locust性能测试安装

Locust简介

Locust是一款易于使用的分布式用户负载测试工具。它用于对网站（或其余系统）进行负载测试，并肯定系统能够处理多少并发用户。
这个想法是，在测试期间，一群蝗虫（Locust）会攻击你的网站。您定义了每一个蝗虫Locust（或测试用户）的行为，而且实时地从Web UI监视群集过程。这将有助于您在让真正的用户进入以前进行测试并识别代码中的瓶颈。
Locust彻底基于事件，所以能够在一台计算机上支持数千个并发用户。与许多其余基于事件的应用程序相比，它不使用回调。相反，它经过协程（gevent）机制使用轻量级过程。每一个蝗虫蜂拥到你的网站其实是在本身的进程内运行（或者是greenlet，这是正确的）。这容许您在Py​​thon中编写很是富有表现力的场景，而不会使代码复杂化。

** gevent是第三方库，经过greenlet实现协程。greenlet是python的并行处理的一个库。 python 有一个很是有名的库叫作 stackless ，用来作并发处理， 主要是弄了个叫作tasklet的微线程的东西， 而greenlet 跟stackless的最大区别是greenlet须要你本身来处理线程切换， 就是说，你须要本身指定如今执行哪一个greenlet再执行哪一个greenlet。**

环境安装

Locust支持Python 2.7, 3.4, 3.5, and 3.6的版本，小编的环境是python3.6直接用pip安装就行 pip install locustio

报错

下载安装Microsoft visual c++14.0 ,安装完成后，从新安装locust

locust里面请求是基于requests的，每一个方法请求和requests差很少，请求参数、方法、响应对象和requests同样的使用，以前学过requests库的，这里就很是简单了

• requests.get 对应client.get
• requests.post 对应client.post

# 保存为demo.py # coding:utf-8 from locust import HttpLocust,TaskSet,task class BlogDemo(TaskSet): '''用户行为：打开个人博客首页demo'''  @task(1) def open_blog(self): # 定义requests的请求头 header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"} r = self.client.get("/yoyoketang", headers=header, verify=False) print(r.status_code) assert r.status_code == 200 class websitUser(HttpLocust): task_set = BlogDemo min_wait = 3000 # 单位毫秒 max_wait = 6000 # 单位毫秒 if __name__ == "__main__": import os os.system("locust -f demo.py --host=https://www.cnblogs.com")

代码注解：
新建一个类BlogDemo(TaskSet)，继承TaskSet，该类下面写一些准备请求的行为（访问的接口）
里面的self.client调用get和post方法，跟requests是同样的
@task装饰该方法表示为用户行为。括号里面参数表示该行为挑选执行的权重，数值越大，执行频率越高，不设置默认是1

WebsiteUser()类用于设置性能测试。
task_set ：指向一个定义了的用户行为类。
min_wait ：用户执行任务之间等待时间的下界，单位：毫秒。
max_wait ：用户执行任务之间等待时间的上界，单位：毫秒。

启动locust

启动locust能够直接在pycharm里面执行上面的代码，运行后编辑器出现两行
[2018-09-12 23:23:57,500] DESKTOP-HJ487C8/INFO/locust.main: Starting web monitor at *:8089
[2018-09-12 23:23:57,500] DESKTOP-HJ487C8/INFO/locust.main: Starting Locust 0.9.0

也能够经过cmd执行

$ locust -f demo.py --host=https://www.cnblogs.com

 

 

• Number of users to simulate 设置虚拟用户总数
• Hatch rate (users spawned/second) 每秒启动虚拟用户数
• 点击Start swarming 开始运行性能测试

三个图标分别是

• 吞吐量/每秒响应事务数（rps）实时统计
• 平均响应时间/平均事务数实时统计
• 虚拟用户数运行

有不少网站不登陆的话，是没法访问到里面的页面的，这就须要先登陆了
实现场景：先登陆（只登陆一次），而后访问页面->个人地盘页->产品页->项目页

官方案例

下面是一个简单的locustfile.py的简单示例：

from locust import HttpLocust, TaskSet

def login(l): l.client.post("/login", {"username":"ellen_key", "password":"education"}) def logout(l): l.client.post("/logout", {"username":"ellen_key", "password":"education"}) def index(l): l.client.get("/") def profile(l): l.client.get("/profile") class UserBehavior(TaskSet): tasks = {index: 2, profile: 1} def on_start(self): login(self) def on_stop(self): logout(self) class WebsiteUser(HttpLocust): task_set = UserBehavior min_wait = 5000 max_wait = 9000

这里咱们定义了许多Locust任务，它们是带有一个参数（Locust类实例）的普通Python callables 。这些任务收集在tasks属性的TaskSet类下 。而后咱们有一个表明用户的 类，咱们在其中定义模拟用户在执行任务之间应该等待多长时间，以及哪一个 类应该定义用户的“行为”。 类能够继承HttpLocust、TaskSet、TaskSet

HttpLocust类从继承 Locust的类，并把它添加一个客户端属性，它是的一个实例 HttpSession，可用于使HTTP请求。

另外一种咱们能够声明任务的方法，一般是更方便，就是使用 @task装饰器。如下代码与上述代码相同：

from locust import HttpLocust, TaskSet, task class UserBehavior(TaskSet): def on_start(self): """ on_start is called when a Locust start before any task is scheduled """ self.login() def on_stop(self): """ on_stop is called when the TaskSet is stopping """ self.logout() def login(self): self.client.post("/login", {"username":"ellen_key", "password":"education"}) def logout(self): self.client.post("/logout", {"username":"ellen_key", "password":"education"})  @task(2) def index(self): self.client.get("/")  @task(1) def profile(self): self.client.get("/profile") class WebsiteUser(HttpLocust): task_set = UserBehavior min_wait = 5000 max_wait = 9000

在Locust类（以及HttpLocust 由于它是一个子类），也可让一个在指定最小和最大等待时间毫秒，每一个模拟用户之间的任务执行（min_wait和MAX_WAIT）以及其余用户的行为。默认状况下，时间是在min_wait和max_wait之间统一随机选择的，可是能够经过将wait_function设置为任意函数来使用任何用户定义的时间分布。例如，对于指数分布的等待时间平均为1秒：

import random  class WebsiteUser(HttpLocust): task_set = UserBehaviour wait_function = lambda self: random.expovariate(1)*1000