一键生成、脱敏、迁移测试数据，让开发测试更高效安全。
Benerator 是一个基于模型驱动的数据生成与处理工具，主要解决开发、测试和培训场景中需要大量真实感数据的问题。它不仅能生成模拟数据，还支持数据脱敏（匿名化、假名化）和数据库间数据迁移。核心能力包括：通过 XML 或 DSL 定义数据模型和生成规则，支持多种数据库（如 Oracle、MySQL、PostgreSQL）和文件格式（CSV、Excel、JSON），内置丰富的数据类型和生成器（如随机姓名、地址、日期），并能从现有数据库抽取数据并转换为测试数据。它采用 Java 编写，适合集成到 Java 项目中，也提供命令行接口。项目处于早期阶段，但功能框架完整，适合需要复杂数据模拟和隐私保护的团队。
Datafaker、MockNeat、JDataFactory
rapiddweller-benerator-ce 是数据集领域的开源项目，由 rapiddweller 开发，2021 年首次发布。
它收录于数据集分类，该分类目前共有 279 个项目，GitHub 星标数为 162。
项目仍在小幅维护中，最近一次代码更新于 2026-08-19。官网存在但未明确展示定价信息，需进一步确认。从国内网络环境看，可直接访问。
它主要面向的使用场景是：开发环境快速生成大量仿真测试数据。同类可对比的替代方案包括 Datafaker、MockNeat、JDataFactory。
X-AnyLabeling
开源
一站式AI辅助标注，图像视频文本通吃，导出格式随心配
X-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop applicat···
aisheets
开源
像用表格一样批量调 AI，不写代码就能造和改数据集
Build, enrich, and transform datasets using AI models with no code
distilabel
开源
基于论文的合成数据流水线，快速生成高质量 AI 反馈数据。
Distilabel is a framework for synthetic data and AI feedback for engineers who need ···
DataGen
开源
用大模型一键生成定制化训练数据，告别数据荒
[ICLR'25] DataGen: Unified Synthetic Dataset Generation via Large Language Models
