上个月，我在维护一套接口自动化测试框架时，遇到一个几乎让我抓狂的问题：测试用例跑着跑着就失败，而且失败得毫无规律。排查到最后，发现罪魁祸首是测试数据——硬编码的账号、订单号在并发执行时互相污染，用例之间数据耦合严重。这篇文章就记录我如何把测试数据管理从硬编码重构为数据工厂+随机数据的过程，希望能给同样被测试数据折磨的你一些启发。
场景与目标
当时的测试框架是用 Python + pytest 搭建的，用例数量大概 200 多条。最初写用例时，为了省事，我在代码里直接硬编码测试数据，比如：
def test_create_order(): payload = {"user_id": 1001, "product_id": 2002, "quantity": 3} resp = client.post("/orders", json=payload) assert resp.status_code == 201这种写法的问题很明显：用例之间数据耦合，比如多个用例共用同一个 user_id，当并发执行时，一个用例可能修改了用户状态，另一个用例就失败了。而且数据不可复用，换一套环境就得改代码。
我的目标是：让测试数据与用例解耦，支持并发执行，且数据可复用。具体来说，希望达到以下效果：
- 用例不再出现硬编码数据，数据由工厂动态生成。
- 并发执行时，每个用例使用唯一数据，互不干扰。
- 测试结束后，能自动清理产生的数据，避免脏数据堆积。
环境准备
我用的技术栈是 Python 3.10 + pytest + requests。为了生成随机数据，我引入了 Faker 库（一个生成假数据的 Python 库）。另外，数据库清理我用的是 SQLAlchemy 的 session 来执行删除语句，如果你用的是 Django ORM 或裸 SQL 也可以。
安装依赖：
pip install faker sqlalchemy重构步骤
第一步，设计数据工厂。我创建了一个 data_factory.py 文件，用 Faker 生成随机但合理的数据。比如生成一个用户：
from faker import Fakerimport randomfake = Faker()class UserFactory: @staticmethod def create_user(): return { "username": fake.user_name(), "email": fake.email(), "phone": fake.phone_number(), "status": random.choice(["active", "inactive"]) }第二步，在用例中使用工厂。重构后的创建订单用例变成：
def test_create_order(): user = UserFactory.create_user() # 先创建用户，拿到 user_id user_resp = client.post("/users", json=user) user_id = user_resp.json()["id"] payload = {"user_id": user_id, "product_id": 2002, "quantity": 3} resp = client.post("/orders", json=payload) assert resp.status_code == 201 # 记录清理所需的用户ID，可以在 teardown 中删除 cleanup_list.append(user_id)注意，这里我故意没有用随机 quantity，而是固定值，因为业务规则可能限制数量范围。但用户数据是随机的，保证了唯一性。
第三步，设计数据库清理策略。我在 conftest.py 中实现了一个 autouse fixture，在每个用例执行后清理产生的数据。
import pytestfrom sqlalchemy import create_engine, textengine = create_engine("postgresql://user:pass@localhost/testdb")@pytest.fixture(autouse=True)def cleanup_data(): yield # 清理所有产生的用户数据 with engine.connect() as conn: conn.execute(text("DELETE FROM orders WHERE user_id IN (SELECT id FROM users WHERE username LIKE 'test_%')")) conn.execute(text("DELETE FROM users WHERE username LIKE 'test_%'")) conn.commit()但这里有个问题：如果用户名不是以 test_ 开头，清理就失效了。所以我调整了工厂，让生成的用户名带上前缀：
def create_user(): return { "username": f"test_{fake.user_name()}", ... }这样清理策略就统一了。
核心洞见：数据工厂的核心不是“随机”，而是“可控的随机”。通过给数据加前缀、按业务规则生成，既能保证唯一性，又能方便清理。
常见问题
1. 随机数据可能导致测试不稳定。比如生成手机号可能不符合运营商规则，我建议用 Faker 的 locale 参数，或者自定义 provider 来生成符合国内规则的手机号。
2. 清理策略不能仅仅依赖前缀。如果测试过程中创建了关联数据，需要级联删除。我的建议是在清理时先删子表，再删父表。
3. 并发测试时的数据冲突。即使随机，也可能碰撞。我用的是 uuid 作为部分字段，进一步降低冲突概率。
import uuid"username": f"test_{uuid.uuid4().hex[:8]}",总结
重构后，我的测试框架跑得稳多了。并发执行时，用例之间不再互相干扰，数据也不会堆积。这个模式让我意识到，测试数据管理是自动化测试的基石，值得花时间去设计。
如果你也在做接口自动化，不妨试试数据工厂 + 随机数据 + 清理策略这套组合拳。如果你有更好的思路，欢迎交流。我们铭锦数智也常帮客户搭建自动化测试体系，有需要可以聊聊。