学实验方法。

它的核心思路是：为同一个目标，设计出A和B两个不同的方案。然后，让流量相似的两组用户随机看到其中一个版本。最后，通过分析用户的实际行为数据（比如点击率、转化率），来判断哪个版本的效果更好。

一个经典的例子是：一家电商网站想优化"购买按钮"的颜色。他们让50%的用户看到红色的A版本（原始版），50%的用户看到绿色的B版本（新版）。测试结果显示，绿色版本的购买点击率高出20%，那么新版本就胜出，可以被正式采用。

A/B测试有四个核心特征：

  • 同时测试：A和B版本必须在同一时间段内运行，避免季节性或其他时间因素干扰。
  • 随机分组：用户被随机分配到不同版本，确保各组用户特征（如年龄、地域）在统计上相似，避免偏差。
  • 单一变量：最严谨的A/B测试一次只改变一个变量，这样就能清楚地知道，效果变化是由哪个改动引起的。
  • 数据驱动：最终决策不靠个人感觉或职位高低，完全依赖实验数据说话的统计结果。

在互联网行业，A/B测试的应用非常广泛：

  • 产品优化：测试App的界面布局、按钮文案、注册流程等，很多新功能会先通过A/B测试小范围验证。
  • 增长黑客：优化落地页、邮件营销标题、推送通知的文案，提高用户转化和留存。
  • 算法推荐：同时运行推荐商品或视频的不同算法模型，比较哪个点击率更高。
  • 广告投放：测试不同广告词、图片或受众定向，用效果最好的组合去大规模投放。

总的来说，A/B测试就像是互联网世界的"科学对照实验"，帮人们从"我觉得..."的经验主义，转向"数据证明..."的理性决策。