Skip to content

得物测试开发面经 ​


得物测开一面(2024) ​

  1. 自我介绍
  2. 为什么找测试岗位
  3. 讲一下测试的一般流程
  4. 设计测试用例的常用方法
  5. 如果需要测试一个接口,去测试一个并发场景,应该如何去做
  6. 如何去设置多线程
  7. 10万级别的接口访问量,如何去模拟
  8. 数据库了解如何
  9. 2000万中有2万条数据是热数据,需要经常使用的,如何实现
  10. Socket和HTTP的区别
  11. 现场直播或者打游戏,在线视频,使用HTTP还是Socket
  12. 如果你负责一个项目,需要多个团队或者业务组合作,作为项目负责人,你会怎么去推动进度以及避免项目中的风险
  13. 如果推进过程中临时加入新需求,你会如何处理

得物测开一面(2023) ​

  1. 自我介绍
  2. 为什么选择测试工程师
  3. 优秀的测试工程师应该具备什么素质
  4. 测试工具的使用
  5. 编程用的什么语言
  6. SQL的排序、分页
  7. 测试从哪几个方面进行测试
  8. 登录用到什么协议
  9. 对Web测试怎么测
  10. 有哪些请求
  11. 测试框架
  12. 测试流程
  13. 会不会接口测试
  14. 最近还有在学什么吗

得物测开一面(国际部Poizon项目) ​

  1. 自我介绍
  2. 简单介绍一下项目内容
  3. 介绍一下测试公司网络设备的原理(通过API配置产品的Web页面,测试接口是否连通,以及相应的网络协议)
  4. TCP/IP的四层分别是?
  5. 什么是L2,可以分别说说L2和L3的区别吗?
  6. 知道怎么测试服务端吗?
  7. 对Python熟悉吗?如果让你判断一个字符串是否为回文,怎么写?

得物测开一面(社招方向) ​

  1. 自我介绍
  2. 介绍最近做过的一个项目
  3. 小程序项目的重点、难点
  4. 实际过程中是否会使用微信支付?支付费用如何处理?
  5. 两周迭代一次的频率对你有什么压力?
  6. 手机App测试项目的重点和难点
  7. 如何验证庞大的数据集(50万数据的迁移工作)
  8. 共有多少种不同类型的券以及多少种不同类型的状态?
  9. 微信朋友圈评论功能你会怎么进行测试?
  10. 工作一两年的时间里谁给你的帮助是最大的?
  11. 本来计划要上线,但是在五点四十八分出现很严重的功能性bug,你会怎么处理
  12. 你对得物有什么了解?

得物测开一面(青训营,已OC) ​

  1. 自我介绍
  2. 你最擅长的计算机语言是什么
  3. 之前实习期间做CI/CD,具体工作是什么
  4. 数据可视化和数据报表你具体做了什么
  5. 实习经历简单表述

得物测开二面 ​

  1. 自我介绍
  2. 实习介绍
  3. 怎么实现的自动检测
  4. 简单介绍一下Zookeeper,主要是解决了什么问题,有什么特性
  5. 介绍下ZNode的相关概念
  6. 项目在CAP里面是符合了哪两个要素,介绍下CAP理论
  7. Zookeeper怎么实现分布式锁
  8. 介绍一下RPC调用的流程
  9. Redis除了用在缓存的场景外还有什么场景可以使用
  10. 介绍下Java内部保证线程安全的方法有哪些
  11. 场景题:在一个很大并发情况下对类中的字段进行累加处理,怎么保证线程安全并保证结果正确
  12. 说一下死锁怎么产生的,简单介绍一个经典的死锁问题
  13. 说一下在Java里面怎么会造成死锁
  14. 说一下这种死锁问题如何避免
  15. 说一下MySQL里面的隔离级别
  16. 读已提交和可重复读的区别
  17. 简单介绍一下OAuth2,有什么核心概念

得物测开三面(项目拷打型) ​

  1. 自我介绍(约4分钟)
  2. 拷打项目(约10分钟)
  3. 职业规划
  4. 为什么选择这份工作
  5. 反问:部门的工作对标、求职建议、后续有什么安排

高频题目汇总 ​

必问八股 ​

  • 测试流程
  • 测试用例设计方法(等价类、边界值、场景法等)
  • TCP/IP四层模型
  • L2和L3的区别
  • Socket vs HTTP
  • 并发测试方案
  • 多线程设置
  • 线程安全(Java内部保证线程安全的方法)
  • 死锁(产生原因、经典问题、如何避免)
  • 数据库隔离级别(读已提交 vs 可重复读)
  • 分布式锁(Zookeeper实现)
  • CAP理论
  • Redis应用场景(缓存以外)
  • OAuth2核心概念
  • RPC调用流程
  • Zookeeper(ZNode概念、分布式锁)
  • 数据库(热数据处理、SQL排序分页)

常考场景题 ​

  • 微信朋友圈评论功能测试
  • App测试重点难点
  • 50万数据迁移验证
  • 严重Bug上线前发现如何处理
  • 高并发下字段累加的线程安全
  • 项目推动/风险管理
  • 临时加需求如何处理

常考问题 ​

  • 为什么找测试岗位
  • 优秀的测试工程师应具备的素质
  • 对公司的了解
  • 职业规划
  • 为什么选择这份工作

得物暑期 AI 面面经 ​

特点:开始先选熟悉的语言;题目偏综合,有追问


1. 网络不同层级的分工以及协议如何合作 ​

参考回答:

OSI 七层 / TCP/IP 四层模型,每层各司其职:

层级代表协议职责
应用层HTTP/HTTPS、DNS用户数据格式化
传输层TCP/UDP端到端可靠传输、流量控制
网络层IP、ICMP路由寻址
数据链路层Ethernet、ARP相邻节点传输
物理层光纤、网线比特流传输

追问:举实际场景说明各层如何配合解决网络拥塞 ​

场景:HTTP 请求下载大文件时发生网络拥塞

  • 传输层(TCP):拥塞控制算法(慢启动、拥塞避免、快重传、快恢复),检测到丢包后降低发送窗口
  • 网络层(IP/路由器):RED(随机早期检测)主动丢包,提前通知发送方降速;ECMP 多路径负载均衡
  • 应用层(HTTP/2):多路复用,避免队头阻塞;HTTP/3(QUIC)在 UDP 上自己实现拥塞控制,绕过 TCP 限制
  • 数据链路层:流量整形(Token Bucket),限制突发流量

2. 数据库锁机制 ​

核心作用: 解决并发操作下的数据一致性问题(脏读、不可重复读、幻读、丢失更新)

常见类别:

锁类型说明适用场景
共享锁(S锁/读锁)多个事务可同时读,不能写读多写少,数据查询
排他锁(X锁/写锁)只有一个事务可读写,其他全阻塞写操作,需要强一致性
意向锁表级锁,标记行锁意图InnoDB 内部使用
行锁锁定单行高并发,精细控制
表锁锁定整张表批量操作,MyISAM
间隙锁(Gap Lock)锁定索引间隙,防止幻读RR 隔离级别
乐观锁不加锁,提交时校验版本号读多写少,冲突概率低

追问1:排他锁在并发中的作用 + 电商库存扣减如何选锁避免超卖 ​

超卖问题本质: 并发读到同一库存值,各自扣减,导致库存变负

方案对比:

sql
-- 方案1:悲观锁(SELECT FOR UPDATE)
BEGIN;
SELECT stock FROM goods WHERE id=1 FOR UPDATE;  -- 加排他锁
UPDATE goods SET stock=stock-1 WHERE id=1 AND stock>0;
COMMIT;
-- 优点:强一致,不会超卖
-- 缺点:高并发下锁竞争严重,吞吐量低

-- 方案2:乐观锁(版本号/CAS)
UPDATE goods SET stock=stock-1, version=version+1
WHERE id=1 AND stock>0 AND version=#{version};
-- 优点:无锁,高并发性能好
-- 缺点:失败需重试,冲突多时重试风暴

-- 方案3:Redis 原子操作(推荐高并发场景)
-- DECR stock_key(原子操作,天然防超卖)
-- 库存预热到 Redis,异步落库

实际选择:

  • 并发量低 → 悲观锁(简单可靠)
  • 并发量高、冲突少 → 乐观锁
  • 秒杀/大促 → Redis 原子操作 + 消息队列异步落库

追问2:排他锁的性能问题 ​

  • 锁等待:其他事务全部阻塞,响应时间增加
  • 死锁:多个事务互相等待对方释放锁
  • 锁升级:行锁升级为表锁(大量行锁时 MySQL 可能升级)
  • 吞吐量下降:高并发下串行化执行,QPS 骤降
  • 长事务风险:持锁时间长,阻塞其他事务

3. Python 深浅拷贝 ​

核心区别:

浅拷贝深拷贝
方式copy.copy() / list[:]copy.deepcopy()
顶层对象新建新建
嵌套对象共享引用(同一内存地址)完全独立(递归复制)
python
import copy

original = [[1, 2], [3, 4]]

shallow = copy.copy(original)
deep = copy.deepcopy(original)

original[0].append(99)

print(shallow)  # [[1, 2, 99], [3, 4]]  ← 受影响!
print(deep)     # [[1, 2], [3, 4]]      ← 不受影响

必须用深拷贝的场景:

  • 嵌套数据结构(列表套列表、字典套列表)需要独立修改
  • 测试框架中复用测试数据,防止用例间互相污染
  • 多线程/多进程中传递可变对象

浅拷贝会出的问题:

  • 修改嵌套对象时,原对象和拷贝对象同时被修改
  • 测试数据污染:前一条用例修改了数据,后一条用例读到脏数据

4. 冒烟测试 ​

定义: 对新版本/新构建进行的快速基础功能验证,判断是否值得进行完整测试

优点:

  • 快速(通常 10-30 分钟)
  • 早期发现严重问题,节省测试资源
  • 作为 CI/CD 流水线的门禁

缺点:

  • 覆盖率低,只验证核心路径
  • 无法发现深层 Bug
  • 用例维护成本(需随功能更新)

冒烟测试没通过怎么处理:

  1. 立即打回:通知开发该版本不可测,附上失败截图/日志
  2. 定位失败原因:是新功能引入的 Bug,还是环境问题,还是用例本身问题
  3. 记录缺陷:提 Bug,标注严重级别(P0/P1)
  4. 等待修复后重新冒烟:不在不稳定版本上继续测试(避免浪费时间)
  5. 复盘:冒烟频繁失败说明开发自测不足,推动开发先做 UT

5. 测试环境不稳定、问题复现困难 ​

处理思路:

  1. 记录现场:截图、日志、请求/响应报文、时间戳,第一时间保留证据
  2. 环境排查:
    • 是否是环境本身问题(服务挂了、数据库连接池满、依赖服务异常)
    • 用监控工具(Prometheus/Grafana)查看资源使用情况
  3. 复现策略:
    • 增加日志埋点,记录关键路径
    • 固定测试数据,排除数据随机性
    • 降低并发,单步执行,缩小问题范围
    • 使用 Mock 隔离不稳定的外部依赖
  4. 沟通协作:
    • 与运维确认环境稳定性
    • 与开发确认是否有近期变更
  5. 长期方案:
    • 推动搭建稳定的专用测试环境
    • 关键服务加健康检查和自动重启
    • 测试数据工厂,每次用例前初始化数据

6. 项目介绍(通用框架) ​

根据自己项目填写,以下为参考结构

项目:接口自动化测试框架

  • 技术栈:Python + pytest + requests + Allure
  • 负责模块:断言模块、数据提取模块、日志模块

追问1:断言如何实现 ​

python
# 支持多种断言类型:状态码、字段值、包含关系、数据库验证
def assert_response(response, assert_rules):
    for rule in assert_rules:
        if rule['type'] == 'status_code':
            assert response.status_code == rule['expected']
        elif rule['type'] == 'json_path':
            actual = jsonpath.jsonpath(response.json(), rule['path'])[0]
            assert actual == rule['expected']
        elif rule['type'] == 'contains':
            assert rule['expected'] in response.text
        elif rule['type'] == 'db':
            actual = db.query(rule['sql'])
            assert actual == rule['expected']

追问2:正则/JSONPath/动态提取 ​

python
import re, jsonpath

# 正则提取
def extract_by_regex(text, pattern):
    match = re.search(pattern, text)
    return match.group(1) if match else None

# JSONPath 提取
def extract_by_jsonpath(response_json, path):
    result = jsonpath.jsonpath(response_json, path)
    return result[0] if result else None

# 动态提取(关联上下文,如 token)
class ContextManager:
    _store = {}
    
    @classmethod
    def set(cls, key, value):
        cls._store[key] = value
    
    @classmethod
    def get(cls, key):
        return cls._store.get(key)

# 用例中:登录后提取 token,后续用例自动使用
token = extract_by_jsonpath(login_response, '$.data.token')
ContextManager.set('token', token)

追问3:日志设计 ​

python
import logging

def setup_logger(name, log_file, level=logging.INFO):
    formatter = logging.Formatter(
        '%(asctime)s | %(levelname)s | %(name)s | %(message)s'
    )
    handler = logging.FileHandler(log_file, encoding='utf-8')
    handler.setFormatter(formatter)
    
    logger = logging.getLogger(name)
    logger.setLevel(level)
    logger.addHandler(handler)
    return logger

# 关键节点记录:请求URL、请求体、响应状态码、响应体、断言结果

7. 最近新学到的知识/工具 ​

结合自身实际,参考方向:

  • AI 辅助测试工具(如 Cursor、GitHub Copilot 写用例)
  • k8s 基础(kubectl 命令、Pod 日志查看)
  • 性能测试新工具(Locust、k6)
  • 可观测性(OpenTelemetry、链路追踪)

8. JMeter 如何进行压测 ​

基本步骤:

  1. 创建测试计划
    • 线程组:设置并发用户数、Ramp-Up 时间、循环次数
  2. 添加 Sampler:HTTP Request,配置接口地址、方法、参数
  3. 添加配置元件:
    • HTTP Header Manager(设置 token 等)
    • CSV Data Set Config(参数化测试数据)
  4. 添加监听器:聚合报告(Aggregate Report)、响应时间图
  5. 执行压测:
    • 先做基准测试(1 用户)
    • 逐步加压(10→50→100→500)
    • 观察 TPS、响应时间(P99)、错误率
  6. 分析结果:
    • TPS 拐点 = 系统瓶颈
    • 错误率 > 1% 需排查
    • 结合服务器监控(CPU、内存、GC)定位瓶颈

9. 高并发场景下多项目压测如何高效切换 ​

核心思路:隔离 + 文档化 + 优先级管理

  1. 环境隔离:每个项目独立的 JMeter 脚本、测试数据、监控看板
  2. 文档化:每个项目维护一份"压测快速上手文档"(环境地址、关键参数、历史基线)
  3. 时间分片:按项目阶段错开压测窗口,避免资源竞争
  4. 自动化脚本:一键切换环境配置(不同项目的 config 文件)
  5. 状态记录:每次切换前记录当前项目进度,防止遗漏

10. 环境/数据隔离不完善导致测试结果异常,如何沟通推动解决 ​

沟通策略:

  1. 先定位,再沟通:带着证据(日志、数据对比、影响范围)去找开发,不要只说"有问题"
  2. 量化影响:说明哪些用例受影响、影响了几个项目、是否影响上线节点
  3. 提出方案:不只是提问题,同时给出建议方案(如:加环境标识字段、数据库 schema 隔离)
  4. 升级机制:若开发响应慢,及时同步测试 lead 或项目经理,推动优先级
  5. 事后复盘:问题解决后推动写入规范,防止复发

11. 发现更优的隔离方案,如何评估可行性并推动落地 ​

评估维度:

  • 技术可行性:现有技术栈是否支持,改造成本多大
  • 收益:能解决哪些现有痛点,量化收益(减少多少 Bug、节省多少时间)
  • 风险:引入新方案的风险点,是否有回滚方案
  • 成本:人力、时间、学习曲线

推动落地:

  1. 先做 POC(小范围验证),用数据说话
  2. 写方案文档,对比新旧方案
  3. 找盟友(先说服 1-2 个关键人)
  4. 从低风险项目试点,成功后推广
  5. 定期同步进展,保持透明

12. 如何保证覆盖率和准确性 ​

覆盖率:

  • 需求覆盖:每条需求对应至少一条用例(需求追踪矩阵)
  • 代码覆盖:单元测试用 coverage.py 统计行覆盖率(目标 80%+)
  • 接口覆盖:所有接口、所有参数组合(等价类、边界值)
  • 场景覆盖:正常流、异常流、边界场景

准确性:

  • 断言要精准:不只断言状态码,还要断言业务字段
  • 测试数据隔离:每条用例独立数据,避免互相干扰
  • 环境一致性:测试环境与生产环境配置对齐
  • 定期 Review 用例:随需求变更及时更新用例

13. Bug 优先级 ​

常见分级(P0-P3):

级别定义示例处理时限
P0(Blocker)系统崩溃、核心功能完全不可用登录失败、支付崩溃立即修复,阻塞上线
P1(Critical)核心功能严重受损,无 workaround下单成功但库存不扣减当天修复
P2(Major)功能部分受损,有 workaround搜索结果排序错误本迭代修复
P3(Minor)体验问题、UI 瑕疵按钮颜色偏差、文案错别字下个迭代或酌情处理

定级依据:

  • 影响范围(多少用户受影响)
  • 业务损失(是否涉及资金、数据安全)
  • 是否有 workaround
  • 出现频率(必现 vs 偶现)

Powered by VitePress

🔒 需要口令解锁

关注微信公众号 测开阿Duang,
回复关键词 「密码」 获取口令

公众号二维码

解锁后本浏览器长期有效