國慶重新學習了一下go的gin高性能測試框架。

用JMeter來測試gin與flask接口的性能，差別很大。

為什么我自己不嘗試寫一個性能工具，性能工具的核心就是 并發 和 請求。

請求可以選擇Python的requests庫。

并發可以通過python的 進程、線程、協程模擬。

這么一想，也不是很難了，上手擼一個。

依賴庫

requests==2.22.0gevent==20.9.0numpy==1.19.2

requests 大家并不陌生，HTTP請求庫。

gevent是python協程庫，通過協程模擬并發更節省資源，在同樣配置下能模擬更多的并發。

numpy 是python的數據計算庫，提供大量組數和矩陣運算，這里用它求列表的平均值。

實現腳本

好了，接下來開始上手寫代碼了。

from __future__ import print_functionimport timeimport geventfrom gevent import monkeymonkey.patch_all()import requestsfrom numpy import meanusers = 10 # 用戶數numbers = 100 # 請求次數req_url = 'http://127.0.0.1:8080/user/tom' # 請求URLprint('請求URL: {url}'.format(url=req_url))print('用戶數：{}，循環次數: {}'.format(users, numbers))print('============== Running ===================')pass_number = 0fail_number = 0run_time_list = []def running(url): global fail_number global pass_number for _ in range(numbers): start_time = time.time() r = requests.get(url) if r.status_code == 200: pass_number = pass_number + 1 print('.', end='') else: fail_number = fail_number + 1 print('F', end='') end_time = time.time() run_time = round(end_time - start_time, 4) run_time_list.append(run_time)jobs = [gevent.spawn(running, req_url) for _url in range(users)]gevent.wait(jobs)print('n============== Results ===================')print('最大: {} s'.format(str(max(run_time_list))))print('最小: {} s'.format(str(min(run_time_list))))print('平均: {} s'.format(str(round(mean(run_time_list), 4))))print('請求成功', pass_number)print('請求失敗', fail_number)print('============== end ===================')

設計思路

在JMeter中創建線程組有兩個參數 線程數和 循環數，即 用戶數 和請求數，設置多少個用戶，每個用戶用戶跑多少次，用戶數通過協程模擬，每次用戶運行次數通過for循環實現。

至于請求就比較簡單了，直接通過requests發送請求。通過判斷影響的狀態碼是否為200來判斷是否成功，通過分別計算成功和失敗的請求個數。

關于請求時間統計，在每次請求前后獲得當前時間戳，然后計算時間差就是單個接口的調用時間。最大，最小，平均通過計算就可輕松的得到。

> python3 ab.py請求URL: http://127.0.0.1:8080/user/tom用戶數：10，循環次數: 100============== Running ===================........................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................============== Results ===================最大: 0.0352 s最小: 0.0036 s平均: 0.0204 s請求成功 1000請求失敗 0============== end ===================

后續

把ab.py腳本做成 ab 命令行工具。

支持更多的請求類型（get/post/put/delete）和參數。

更多統計維度，吞吐量、吞吐率

增加啟動時間，思考時間等

...

以上就是python 寫一個性能測試工具（一）的詳細內容，更多關于python 性能測試工具的資料請關注好吧啦網其它相關文章！