Générateur de données mock JSON

Entrée JSON Schema

1

Sortie Données mock générées

Paramètres
Taille des arrays3

Contrôle combien d’objets Faker crée dans les champs array.

Props optionnelles80%

Probabilité d’inclure des propriétés non requises par le schéma.

Seed

Gardez cette valeur stable pour une sortie Faker reproductible.

Locale

Faker utilise des packs de locale pour noms, adresses et numéros de téléphone.

Taille de lot

Générez plusieurs enregistrements top-level d’un coup. Les gros lots peuvent prendre plus de temps.

Distribution numérique

Répartition régulière entre les contraintes min et max.

Probabilité de valeur manquante0%

Introduit des nulls ou des propriétés absentes pour simuler des données incomplètes.

Probabilité de valeur « sale »0%

Remplace une partie des valeurs primitives par des strings comme "N/A" pour stress-tester la validation.

Générer des données mock

Saisissez un JSON Schema pour générer des données mock réalistes pour tests et développement

Support des types JSON Schema courants

Génère des données factices réalistes

Volume et locale configurables

Mode batch et simulation de données imparfaites

Comment générer du mock JSON depuis JSON Schema — guide pas à pas

Générez des données JSON factices réalistes depuis un JSON Schema pour tests API, prototypage UI, load testing et développement piloté par contrat.

  1. Étape 1 – Fournir un JSON Schema

    • Collez un schéma dans l’éditeur de gauche, ou importez-le depuis fichier/URL/exemple.
    • Quand c’est possible, partez du schéma réel de votre API pour rester proche de la prod.
  2. Étape 2 – Rendre le schéma compatible mock

    • Évitez des mots-clés non supportés comme $ref, dependencies, et les schémas conditionnels (if/then/else).
    • Si votre schéma utilise $ref, essayez d’ouvrir le Générateur de Mock depuis un outil qui précharge et dereference les schémas (par exemple “Générer des données mock” sur les pages code→schéma).
    • Concentrez-vous sur type, properties, required, items, formats et contraintes.
  3. Étape 3 – Configurer les settings

    • Choisissez une locale pour des noms, adresses et téléphones réalistes.
    • Définissez une seed pour des données reproductibles (tests et snapshots).
    • Ajustez batch size, array count, distributions numériques et probabilité d’optionnels.
    • Utilisez la simulation de données manquantes/sales pour tester validation et UI.
  4. Étape 4 – Générer et vérifier la sortie

    • Cliquez sur “Générer des données mock” pour produire une sortie respectant les contraintes du schéma.
    • Si certaines valeurs semblent incohérentes, resserrez le schéma (formats, enums, min/max) et régénérez.
  5. Étape 5 – Utiliser les mocks dans tests et générateurs

    • Copiez ou téléchargez le JSON et utilisez-le comme fixtures pour tests unitaires/intégration.
    • Alimentez ce JSON dans des générateurs de code (TypeScript/Java/etc.) pour créer des DTOs alignés.

Note importante sur les fonctionnalités JSON Schema

  • Les schémas qui s’appuient sur $ref, dependencies, ou if/then/else doivent être simplifiés ou dereference avant la génération de mock.
  • Les validateurs n’interprètent pas tous les drafts et mots-clés de la même façon ; utilisez un validateur complet en CI pour des tests stricts.
Exemple : 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"
}

Outils liés au schéma et à la génération de code

Générez des schémas, validez des contrats et transformez des exemples JSON stables en code typé.

Questions fréquentes

Qu’est-ce que la génération de données mock ?

La génération de données mock crée des données factices réalistes à partir de définitions JSON Schema. C’est utile pour tests, développement et prototypage lorsque vous avez besoin d’échantillons qui respectent votre structure.

Comment fonctionne le générateur ?

Il analyse votre JSON Schema et crée des données conformes aux types, contraintes et formats. Il supporte strings, numbers, booleans, arrays, objects et des formats comme email, date et UUID.

Quelles options de génération sont disponibles ?

Ouvrez le panneau de settings pour affiner la sortie : tailles d’array, batch size et locale, seed de randomisation, distributions numériques, probabilité de champs optionnels, et simulation de données manquantes ou « sales ».

Quelles fonctionnalités de schéma sont supportées ?

Le générateur supporte types de base, propriétés d’objet, arrays, string formats, enums, const, contraintes min/max et des mots-clés de composition comme anyOf/oneOf/allOf. Les schémas utilisant $ref, dependencies ou des conditionnels if/then/else peuvent nécessiter une simplification ou un dereference.

Comment rendre la génération reproductible ?

Utilisez l’option seed dans les settings pour générer les mêmes données à chaque fois. Pratique pour des scénarios de test consistants ou recréer un dataset précis.

Puis-je contrôler le volume de données ?

Oui. Utilisez array count pour les collections par champ et batch size pour le nombre d’enregistrements top-level. Les curseurs d’optionnels, de valeurs manquantes et de valeurs « sales » permettent de simuler des datasets clairsemés ou bruités.

Générateur de données mock JSON | JSONSwiss