10 Janvier 2024 Mis ? jour : avr. 2026 ADC Team 6 min de lecture

Data-Driven Testing : Guide Complet avec Python

Le Data-Driven Testing (DDT) consiste ? s?parer les donn?es de test du code de test, permettant d'ex?cuter le m?me sc?nario avec de multiples jeux de donn?es. C'est l'une des pratiques les plus puissantes pour augmenter la couverture sans dupliquer le code.

? retenir

pytest.mark.parametrize : m?thode la plus directe en Python ? it?re automatiquement sur plusieurs tuples de param?tres, g?n?rant un test distinct pour chacun
Sources de donn?es support?es : CSV (donn?es volumineuses), JSON (structures hi?rarchiques), Excel via openpyxl (?quipes m?tier), PostgreSQL via psycopg2 (donn?es dynamiques)
R?gle d'isolation : chaque test doit fonctionner ind?pendamment ? utiliser les fixtures pytest (setup/teardown) pour pr?parer et nettoyer les donn?es
Toujours inclure les cas limites : valeurs nulles, cha?nes vides, entiers n?gatifs ? et versionner les fichiers CSV/JSON dans Git avec le code de test

Qu'est-ce que le Data-Driven Testing ?

Le DDT permet d'ex?cuter un m?me test avec diff?rentes combinaisons d'entr?es et de r?sultats attendus. Les donn?es sont stock?es s?par?ment (CSV, JSON, Excel, base de donn?es) et inject?es dynamiquement dans les tests. R?sultat : une couverture maximale avec un minimum de code.

1. DDT avec pytest.mark.parametrize

La m?thode la plus directe en Python. Le d?corateur @pytest.mark.parametrize permet d'it?rer automatiquement sur plusieurs jeux de donn?es.

Exemple : Tester une fonction de calcul de remise avec diff?rents sc?narios (0%, 10%, 25%) en une seule d?finition de test. pytest g?n?re automatiquement un test distinct pour chaque tuple de param?tres.

2. Donn?es depuis un fichier CSV

Pour des donn?es volumineuses ou maintenues par des non-d?veloppeurs, le CSV est id?al. La biblioth?que standard csv ou pandas permettent de charger les donn?es et de les passer ? parametrize.

3. Donn?es depuis JSON

Le JSON est pr?f?rable quand les donn?es ont une structure hi?rarchique (objets imbriqu?s, tableaux). Il est lisible humainement et facile ? versionner avec Git.

4. Donn?es depuis Excel avec openpyxl

Pour les ?quipes m?tier qui maintiennent leurs donn?es de test dans Excel, openpyxl permet de lire les feuilles directement. Attention ? verrouiller la structure du fichier pour ?viter les ruptures.

5. Donn?es depuis une base de donn?es

Pour des donn?es dynamiques ou li?es ? l'environnement de test, une connexion directe ? la base (SQLite, PostgreSQL via psycopg2) est la meilleure option. Les donn?es refl?tent toujours l'?tat r?el du syst?me.

6. Strat?gie de gestion des donn?es de test

Isolation : Chaque test doit pouvoir fonctionner ind?pendamment ? ne pas d?pendre de donn?es cr??es par un autre test
Nettoyage : Utiliser des fixtures pytest (setup/teardown) pour pr?parer et nettoyer les donn?es
Donn?es r?alistes : Utiliser des g?n?rateurs (Faker) pour cr?er des donn?es proches de la production
Versionner les donn?es : Stocker CSV/JSON dans Git avec le code de test
Cas limites : Toujours inclure des cas limites (valeurs nulles, cha?nes vides, entiers n?gatifs)

Conclusion

Le Data-Driven Testing est un multiplicateur de couverture. En s?parant donn?es et logique de test, vous r?duisez la duplication, facilitez la maintenance et rendez votre suite de tests accessible aux non-d?veloppeurs. Commencez simple avec parametrize, puis ?voluez vers des sources externes selon la complexit? de votre projet.

Approfondissez avec nos formations

Notre formation QA Automation Python couvre le DDT en profondeur : pytest, fixtures avanc?es, int?gration CI/CD.

Voir la formation QA Automation

?quipe ADC ? Experts QA & IA

AutomationDataCamp ? Certifi?s ISTQB ? +10 ans d'exp?rience

Experts Python et QA Automation sp?cialis?s en data-driven testing, pytest et pipelines de test robustes. D?couvrir l'?quipe ?