Test het genereren van gegevens met Python Faker: Realistische, herhaalbare en veilige gegevens
Goede tests hebben goede gegevens nodig: realistisch genoeg om bugs te vinden, herhaalbaar genoeg om fouten op te sporen en nooit gekopieerd van echte klanten. We hebben de Python Faker-bibliotheek gebruikt om testgegevens te genereren, seeden, lokaliseren en meten, en hebben ontdekt waar deze tekortschieten.
- Het genereren van testgegevens zorgt voor realistische nepgegevens, zodat tests niet afhankelijk zijn van kopieën van echte klantgegevens.
- Zaak de generator zodat dezelfde test elke keer dezelfde gegevens oplevert.
- Faker produceert plausibele, typische waarden; je moet zelf randgevallen toevoegen, zoals lege tekenreeksen, apostrofs en zeer lange tekst.
- Faker is niet cryptografisch willekeurig: gebruik het nooit voor wachtwoorden, tokens of andere beveiligingsgerelateerde zaken.
Een tester heeft 500 klanten nodig met opdrachten om een rapportagescherm te controleren. Het kopiëren ervan uit de productie gaat snel, maar het plaatst echte namen, e-mailadressen en telefoonnummers in testomgevingen, logs en schermafbeeldingen, wat een privacy- en juridisch risico inhoudt. Met de hand typen gaat langzaam en levert “Testgebruiker 1” tot “Testgebruiker 500” op, waardoor bugs worden verborgen. Test het genereren van gegevens met een bibliotheek als Faker zit daar tussenin: realistisch, snel en nep.
We hebben elk voorbeeld uitgevoerd met Faker 40.52 op Python 3.13. De onderstaande waarden zijn afkomstig van onze geplaatste run en zijn dus reproduceerbaar met dezelfde versie.
Waarom testgegevens belangrijk zijn
- Realisme vindt bugs: lange namen, tekens met accenten en gevarieerde formaten breken code die ‘Testgebruiker’ nooit aanraakt.
- Herhaalbaarheid maakt foutopsporing mogelijk: een fout die u niet kunt reproduceren, is een fout die u niet kunt herstellen.
- Isolatie zorgt ervoor dat tests betrouwbaar blijven: tests die dezelfde records delen en wijzigen, worden onstabiel.
- Over privacy valt niet te onderhandelen: echte persoonlijke gegevens in testsystemen zijn vaak een schending van de wet en het beleid.
Manieren om testgegevens te verkrijgen
| Benadering | Pluspunten | Nadelen |
|---|---|---|
| Handgeschreven armaturen | Exact, leesbaar, ideaal voor randgevallen | Langzaam in volume te creëren |
| Gegenereerd (faker en vergelijkbaar) | Snel, realistisch, geen persoonlijke gegevens | Mist bedrijfsregels en zeldzame randgevallen |
| Gemaskerde productiekopie | Echte distributies en relaties | Het maskeren moet grondig zijn; nog steeds gevoelig |
| Synthetische dataplatforms | Bewaar statistieken en relaties op schaal | Kosten en opstelling |
De meeste teams combineren ze: kleine handgeschreven programma’s voor exacte controles, gegenereerde gegevens voor volume en zorgvuldig gemaskeerde gegevens alleen als realistische verdelingen essentieel zijn.
Aan de slag met Faker
pip install faker
from faker import Faker
fake = Faker("en_IN")
fake.name(), fake.email(), fake.city(), fake.phone_number()
Faker heeft providers voor namen, adressen, bedrijven, internetgegevens, datums, cijfers, tekst, financiën en meer, plus de mogelijkheid om uw eigen gegevens toe te voegen. Het is pure Python zonder systeemafhankelijkheden.
Zaaien voor herhaalbare gegevens
Faker.seed(42)
# Aryan Maharaj | udantdewan@example.net | Bongaigaon | +9196001xxxxx
# Oni Kannan | zmall@example.org | Bhusawal | 042351xxxxx
# Caleb Sharaf | radhakrishnanfarhan@example.net | Tadipatri | 093103xxxxx
# (phone numbers shortened here: generated numbers can match real ones)
Faker.seed(42); fake2 = Faker("en_IN")
fake2.name() # Aryan Maharaj
Met hetzelfde zaad produceerde een nieuwe generator dezelfde voornaam. Seed elke test of testsessie en log de Seed, zodat een fout exact kan worden herhaald. Houd er rekening mee dat waarden kunnen veranderen tussen Faker-versies, dus zet de versie vast in uw vereisten als tests exact gegenereerde waarden vergelijken. Beter nog, schrijf tests die helemaal niet afhankelijk zijn van specifieke nepwaarden.
Merk ook op dat Faker example.net en example.org e-maildomeinen gebruikte, die gereserveerd zijn voor documentatie en testen, zodat een test nooit per ongeluk een echt persoon kan e-mailen.
Landinstellingen
en_US: Ryan Gallagher | Davidmouth
de_DE: Karsten Wieloch-Bolnbach | Cloppenburg
ja_JP: 木村 陽一 | 八丈島八丈町
hi_IN: मोहना रोद्रिगुएस | अनन्तपुर
Landinstellingen veranderen namen, adressen en formaten, en sommige wisselen volledig van script. Een Duitse achternaam met dubbele loop, Japanse karakters en Devanagari-tekst zijn precies de invoer die fouten blootlegt in veldlengtes, sortering, zoeken, pdf’s en lettertypen. Als uw product meerdere regio’s bedient, genereer dan voor elke regio gegevens.
Unieke waarden
emails = [f.unique.email() for _ in range(1000)]
len(set(emails)) # 1000
small.unique.random_int(1, 5) # called 6 times
# UniquenessException
Met gewone Faker-aanroepen kunnen waarden worden herhaald, waardoor tests op kolommen met UNIEKE beperkingen worden verbroken. De .unique proxy garandeert geen herhalingen; in onze run waren 1.000 e-mails allemaal verschillend. Wanneer de verzameling mogelijke waarden opraakt, zoals bij het vragen om zes unieke getallen tussen 1 en 5, wordt UniquenessException verhoogd in plaats van voor altijd in een lus te blijven. Bel fake.unique.clear() tussen tests door.
Domeinrecords opbouwen
Faker genereert velden; uw code moet de bedrijfsregels respecteren. Een kleine fabrieksfunctie combineert ze:
def make_order(f):
qty = f.random_int(1, 5)
price = f.pyint(10, 2000)
return {"order_id": f.uuid4(), "customer": f.name(), "qty": qty,
"unit_price": price, "total": qty * price,
"status": f.random_element(["paid", "pending", "refunded"]),
"placed_at": f.date_time_between("-30d", "now").isoformat(timespec="seconds")}
# {"order_id": "0c5c7fd0-...", "customer": "Girindra Pau", "qty": 3,
# "unit_price": 1951, "total": 5853, "status": "refunded", "placed_at": "2026-10-14T18:01:02"}
Houd er rekening mee dat total wordt berekend en niet willekeurig, zodat de record intern consistent is. Willekeurige, onafhankelijke velden produceren onmogelijke gegevens, zoals een terugbetalingsdatum vóór de besteldatum, waardoor tijd wordt verspild aan het zoeken naar bugs die niet kunnen voorkomen. Bibliotheken zoals factory_boy en op modellen gebaseerde tools zoals Hypothesis-strategieën die zijn opgebouwd uit dataclasses helpen deze regels op één plek te houden.
Randgevallen Faker zal je niet geven
Faker produceert typische waarden. Bugs leven in atypische bugs, dus houd een handgeschreven lijst bij en meng deze erin:
edge_names = ["", " ", "O'Brien", "Zoë", "李小龙", "a" * 255,
"Robert'); DROP TABLE students;--", " padded "]
Lege waarden en waarden met alleen witruimte, apostrofs, accenten, niet-Latijnse scripts, maximale lengtes en tekenreeksen die lijken op validatie van codevangsten, escapes en weergavefouten. Grenswaardeanalyse vertelt je welke numerieke limieten je moet toevoegen, en op eigenschappen gebaseerde tests genereren automatisch lastige invoer.
Tip: Faker gebruikt de standaardmodule random van Python, die qua ontwerp voorspelbaar is, vooral wanneer deze is geplaatst. Gebruik het nooit om echte wachtwoorden, API-sleutels, tokens of eenmalige codes te genereren. Gebruik de module secrets voor alles wat met beveiliging te maken heeft.
Maskeren van productiegegevens
def mask_email(e):
h = hashlib.sha256(e.encode()).hexdigest()[:8]
return f"user_{h}@example.test"
mask_email("asha.rao@gmail.com") # user_fbb1af74@example.test (same input, same output)
Soms zijn realistische distributies van belang, bijvoorbeeld voor prestatietests of analyses. Vervolgens kopiëren teams de productie en maskeren deze. Consistente maskering, waarbij dezelfde invoer altijd wordt toegewezen aan dezelfde nepwaarde, zorgt ervoor dat joins tussen tabellen blijven werken. Maar maskeren is moeilijker dan het lijkt: vrije-tekstaantekeningen, adressen in opmerkingen en combinaties van onschadelijke velden kunnen nog steeds mensen identificeren. Een eenvoudige hash van een e-mail kan ook worden teruggedraaid door algemene adressen te raden, tenzij er een geheime sleutel wordt toegevoegd. Betrek uw beveiligings- of privacyteam erbij en geef de voorkeur aan gegenereerde gegevens wanneer deze goed genoeg zijn.
Snelheid en volume
10,000 name + email rows: 1.79s
Faker is prima voor duizenden records, maar vertraagt bij miljoenen. Voor grote prestatiegegevenssets kunt u het bestand één keer genereren en opnieuw gebruiken, snellere bibliotheken zoals Mimesis gebruiken, binnen de database genereren met SQL, of bulksgewijs laden met de importtools van de database. Richtlijnen voor belastingtests vindt u in onze gids voor belasting versus stresstests.
Gebruik het in tests
# conftest.py (illustration, not run for this article)
import pytest
from faker import Faker
@pytest.fixture
def fake():
f = Faker("en_IN")
f.seed_instance(1234)
return f
def test_signup(fake):
user = {"name": fake.name(), "email": fake.unique.email()}
...
Een geplaatste armatuur geeft elke test voorspelbare gegevens, en seed_instance zorgt ervoor dat tests elkaar niet beïnvloeden via een gedeelde mondiale kiem. pytest levert ook een Faker-plug-in met Faker zelf, die een faker-fixture biedt. Bekijk onze pytest-armaturengids voor de scopes en het opruimen van de armaturen.
Beste praktijken
- Gebruik nooit echte persoonlijke gegevens in testomgevingen zonder goedgekeurde maskering.
- Zaadgeneratoren en log het zaad voor elke run.
- Genereer de minimale gegevens die elke test nodig heeft, gecreëerd door de test zelf.
- Houd bedrijfsregels in fabrieken aan, zodat de gegevens altijd geldig zijn.
- Voeg een bijgehouden lijst met randgevallen toe.
- Ruim de gegenereerde gegevens op of voer elke test uit in een teruggedraaide transactie.
Testgegevens voor elk testniveau
| Testniveau | Goede gegevensbron | Waarom |
|---|---|---|
| Eenheidstests | Handgeschreven waarden plus een paar randgevallen | Exact, leesbaar, snel |
| Integratie- en API-tests | Gezaaide fabrieken met behulp van Faker | Realistisch en herhaalbaar, gemaakt per test |
| End-to-end-testen | Een kleine, bekende basisgegevensset plus gegevens die elke test creëert | Stabiel startpunt voor gebruikerstrajecten |
| Prestatietests | Grote gegenereerde of gemaskeerde datasets | Realistisch volume en distributie |
| Verkennende testen | Gevarieerde, rommelige gegenereerde gegevens op verschillende locaties | Brengt onverwacht gedrag aan het licht |
Door de gegevensbron af te stemmen op het testniveau blijven snelle tests eenvoudig en langzame tests realistisch. Lagere niveaus vereisen precisie; hogere niveaus hebben variatie en volume nodig. In de testpiramide wordt uitgelegd hoe deze niveaus in elkaar passen.
Wat het niveau ook is, zorg ervoor dat elke test verantwoordelijk is voor de gegevens waarvan hij afhankelijk is. Een test die stilletjes vertrouwt op een record dat door een andere test is gemaakt, of die is overgebleven van vorige week, zal uiteindelijk mislukken om redenen die niets te maken hebben met de te testen code.
Tot slot
Faker verandert testgegevens van een klusje in een paar regels code: realistische namen, e-mails en adressen in vele talen, herhaalbaar met een zaadje en veilig omdat niets echt is. Het produceert echter typische gegevens, dus voeg daar uw eigen edge cases en bedrijfsregels aan toe, houd het weg van beveiligingswaarden en geef, waar mogelijk, de voorkeur aan gegenereerde gegevens boven kopieën van productie.
Veelgestelde vragen
Wat is het genereren van testgegevens?
Het creëren van kunstmatige maar realistische testgegevens, zodat tests de variatie en het volume hebben dat ze nodig hebben zonder echte klantinformatie te gebruiken.
Hoe krijg ik bij elke run dezelfde Faker-gegevens?
Seed het met Faker.seed(n) of fake.seed_instance(n). Met hetzelfde zaad en dezelfde versie produceert het dezelfde waarden.
Hoe voorkom ik dubbele waarden met Faker?
Gebruik de unieke proxy, zoals in fake.unique.email(). Het verhoogt UniquenessException wanneer er geen nieuwe waarden meer over zijn, en u kunt het opnieuw instellen met fake.unique.clear().
Is Faker veilig voor wachtwoorden of tokens?
Nee. Faker gebruikt voorspelbare pseudo-willekeurige getallen. Gebruik de geheimenmodule van Python voor elke beveiligingsgevoelige waarde.
Moet ik productiegegevens gebruiken voor testen?
Vermijd het waar mogelijk. Als realistische distributies essentieel zijn, gebruik dan correct gemaskeerde kopieën die zijn goedgekeurd door uw privacy- of beveiligingsteam.
Blijf leren
Hulp nodig met testen, WordPress of SEO?
We helpen teams betere software te leveren en hun sites te laten groeien. Vertel ons waar u mee bezig bent en wij stellen een duidelijke volgende stap voor.
Meer handleidingen over testen, AI en moderne ontwikkeling
Genoten van dit artikel? Kies een onderwerp en ga direct naar onze nieuwste tutorials.
RAG-chunkingstrategieën uitgelegd: vast, overlap, zin, recursief en koppen, gemeten
RAG-chunkingstrategieën vergeleken op één document met tiktoken 0.14: vaste grootte, overlap, zinsverpakking, recursieve splitsing en op kop gebasee…
Lees artikel →SoftwareontwikkelingAPI-identiteit uitgelegd: Idempotentiesleutels en veilige nieuwe pogingen, getest
API-idempotentie uitgelegd met een Python-server en -client die we hebben uitgevoerd: een verloren reactie veroorzaakte een dubbele afschrijving zon…
Lees artikel →DevOpsGit Stash uitgelegd: bestanden opslaan, toepassen, pop-uppen en niet-bijgehouden, getest
Git stash uitgelegd met commando's die we uitvoerden op Git 2.56: push met een bericht, niet-bijgehouden bestanden, lijst en show, apply vs pop, beh…
Lees artikel →SoftwaretestenPaarsgewijze testen uitgelegd: hoe All-Pairs 216 tests terugbrengt naar 13, getest
Paarsgewijs testen uitgelegd met een generator die we in Python 3.13 draaiden: een checkout met 216 combinaties gedekt door 13 tests, geverifieerde …
Lees artikel →TestautomatiseringTestdubbels uitgelegd: Dummy, Stub, Spy, Mock en Fake, met geteste Python-code
Testdubbels uitgelegd met één Python-voorbeeld uitgevoerd in pytest 9.2: dummy, stub, spion, mock en fake, wanneer je ze moet gebruiken, status- ver…
Lees artikel →Databases & SQLSQL COALESCE uitgelegd: standaardwaarden, NULLIF, IFNULL versus ISNULL en traps, getest
SQL COALESCE uitgelegd met query's die we in SQLite 3.50 uitvoerden: eerste niet-null-waarden, lege tekenreeksen, NULL in wiskunde, NULLIF voor dele…
Lees artikel →Databases & SQLSQL Self Join uitgelegd: medewerker-manager, paren- en rijvergelijkingen, getest
SQL self-join uitgelegd met vragen die we in SQLite 3.50 uitvoerden: werknemer en manager, meer verdienen dan de manager, unieke paren, dagelijkse v…
Lees artikel →SoftwareontwikkelingJavaScript Spread Operator uitgelegd: Spread versus rest, kopieën en valkuilen, getest
De JavaScript-spreadoperator legde uit met code die we op knooppunt 24 uitvoerden: arrays, objecten, ondiepe kopieën, restparameters, de Math.max-li…
Lees artikel →SoftwareontwikkelingPython Collections-module uitgelegd: Counter, defaultdict, deque en meer, getest
Python-collecties uitgelegd met code die we draaiden op Python 3.13: Counter, defaultdict, deque, genaamdtuple, OrderedDict en ChainMap, plus een li…
Lees artikel →Kunstmatige intelligentieLLM-contextvenster uitgelegd: tokens, limieten en hoe u meer kunt passen, gemeten
Het LLM-contextvenster uitgelegd met tokenaantallen die we hebben gemeten met tiktoken: woorden versus tokens voor proza, code en Hindi, input- en o…
Lees artikel →SoftwareontwikkelingWebhooks uitgelegd: hoe ze werken en hoe u ze veilig kunt ontvangen
Webhooks uitgelegd met een ontvanger en afzender die we in Python draaiden: push versus polling, HMAC-SHA256-handtekeningen, het weigeren van geknoe…
Lees artikel →DevOpsGit Cherry-Pick uitgelegd: kopieer de commit die je nodig hebt, veilig, getest
Git cherry-pick uitgelegd met commando's die we in Git 2.56 uitvoerden: een hotfix kopiëren naar een release branch, nieuwe hashes en patch-ids, -x,…
Lees artikel →TestautomatiseringMomentopnametesten uitgelegd: hoe het werkt, wanneer het helpt en wanneer het pijn doet
Snapshot-testen uitgelegd met een pytest- en stroperige demo die we hebben uitgevoerd: snapshots maken, de diff lezen na een codewijziging, tijdstem…
Lees artikel →SoftwaretestenMutatietesten uitgelegd: waarom 100% dekking onze bug nog steeds heeft gemist
Mutatietesten uitgelegd met een kleine mutatietool die we hebben gebouwd en uitgevoerd: 14 mutanten, een testsuite met 100% lijndekking die 79% scoo…
Lees artikel →Kunstmatige intelligentieSnelle injectie uitgelegd: hoe AI-apps worden misleid en hoe u ze kunt verdedigen
Snelle injectie uitgelegd voor bouwers: directe en indirecte aanvallen, waarom zoekwoordfilters falen (onze test blokkeerde 1 van de 4) en gelaagde …
Lees artikel →DevOpsDNS-records uitgelegd: A, AAAA, CNAME, MX, TXT en TTL met echte zoekopdrachten
DNS-records uitgelegd met zoekopdrachten die we hebben uitgevoerd: hoe resolutie werkt, A en AAAA, CNAME-regels, MX en null MX, TXT voor SPF en veri…
Lees artikel →DevOpsFunctievlaggen uitgelegd: veilige releases, geleidelijke implementatie en vlaghygiëne
Functievlaggen uitgelegd aan de hand van een uitrolsimulatie die we hebben uitgevoerd: vlagtypen, percentage-uitrol met stabiele hashing, kill-schak…
Lees artikel →TestautomatiseringTest het genereren van gegevens met Python Faker: realistische, herhaalbare en veilige gegevens
Test het genereren van gegevens met Python Faker, voer het uit en meet het: seeden voor herhaalbare gegevens, landinstellingen, unieke waarden, dome…
Lees artikel →SoftwaretestenShift-Left-testen uitgelegd: vind bugs eerder zonder het team te vertragen
Shift-left-testen uitgelegd: wat het betekent, waarom vroege defecten goedkoper zijn, praktijken van vereistenbeoordelingen tot CI-controles, de ver…
Lees artikel →Databases & SQLSQL String-functies uitgelegd: TRIM, SUBSTR, REPLACE, CONCAT en gegevensopschoning
SQL-tekenreeksfuncties uitgelegd met query's die we hebben uitgevoerd: concatenatie en NULL, TRIM, UPPER en LOWER, SUBSTR en INSTR, REPLACE, opvulli…
Lees artikel →Databases & SQLSQL-triggers uitgelegd: VOOR en NA triggers, auditlogboeken en valkuilen
SQL-triggers uitgelegd met triggers die we hebben uitgevoerd: VOOR versus NA, OUD en NIEUW, auditlogboeken, validatie, voorraadupdates, WANNEER-voor…
Lees artikel →SoftwareontwikkelingPython JSON-module uitgelegd: dumps, ladingen, aangepaste typen en veelvoorkomende fouten
De Python JSON-module uitgelegd met code die we hebben uitgevoerd: dumps en laadt, bestanden, typeconversies, datums en decimalen, aangepaste encode…
Lees artikel →SoftwareontwikkelingES-modules versus CommonJS: hoe JavaScript-import werkt in Node.js, getest
ES-modules versus CommonJS uitgelegd met code die we in Node.js hebben uitgevoerd: syntaxis importeren en exporteren, vereisen, live bindingen, cach…
Lees artikel →SoftwareontwikkelingPython Regex uitgelegd: patronen, groepen, vooruitblik en valkuilen, getest
Python-regex uitgelegd met patronen die we hebben uitgevoerd: zoeken versus match, findall, groepen en benoemde groepen, hebzuchtig versus lui, sub,…
Lees artikel →Kunstmatige intelligentieLLM Gestructureerde uitvoer uitgelegd: betrouwbare JSON verkrijgen uit AI-modellen
Gestructureerde LLM-uitvoer uitgelegd met validatie die we in Pydantic hebben uitgevoerd: JSON-modus en -schema's, beperkte decodering, de manieren …
Lees artikel →DevOpsSSH-sleutels uitgelegd: hoe ze werken, ssh-keygen, Ed25519 en veilige gewoonten
SSH-sleutels uitgelegd met sleutels die we hebben gegenereerd: openbare versus privésleutels, ssh-keygen, Ed25519 versus RSA, vingerafdrukken, wacht…
Lees artikel →DevOpsHTTP-caching uitgelegd: cachecontrole, ETag en 304 reacties, met een live test
HTTP-caching uitgelegd met een kleine server die we draaiden: Cache-Control-richtlijnen, max-age, no-cache vs no-store, ETag-hervalidatie en 304-rea…
Lees artikel →TestautomatiseringAPI-contracttesten uitgelegd: ontdek belangrijke wijzigingen voordat ze worden verzonden
Het testen van API-contracten uitgelegd met een schemacontrole die we hebben uitgevoerd: wat een contract is, consumentgestuurde contracten, Pact, O…
Lees artikel →SoftwaretestenRisicogebaseerd testen uitgelegd: scoor risico's, bouw een matrix en test wat belangrijk is
Risicogebaseerd testen stap voor stap uitgelegd: risico's identificeren, waarschijnlijkheid en impact scoren, een risicomatrix opbouwen, risico's in…
Lees artikel →Databases & SQLSQL-beperkingen uitgelegd: NIET NULL, UNIEK, CHECK en FOREIGN KEY, getest
SQL-beperkingen uitgelegd met tests die we hebben uitgevoerd: NOT NULL, UNIQUE, CHECK, DEFAULT, PRIMARY en FOREIGN KEY, de NULL-mazen in de wet, de …
Lees artikel →Databases & SQLSQL-datumfuncties uitgelegd: datums toevoegen, vergelijken en groeperen zonder bugs
SQL-datumfuncties uitgelegd met query's die we hebben uitgevoerd: intervallen toevoegen, verrassingen aan het einde van de maand, datumverschillen, …
Lees artikel →SoftwareontwikkelingPython asyncio uitgelegd: async, wachten, verzamelen en TaskGroup met echte timing
Python asyncio uitgelegd met code die we hebben getimed: coroutines, wachten, verzamelen, TaskGroup, foutafhandeling, time-outs, het beperken van ge…
Lees artikel →SoftwareontwikkelingDebounce versus Throttle in JavaScript: hoe ze werken, wanneer ze moeten worden gebruikt, getest
Debounce versus gas geven in JavaScript uitgelegd met timings die we hebben gemeten in Node.js: hoe elk werkt, eenvoudige implementaties, leidende e…
Lees artikel →SoftwareontwikkelingPython-contextmanagers uitgelegd: de with-verklaring, contextlib en echt gebruik
Python-contextmanagers uitgelegd met code die we hebben uitgevoerd: hoe met werken, __enter__ en __exit__, contextlib.contextmanager, suppress, Exit…
Lees artikel →Kunstmatige intelligentieLLM Temperatuur en Top-p uitgelegd: hoe AI-modellen hun volgende woord kiezen
LLM-temperatuur en top-p uitgelegd met een simulatie die we hebben uitgevoerd: hoe kansen worden hervormd, wat top-p behoudt, aanbevolen instellinge…
Lees artikel →DevOpsYAML uitgelegd: syntaxis, het Noorwegen-probleem en andere valkuilen die we hebben getest
YAML legde uit met een parsertest: basissyntaxis, lijsten en kaarten, het Noorwegen-probleem, versies die in floats veranderen, octale postcodes, se…
Lees artikel →DevOpsCron Jobs uitgelegd: syntaxis, echte schema's en de fouten die deze breken
Cron-taken uitgelegd met schema's die we hebben geverifieerd: de vijf velden, operators, echte voorbeelden, de dag-van-maand OF dag-van-week-valkuil…
Lees artikel →Kunstmatige intelligentieAI-hallucinaties uitgelegd: waarom taalmodellen dingen verzinnen en hoe ze te verminderen
AI-hallucinaties uitgelegd: wat ze zijn, waarom taalmodellen ze produceren, veelvoorkomende typen, hoe je ze kunt verminderen met aarding en aanwijz…
Lees artikel →DevOpsOmgevingsvariabelen uitgelegd: .env-bestanden, geheimen en configuratie goed gedaan
Omgevingsvariabelen uitgelegd met Python-voorbeelden die we hebben uitgevoerd: ze lezen en instellen, waarom elke waarde een string is, .env-bestand…
Lees artikel →SoftwareontwikkelingAPI-snelheidsbeperking uitgelegd: algoritmen, headers en afhandeling van 429-fouten
API-snelheidsbeperking uitgelegd met een simulatie die we hebben uitgevoerd: token-bucket, vast venster, schuifvenster, 429 reacties, headers van sn…
Lees artikel →TestautomatiseringSpotten in Python: unittest.mock, patch en de fouten die tests doen liegen
Spotten in Python met unittest.mock, getest: Mock en return_value, side_effect, patchen waar een naam wordt gebruikt, spec en autospec, spotdatums e…
Lees artikel →SoftwaretestenCodedekking uitgelegd: lijn versus filiaaldekking en wat 100% werkelijk betekent
Codedekking uitgelegd met een echte dekking.py-run: dekking van lijnen, vertakkingen en condities, een rapport lezen, waarom 100% dekking nog steeds…
Lees artikel →Databases & SQLDELETE versus TRUNCATE versus DROP in SQL: verschillen, terugdraaien en wanneer elk te gebruiken
DELETE versus TRUNCATE versus DROP uitgelegd met geteste SQL: wat elk verwijdert, terugdraaien, triggers, identiteitsreset, snelheid en hoe PostgreS…
Lees artikel →Databases & SQLSQL-weergaven uitgelegd: creëer, gebruik en vermijd de valkuilen, met voorbeelden
SQL-weergaven uitgelegd met query's die we hebben uitgevoerd: een weergave maken, live resultaten, kolommen verbergen, prestaties, bijwerkbare en ge…
Lees artikel →SoftwareontwikkelingTypeScript-interface versus type: echte verschillen, getest met de compiler
TypeScript-interface versus type, gecontroleerd met de echte compiler: wat beide kunnen doen, wat slechts één kan doen, samenvoegen van declaraties,…
Lees artikel →SoftwareontwikkelingPython *args en **kwargs uitgelegd: flexibele functies met duidelijke voorbeelden
Python *args en **kwargs uitgelegd met code die we hebben uitgevoerd: in- en uitpakken, parametervolgorde, argumenten die alleen trefwoorden en posi…
Lees artikel →SoftwareontwikkelingPython Lambda-functies: syntaxis, echt gebruik en wanneer u ze niet moet gebruiken
Python lambda-functies uitgelegd met code die we hebben uitgevoerd: syntaxis, sorteren met sleutel, kaart en filter, sluitingen, de laat-bindende va…
Lees artikel →Kunstmatige intelligentieWat zijn AI-agenten? Hoe ze werken, met een eenvoudige agentloop die u kunt uitvoeren
Wat zijn AI-agenten? Een duidelijke gids voor de agentenlus, tools, geheugen en vangrails, met een kleine Python-lus die we hebben uitgevoerd, echte…
Lees artikel →DevOpsMonitoring versus waarneembaarheid: het echte verschil, met logboeken, statistieken en sporen
Monitoring versus waarneembaarheid uitgelegd: bekende en onbekende fouten, logboeken, statistieken en sporen, een walkthrough voor afrekenincidenten…
Lees artikel →DevOpsDocker-volumes versus bindingsmounts: bewaar containergegevens op de juiste manier
Docker-volumes versus bind-mounts uitgelegd: waarom containergegevens verdwijnen, benoemde volumes, bind-mounts, tmpfs, Compose-voorbeelden, back-up…
Lees artikel →TestautomatiseringTDD versus BDD: belangrijkste verschillen, één functie die op beide manieren is gebouwd en wanneer deze moet worden gebruikt
TDD versus BDD uitgelegd met één kortingsfunctie die in beide richtingen is gebouwd: rood-groen-refactor met code die we hebben uitgevoerd, gegeven-…
Lees artikel →SoftwaretestenGebruikersacceptatietesten (UAT): proces, checklist en echte voorbeelden
Gebruikersacceptatietesten uitgelegd: wie voert het uit, hoe het verschilt van QA, een proces in zeven stappen, een UAT-testcase-sjabloon, een check…
Lees artikel →Databases & SQLSQL NULL-waarden uitgelegd: IS NULL, COALESCE, NULLIF en de te vermijden vallen
SQL NULL-waarden uitgelegd met query's die we hebben uitgevoerd: logica met drie waarden, IS NULL, COALESCE, NULLIF, hoe aggregaten, joins en sorter…
Lees artikel →Databases & SQLSQL CASE WHEN-instructie: syntaxis, echte voorbeelden en veelvoorkomende fouten
SQL CASE WHEN uitgelegd met vragen die we hebben uitgevoerd: eenvoudige en doorzochte formulieren, volgorde van de voorwaarden, draaipunten met SUM,…
Lees artikel →SoftwareontwikkelingWat is JWT? JSON-webtokens uitgelegd met een werkend voorbeeld
Wat is JWT? JSON Web Tokens uitgelegd: de drie delen, een token gebouwd en waarmee is geknoeid in de code die we hebben uitgevoerd, JWT versus sessi…
Lees artikel →SoftwareontwikkelingJavaScript-gebeurtenislus uitgelegd: call-stack, microtaken en timers met voorbeelden
De JavaScript-gebeurtenislus uitgelegd met code die we hebben uitgevoerd: call-stack, taak- en microtask-wachtrijen, waarom setTimeout 0 niet onmidd…
Lees artikel →SoftwareontwikkelingPython-generatoren en opbrengst uitgelegd: bespaar geheugen met echte voorbeelden
Python-generatoren en opbrengst uitgelegd met code die we hebben uitgevoerd: hoe ze pauzeren en hervatten, gemeten geheugenbesparingen, pijplijnen, …
Lees artikel →Kunstmatige intelligentieWat zijn inbeddingen? Vectoren en cosinusovereenkomst eenvoudig uitgelegd
Wat zijn insluitingen? Een gids in duidelijke taal over vectoren, cosinusovereenkomst en semantisch zoeken, met een klein voorbeeld dat we hebben ui…
Lees artikel →DevOpsImplementatie van blauwgroen versus kanarie: verschillen, afwegingen en hoe te kiezen
Blauw-groen versus kanarie-implementatie uitgelegd: hoe elk werkt, kosten, risico's en terugdraaien, stabiele gebruikersbucket die we hebben getest,…
Lees artikel →TestautomatiseringSchilferige tests: wat de oorzaak ervan is en hoe u ze voorgoed kunt oplossen
Zwakke tests uitgelegd met demo's die we hebben uitgevoerd: de belangrijkste oorzaken, hoe je er een kunt bevestigen en diagnosticeren, goede oploss…
Lees artikel →SoftwaretestenBelastingtesten versus stresstesten: verschillen, statistieken en k6-voorbeelden
Belastingtesten versus stresstesten uitgelegd: wat elk bewijst, piek- en soak-tests, de statistieken die er toe doen, waarom gemiddelden misleiden, …
Lees artikel →SoftwaretestenTestcase versus testscenario: belangrijkste verschillen, voorbeelden en wanneer deze te gebruiken
Testcase versus testscenario uitgelegd: duidelijke definities, een tabel naast elkaar, één functie voor het opnieuw instellen van wachtwoorden, over…
Lees artikel →Databases & SQLOptimalisatie van SQL-query's: lees uitvoeringsplannen en repareer langzame query's, met timing
Optimalisatie van SQL-query's getest op een miljoen rijen: lees uitvoeringsplannen, voeg de juiste indexen toe, repareer niet-sargeerbare filters, g…
Lees artikel →Databases & SQLSQL UNION versus UNION ALL: verschillen, voorbeelden en geteste prestaties
SQL UNION versus UNION ALL uitgelegd met de query's die we hebben uitgevoerd: duplicaten, de regels volgen beide, een echte databug, gemeten prestat…
Lees artikel →SoftwareontwikkelingJavaScript Fetch API-tutorial: GET, POST, foutafhandeling en time-outs
Een JavaScript Fetch API-tutorial getest tegen een lokale server: GET en POST, waarom 404 niet gooit, een herbruikbare helper, queryreeksen, time-ou…
Lees artikel →SoftwareontwikkelingPython-bestandsverwerking: lezen, schrijven, CSV, JSON en pathlib met voorbeelden
Het verwerken van Python-bestanden uitgelegd met code die we hebben uitgevoerd: open modi, met het lezen van grote bestanden, CSV, JSON, pathlib, bi…
Lees artikel →SoftwareontwikkelingPython-klassen en -objecten: OOP-zelfstudie met echte voorbeelden
Python-klassen en -objecten uitgelegd met code die we hebben uitgevoerd: __init__, methoden, klasse versus instantie-attributen, overerving, eigensc…
Lees artikel →Kunstmatige intelligentieWat is een groot taalmodel? Hoe LLM's werken, uitgelegd zonder de hype
Wat is een groot taalmodel? LLM's uitgelegd in duidelijke taal: tokens, inbedding, aandacht, training, temperatuur- en contextvensters, een kleine d…
Lees artikel →DevOpsLinux-opdrachten voor beginners: de essentiële terminalgids met voorbeelden
Linux-opdrachten voor beginners, gegroepeerd op taak: navigatie, bestanden, logboeken bekijken, grep, pipelines, machtigingen, processen en archieve…
Lees artikel →TestautomatiseringSelenium versus toneelschrijver: belangrijkste verschillen, code vergeleken en welke te kiezen
Selenium versus Playwright vergeleken: architectuur, wachten, browser- en taalondersteuning, debuggen, dezelfde test in beide tools, migratieadvies …
Lees artikel →SoftwaretestenEquivalentiepartitionering: testontwerptechniek uitgelegd met uitgewerkte voorbeelden
Equivalentiepartitionering uitgelegd: hoe je geldige en ongeldige partities kunt vinden, uitgewerkte voorbeelden voor leeftijden, wachtwoorden en ko…
Lees artikel →SoftwaretestenErnst versus prioriteit bij het testen van software: verschillen, matrix en echte voorbeelden
Ernst versus prioriteit bij het testen van software uitgelegd: duidelijke definities, een vierwegmatrix met voorbeelden, niveauschalen, wie deze bep…
Lees artikel →Databases & SQLTutorial voor SQL-subquery's: typen, gecorreleerde subquery's en BESTAAN met voorbeelden
Een SQL-subquery-tutorial met query's die we hebben uitgevoerd: scalaire, IN-, FROM- en SELECT-subquery's, gecorreleerde subquery's, EXISTS, de NOT …
Lees artikel →Databases & SQLSQL-transacties en ACID uitgelegd: COMMIT-, ROLLBACK- en isolatieniveaus
SQL-transacties en ACID uitgelegd met een bankoverschrijving die we hebben uitgevoerd: COMMIT, ROLLBACK, savepoints, locks, isolatieniveaus, dirty r…
Lees artikel →SoftwareontwikkelingGit Commands Cheat Sheet: de commando's die je daadwerkelijk gebruikt, met voorbeelden
Een spiekbriefje voor Git-opdrachten, gegroepeerd op taak: setup, staging, branches, remotes, stash, geschiedenis en fouten ongedaan maken, met uitv…
Lees artikel →SoftwareontwikkelingJavaScript-beloften uitgelegd: vervolgens catch, Promise.all en veelvoorkomende fouten
JavaScript-beloften uitgelegd met code die we hebben uitgevoerd: staten, dan en catch-ketens, foutafhandeling, Promise.all, allSettled, race en wat …
Lees artikel →SoftwareontwikkelingZelfstudie Python-woordenboek: methoden, voorbeelden en veelvoorkomende patronen
Een Python-woordenboektutorial met code die we hebben uitgevoerd: dictaten, sleutelmethoden, samenvoeg-, begrips-, tel- en groeperingspatronen en ve…
Lees artikel →Kunstmatige intelligentieWat is RAG? Retrieval-Augmented Generation uitgelegd met een werkend voorbeeld
Wat is RAG? Retrieval-augmented generatie stap voor stap uitgelegd: indexeren, chunken, insluiten, ophalen, een klein werkend Python-voorbeeld, eval…
Lees artikel →DevOpsTerraform-zelfstudie voor beginners: infrastructuur als code van het eerste bestand tot modules
Een Terraform-tutorial voor beginners: begin zonder cloudaccount, leer init, plan en pas toe, vervolgens variabelen, outputs, status, modules en een…
Lees artikel →DevOpsDocker versus Kubernetes: belangrijkste verschillen, hoe ze samenwerken en welke u nodig heeft
Docker vs Kubernetes legde uit: wat elk doet, dezelfde app draait met beide, Docker Compose en Swarm vergeleken, de dockershim veranderen en hoe je …
Lees artikel →TestautomatiseringPytest-tutorial voor beginners: armaturen, parametriseren en echte voorbeelden
Een pytest-tutorial voor beginners met tests die we hebben uitgevoerd op pytest 9.2: beweringen, armaturen, parametrize, conftest, markers, tmp_path…
Lees artikel →SoftwaretestenLevenscyclus van softwaretests (STLC): 6 fasen, in- en uitgangscriteria, voorbeeld
De levenscyclus van softwaretesten uitgelegd: zes STLC-fasen met in- en uitstapcriteria, deliverables, een voorbeeld van een uitgewerkte inlogfuncti…
Lees artikel →SoftwareontwikkelingGit merge vs rebase: verschillen, voorbeelden en wanneer je wat gebruikt
Git merge vs rebase uitgelegd met echte logoutput, een vergelijkingstabel, de gouden regel van rebase en een veilige teamwerkwijze.
Lees artikel →SoftwareontwikkelingPython list comprehension: syntaxis, voorbeelden en wanneer je het vermijdt
Python list comprehension uitgelegd: syntaxis, filteren, if-else, geneste lussen, gemeten tijden en wanneer een gewone for-lus beter is.
Lees artikel →Databases & SQLSQL JOIN uitgelegd met voorbeelden (Inner, Left, Right, Full)
Begrijp SQL joins stap voor stap met voorbeeldtabellen en queries: INNER, LEFT, RIGHT, FULL, CROSS en SELF, plus veelgemaakte fouten en prestatietips.
Lees artikel →