JSON Mock Data Generator

Input ng JSON Schema

1

Output ng Generated Mock Data

Mga setting
Array Count3

Kinokontrol kung ilang objects ang gagawin ng Faker sa loob ng array fields.

Optional Props80%

Chance na maisama ang non-required schema properties.

Seed

Panatilihing pareho ito para sa reproducible na Faker output.

Locale

Gumagamit ang Faker ng locale packs para sa mga pangalan, address, at phone numbers.

Batch Size

Gumawa ng maraming top-level records nang sabay. Mas malaking batch = mas matagal.

Number Distribution

Pantay na pagkalat sa pagitan ng minimum at maximum constraints.

Missing Value Probability0%

Magpasok ng nulls o tuluyang mawala ang properties para gayahin ang incomplete data.

Dirty Value Probability0%

Palitan ang ilang primitive values ng strings tulad ng "N/A" para i-stress-test ang validation.

Gumawa ng Mock Data

Maglagay ng JSON schema para gumawa ng realistic mock data para sa testing at development

Sinusuportahan ang karaniwang JSON Schema types

Gumagawa ng realistic fake data

Customizable ang data count at locale

Batch mode at imperfect data simulation

Paano gumawa ng mock JSON data mula sa JSON Schema – step-by-step guide

Gumawa ng realistic fake JSON data mula sa JSON Schema para sa API testing, UI prototyping, load testing, at contract-driven development.

  1. Hakbang 1 – Magbigay ng JSON Schema

    • I-paste ang schema sa kaliwang editor, o mag-import mula sa file/URL/sample.
    • Magsimula sa totoong API schema kung posible para mas malapit sa production ang mock data.
  2. Hakbang 2 – Gawing mock-friendly ang schema

    • Iwasan ang mga hindi suportadong keywords tulad ng $ref, dependencies, at conditional schemas (if/then/else).
    • Kung gumagamit ang schema mo ng $ref, subukang buksan ang Mock Generator mula sa tool na nagpe-prefill at nagde-dereference ng schemas (halimbawa “Gumawa ng Mock Data” sa code→schema pages).
    • Panatilihing nakatuon ang schema sa types, properties, required, items, formats, at constraints.
  3. Hakbang 3 – I-configure ang generation settings

    • Pumili ng locale para sa realistic names, addresses, at phone numbers.
    • Magtakda ng seed para sa reproducible mock data (maganda para sa tests at snapshots).
    • Ayusin ang batch size, array count, number distributions, at optional-field probability.
    • Gamitin ang missing/dirty data simulation para subukan ang validation at UI error handling.
  4. Hakbang 4 – Gumawa at suriin ang output

    • I-click ang “Gumawa ng Mock Data” para gumawa ng output na sumusunod sa schema constraints mo.
    • Kung may kakaibang values, higpitan ang schema (formats, enums, min/max) at i-regenerate.
  5. Hakbang 5 – Gamitin ang mock data sa tests at generators

    • Kopyahin o i-download ang JSON at gamitin bilang fixtures para sa unit/integration tests.
    • I-feed ang generated JSON sa code generators (TypeScript/Java/etc.) para gumawa ng matching DTOs.

Mahalagang paalala tungkol sa JSON Schema features

  • Ang schemas na umaasa sa $ref, dependencies, o if/then/else ay kailangang i-simplify o i-dereference bago mag-mock generation.
  • Magkakaiba ang schema validators sa interpretasyon ng drafts at keywords; gumamit ng full validator sa CI para sa striktong contract testing.
Halimbawa: JSON Schema → mock JSON
// JSON Schema (input)
{
  "type": "object",
  "properties": {
    "id": { "type": "string", "format": "uuid" },
    "email": { "type": "string", "format": "email" },
    "active": { "type": "boolean" },
    "createdAt": { "type": "string", "format": "date-time" }
  },
  "required": ["id", "email", "active", "createdAt"]
}

// Mock JSON (output example)
{
  "id": "9b1deb4d-3b7d-4bad-9bdd-2b0d7b3dcb6d",
  "email": "[email protected]",
  "active": true,
  "createdAt": "2024-03-01T10:15:00.000Z"
}

Mga kaugnay na schema at code generation tools

Gumawa ng schemas, i-validate ang contracts, at gawing typed code ang stable JSON examples.

Mga Madalas Itanong

Ano ang mock data generation?

Ang mock data generation ay paggawa ng realistic na fake data batay sa JSON Schema definitions. Kapaki-pakinabang ito para sa testing, development, at prototyping kapag kailangan mo ng sample data na tumutugma sa data structure mo.

Paano gumagana ang generator?

Ina-analyze ng generator ang JSON Schema mo at gumagawa ng data na tumutugma sa defined types, constraints, at formats. Sinusuportahan nito ang strings, numbers, booleans, arrays, objects, at values na may format hints (hal. email, uuid, date). Gumagamit ito ng Faker para gumawa ng realistic-looking na values at tina-try na igalang ang enums at min/max constraints.

Sinusuportahan ba nito ang lahat ng JSON Schema keywords?

Hindi. Nakatuon ang mock generator sa practical subset ng JSON Schema (types, properties, required, items, enums, formats, at basic constraints). Ang advanced keywords tulad ng $ref, dependencies, o conditional schemas ay maaaring mangailangan ng dereferencing o simplification.

Paano ko gagawing reproducible ang output?

Gamitin ang Seed option sa settings para makagawa ng parehong data sa bawat run. Kapaki-pakinabang ito para sa consistent testing o kapag kailangan mong i-recreate ang partikular na dataset.

Pwede ko bang kontrolin ang locale at realism?

Oo. Piliin ang locale para sa realistic names, addresses, at phone numbers. Pwede mo ring ayusin ang missing/dirty data simulation para gayahin ang incomplete o messy datasets.

Pwede ko bang kontrolin ang dami ng data?

Oo. Gamitin ang array count para sa per-field collections at batch size para sa bilang ng top-level records. Makakatulong ang optionals probability, missing-value, at dirty-value sliders para gayahin ang sparse o messy datasets.

JSON Mock Data Generator | JSONSwiss