фреймворк для тестирования микросервисов RESTful Booker Platform - для закрепления знаний и дальнейшего развития

Отличие от учебного проекта:

• Тестирование микросервисной архитектуры.
• Вместо Builder Pattern всё реализовал через Factory Method.
• Faker для генерации тестовых данных в DataFactories.
• Создал обновляемую документацию через Zudoku на русском и английском языках.
• Единый портал отчетов на GitHub Pages(Allure, Swagger, Docs)

Учебный проект → дал понимание инженерного подхода к построению промышленных тестовых фреймворков.

• Проектирование тестовых фреймворков: Создание масштабируемой и поддерживаемой архитектуры с нуля.
• Продвинутое тестирование REST API: Работа с аутентификацией (JWT), валидацией контрактов (JSON Schema, Swagger).
• Работа с современным стеком: HTTPX (асинхронные запросы), Pydantic (строгая валидация данных), Allure (детальная отчетность).
• Интеграция в CI/CD: Настройка автоматического запуска тестов в GitHub Actions/GitLab CI.
• Анализ покрытия: Использование инструмента swagger-coverage-tool для визуализации покрытия API-тестами.

Учебный проект → с фокусом на системном мышлении — как строить решения, которые работают в продакшене, легко масштабируются и поддерживаются командой

• Проектирование UI-фреймворков: Применение паттернов Page Object, Page Component и авторской реализации Page Factory для создания поддерживаемой структуры.
• Работа с современными инструментами: Playwright для кросс-браузерного тестирования с автоматическим ожиданием элементов и параллельным выполнением.
• Интеграция с фронтенд-разработкой: Расстановка data-test-id в React/TypeScript приложениях, подготовка кода к автоматизации.
• Визуализация покрытия: Использование уникального инструмента ui-coverage-tool для интерактивного анализа покрытия UI-тестами.

Учебный проект → погружение в инженерный подход к нагрузочному тестированию: системное понимание микросервисной архитектуры, мониторинга и потока данных

• Работа с реалистичным стендом: Микросервисная банковская система с Kafka, Redis, PostgreSQL, MinIO, Prometheus, Grafana — не изолированные API, а взаимодействующие сервисы.
• Поддержка двух протоколов: Единая архитектура для HTTP и gRPC — унифицированные клиенты, сценарии и подход к нагрузке.
• Реалистичные бизнес-сценарии с использованием Locust: Полноценные потоки (регистрация → пополнение → выпуск карты).
• Подготовка тестовых данных (seeding): Автоматическое наполнение системы перед тестом через гибкий билдер с привязкой к сценариям.
• Наблюдаемость в продакшен-стиле: Интеграция с Grafana и Prometheus — анализ узких мест, latency, ошибок под нагрузкой.
• Собственные моки на FastAPI: Изоляция зависимостей под нагрузкой — для стабильности и точности тестов.