跳到主要内容

按目标:专项测试——功能之外的九个维度

如果 按粒度:测试层次 回答的是"测多细",那这篇回答的是"测哪个维度"。功能测试只是测试的默认维度——功能对了,软件不一定能用。速度慢一秒、被 SQL 注入、盲人打不开、字符编码乱掉,任何一条都能让功能正常的软件毁掉。专项测试就是把这些"功能之外的维度"一个个拎出来单独打。

1. 为什么要有专项测试​

先看一个真实场景。某电商大促前压力测试没做,功能测试全通过,上线首日凌晨 12 点开抢——服务器 CPU 直接打满,接口 p99 从 200ms 涨到 30 秒,用户点下单转圈 5 分钟后订单重复提交 3 次,风控误判为刷单封了一批 VIP 账号,客服工单第二天爆掉。

这个事故里没有一个"功能 bug"。下单接口逻辑对、库存扣减对、支付回调对。挂的是性能、并发下的一致性、风控在异常流量下的鲁棒性——三个功能测试不覆盖的维度。

专项测试的意义就是把这些非功能维度显性化。ISO/IEC 25010 软件质量模型把非功能属性分成八个大类,工业界常谈的是下面这七个专项。

2. 性能测试​

关心什么:单个请求的响应时间、系统的吞吐量、资源占用(CPU、内存、IO)。

典型指标:

指标含义常见目标
响应时间 p50/p95/p99一半/95%/99% 的请求耗时低于此值Web 接口 p99 < 500ms
QPS/TPS每秒查询/事务数视业务而定
并发用户数同时在线的用户数电商大促 100 万+
资源占用CPU / 内存 / 网络 / 磁盘 IOCPU < 70%,留 buffer

看 p99 不看平均,是因为平均值掩盖长尾。1000 个请求,999 个 100ms、1 个 10 秒,平均 110ms 看着很好,实际那 1 个 10 秒是活生生的一个愤怒用户。

工具:JMeter(老牌 GUI)、k6(脚本化、云原生首选)、Locust(Python 编写用例)、wrk(轻量级 HTTP 压测)、Gatling(Scala 写用例,报告漂亮)。

什么时候做:功能稳定后、上线前一次全量压测;每个大版本迭代都要跑基准回归;重要促销/活动前专项加码。

3. 压力测试 / 负载测试 / 容量测试​

这几个词经常混用,实际是不同问题:

测试类型目的做法
负载测试在预期负载下能否达到 SLA按预期 QPS 打 30 分钟
压力测试系统的极限在哪里、如何崩溃QPS 逐步加压直到崩溃
容量测试达到目标 QPS 需要多少资源固定 QPS,看资源占用
稳定性测试长时间跑会不会内存泄漏中等负载连续跑 24–72 小时
尖峰测试流量瞬时暴涨能否扛住QPS 秒级从 1x 拉到 10x

压力测试的价值不是找到极限数字,而是找到崩溃模式:数据库连接池先耗尽还是内存先炸?服务先 OOM 还是 GC 先卡住?知道崩溃模式才能设计降级和限流。

稳定性测试的重要性容易被低估。JVM 应用的内存泄漏、连接不释放这类问题,短时压测根本发现不了,必须跑够长时间。

4. 安全测试​

关心什么:系统能不能防住恶意输入、越权访问、数据泄露、拒绝服务。

安全测试有一套标准分类——OWASP Top 10 每年更新,是 Web 应用最常见的十种漏洞:注入、认证失效、数据泄露、XXE、访问控制失效、安全配置错误、XSS、反序列化、组件漏洞、日志不足。

子类型干什么工具
SAST静态代码扫描漏洞SonarQube、Semgrep、Checkmarx
DAST动态扫描运行中的应用OWASP ZAP、Burp Suite
SCA扫描第三方依赖漏洞Snyk、Dependabot、Trivy
渗透测试人工模拟攻击通常外包给专业团队
Fuzz随机输入找崩溃/漏洞见 模糊测试

渗透测试和自动化扫描不能互相替代。自动化扫描能覆盖已知漏洞模式,但业务逻辑漏洞(比如"改一下订单 ID 就能看别人的订单")机器识别不出来。渗透测试贵但必要。

一个我见过的经典业务逻辑漏洞:某 App 的优惠券领取接口没做用户校验,但客户端做了。用 Charles 抓包改一下用户 ID,可以给任何人的账号发满 100 减 50 的券。功能测试永远发现不了,因为客户端行为完全正常。

5. 可用性测试(Usability)​

关心什么:用户能不能顺畅地完成任务、界面是否符合直觉、错误信息是否有帮助。

注意区分两个词:可用性(usability) 是"好不好用",可用性(availability) 是"能不能用(系统在不在线)",中文都叫可用性但完全不是一个东西。工业界谈 SLA 5 个 9 是后者,谈 UX 是前者。

可用性测试的核心方法:

  • 用户走查(Cognitive Walkthrough):让真实用户完成典型任务,观察他们卡在哪
  • 启发式评估(Heuristic Evaluation):专家按 Nielsen 十大原则打分
  • A/B 测试:两版界面各投放一部分用户,看指标(点击率、转化率、完成时间)

指标偏定性:任务完成率、任务完成时间、错误率、满意度评分(SUS 量表 0–100 分,70+ 算好)。

工具偏软:UserTesting、Hotjar(热力图和录屏)、Maze(原型可用性测试)。

可用性测试和 探索性测试 有重叠但目的不同——探索性关心"有没有 bug",可用性关心"用户会不会用"。

6. 兼容性测试​

关心什么:软件在不同环境下是否表现一致。

维度非常多:

维度例子
浏览器Chrome / Firefox / Safari / Edge / 国产内核
操作系统Windows 10/11、macOS、各版本 Linux、Android/iOS 版本
设备PC、手机、平板、Ultra-wide 显示器、折叠屏
屏幕分辨率4K、1080p、720p、异形屏
网络4G / 5G / WiFi / 弱网
数据库MySQL 5.7 / 8.0、PostgreSQL 各版本、Oracle
输入法中文、日文、韩文、emoji

兼容性组合爆炸——3 个 OS × 4 个浏览器 × 3 个屏幕分辨率就是 36 种组合。必须做优先级排序:按用户数据挑最主流的 5–10 个组合覆盖,长尾靠 crash 上报兜底。

工具:

  • BrowserStack、Sauce Labs——云端多浏览器多设备真机测试
  • Selenium Grid / Playwright——本地并行多浏览器
  • WebPageTest——测各种网络条件下的表现

7. 可访问性测试(Accessibility, a11y)​

关心什么:残障用户能不能用你的软件。

a11y 是 "accessibility" 中间省略 11 个字母。核心标准是 WCAG 2.1,分 A / AA / AAA 三个级别。政府网站、金融应用、教育平台通常法规要求 AA。

四个核心原则(POUR):

原则含义检查点举例
可感知(Perceivable)用户能感知到内容图片有 alt、视频有字幕
可操作(Operable)用户能操作界面键盘能到达所有功能
可理解(Understandable)内容和操作可理解表单错误信息明确
稳健(Robust)兼容辅助技术屏幕阅读器能读出

工具:axe DevTools(Chrome 扩展)、Lighthouse(Chrome 内置)、WAVE、Pa11y(可自动化)。

自动化只能覆盖 30–40% 的可访问性问题。剩下的必须手动测——闭上眼睛用屏幕阅读器过一遍你的应用,是所有前端工程师都应该做一次的事。做完你会明白很多"看着挺好"的设计对盲人是灾难。

8. 国际化 / 本地化测试​

关心什么:软件能不能在不同语言和地区下正常工作。

区分两个词:国际化(i18n) 是"技术上能不能支持多语言",本地化(l10n) 是"针对某个地区的具体适配"。i18n 是基础设施,l10n 是内容。

i18n 测试典型问题:

  • 字符编码:中文、日文、emoji、俄语能不能正确显示、存储、搜索
  • 文本膨胀:德语单词长、日语短,UI 排版会不会溢出
  • 从右到左:阿拉伯语、希伯来语,整个布局要镜像
  • 日期/数字格式:2026-08-25 vs 25/08/2026 vs 8/25/2026
  • 时区:所有时间存 UTC 显示时转本地,坑无数
  • 货币:CNY、USD、JPY 的小数位数、千分位符号
  • 排序:不同语言的字典序不同(德语 Ö 该排在 O 还是 Oe?)
  • 表单验证:邮编、电话、身份证格式因国家不同

l10n 测试关注翻译质量、文化适配(图标含义、颜色象征)、法律合规(GDPR、CCPA)。

9. 其他常见专项​

不展开,简单列一下:

专项关心什么
安装/升级测试安装能否成功、升级能否保留数据、回滚是否可行
灾难恢复测试主数据中心挂了备中心能否接管、RTO/RPO 达标
数据迁移测试老库迁新库数据不丢、schema 变更前后一致
备份恢复测试备份能不能真的恢复出可用数据
合规测试满足 GDPR、HIPAA、PCI-DSS 等法规要求
弹性测试见 混沌工程与弹性测试
环境测试温度、湿度、电磁干扰下的表现(嵌入式/硬件)

10. 什么时候做什么专项​

不是所有专项都每个版本都要做。粗略的排期建议:

阶段强制专项推荐视情况
每次 PR / CI单元、集成、静态安全扫描
每次发版冒烟、回归、SCA 依赖扫描a11y、性能基准
大版本上述 + 完整性能压测兼容性、安全渗透i18n
促销/活动前压力、尖峰、稳定性灾难恢复演练
年度完整渗透测试灾备切换演练合规审计

真实项目的时间和预算总是有限,专项测试的核心是风险优先。金融应用把安全放第一,游戏把性能放第一,政府应用把可访问性放第一,SaaS 把兼容性放第一。

11. 局限​

专项测试有几个通病:

指标游戏化:p99 < 500ms 是目标,但真出问题的是 p999 或 p9999——那些偶发的、被平均掉的极端 case。追指标追到指标好看了,用户体验没提升。关于度量陷阱的更多讨论见 测试管理。

环境失真:性能测试在测试环境跑得飞起,上线扑街——因为测试环境的数据规模、并发模式、依赖抖动都跟生产不一样。真正准的性能数据必须在生产或接近生产的环境测,这也是 shift-right 和影子流量的动机之一。

专项之间的耦合被忽略:安全策略拖慢性能、i18n 增加内存、a11y 影响加载速度。单独优化每个专项,加起来可能整体变差。

专项独立于层次:一个性能问题可以在单元(一个函数的 benchmark)、集成(一个服务的 QPS)、E2E(整条链路的 p99)三个层次上测,同一个"性能测试"名词在不同层次含义差很多。看到"我们做了性能测试"要追问是哪一层。

12. 专项测试在测试全景中的位置​

专项测试是目标维度,跟其他维度组合起来才是完整策略:

功能测试是及格线,专项测试是差异化的地方。用户不会因为你的功能对了给你 5 星,但会因为你 3 秒打不开、盲人不能用、大促崩了给你 1 星。