1. 项目概述为什么选择Locust作为压测工具在软件开发和运维的日常工作中性能测试是保障系统稳定性的关键一环。无论是上线前的容量评估还是线上突发流量时的瓶颈定位一个趁手的压测工具都至关重要。市面上工具不少从老牌的JMeter、LoadRunner到轻量级的Apache Bench (ab)各有千秋。但今天我想深入聊聊的是Locust一个基于Python的开源分布式性能测试工具。我选择它不仅仅是因为它“免费”更是因为它用代码定义用户行为的方式给了测试人员极大的灵活性和控制力特别适合敏捷开发和需要复杂场景模拟的现代应用。你可能用过JMeter它的图形化界面和丰富的插件确实友好。但当你需要模拟成千上万个用户每个用户的行为逻辑复杂多变比如先登录、再浏览商品、加入购物车、最后支付并且每一步都有逻辑判断时JMeter的配置就会变得异常繁琐。Locust则不同它把测试场景完全用Python代码来描述。这意味着你可以使用任何Python库可以方便地进行条件判断、循环、数据处理甚至从外部文件或数据库动态读取测试数据。这种“代码即配置”的理念让性能测试脚本的可读性、可维护性和可复用性都上了一个台阶。另一个核心优势是它的分布式架构。Locust天生支持在多台机器上分布式运行轻松发起大规模并发请求。它的Web界面虽然简洁但实时图表能清晰展示RPS每秒请求数、响应时间、失败率等关键指标让你对系统状态一目了然。对于我这样的开发者兼测试人员来说能在自己熟悉的Python环境里用几行清晰的代码就构建出复杂的压测场景同时还能获得直观的监控报告这种高效和掌控感是其他工具难以比拟的。接下来我们就从零开始搞定Locust的安装和你的第一个压测脚本。2. 环境准备与Locust安装详解工欲善其事必先利其器。安装Locust本身非常简单但它依赖Python环境。因此第一步是确保你有一个可用的Python环境。我会分别介绍在Windows、macOS和Linux以Ubuntu为例下的安装步骤并重点讲解可能遇到的坑。2.1 Python环境检查与配置无论哪个平台都建议使用Python 3.7或更高版本。打开你的终端Windows上是CMD或PowerShellmacOS/Linux是Terminal输入以下命令检查版本python --version # 或 python3 --version如果显示版本号大于等于3.7那么恭喜你可以直接进入下一步。如果没有安装Python你需要先去Python官网下载安装包。这里有一个关键注意事项在Windows安装时请务必勾选“Add Python to PATH”这个选项。这能避免后续在命令行中找不到python命令的尴尬。很多新手都会忽略这一步导致安装后无法正常使用。对于macOS用户系统可能自带了Python 2.7你需要通过Homebrew安装Python 3brew install python。Linux用户通常可以通过包管理器安装例如在Ubuntu上sudo apt update sudo apt install python3 python3-pip。2.2 使用pip安装Locust一旦Python和pipPython包管理工具就绪安装Locust就是一行命令的事情pip install locust如果你使用的是Python 3并且系统里同时存在Python 2可能需要使用pip3pip3 install locust为了获得更稳定的环境强烈建议使用虚拟环境Virtual Environment。这能避免不同项目间的Python包版本冲突。创建和激活虚拟环境的命令如下# 创建名为 venv 的虚拟环境 python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate # 激活后在虚拟环境中安装locust pip install locust安装过程会同时下载Locust的核心库及其依赖比如用于HTTP请求的gevent和用于Web界面的Flask。安装完成后可以通过以下命令验证是否成功locust --version如果输出了版本号例如Locust 2.20.0说明安装成功。实操心得在网络环境不理想的情况下使用pip安装可能会因为超时而失败。这时可以尝试使用国内的镜像源来加速例如清华源pip install locust -i https://pypi.tuna.tsinghua.edu.cn/simple。另外如果遇到权限问题在命令前加上sudoLinux/macOS或以管理员身份运行终端Windows即可。2.3 可能遇到的问题与解决方案‘locust‘ 不是内部或外部命令(Windows常见)这通常是因为Python的Scripts目录没有添加到系统环境变量PATH中。解决方法有两个一是重新安装Python并勾选“Add to PATH”二是手动将C:\Users\你的用户名\AppData\Local\Programs\Python\PythonXX\Scripts具体路径取决于你的安装位置添加到系统的PATH变量中。依赖冲突或安装失败如果之前安装过旧版本的Locust或其他相关包可能会产生冲突。可以尝试先升级pippip install --upgrade pip然后使用pip install locust --force-reinstall进行强制重装。在虚拟环境中操作能极大避免这类问题。Mac M1芯片兼容性问题在Apple Silicon的Mac上如果安装过程中遇到关于gevent或greenlet的编译错误可以尝试先安装一些开发依赖brew install openssl然后设置环境变量后再安装Locust。环境准备好后我们的“武器”就到位了。接下来我们将进入核心环节编写第一个Locust压测脚本看看如何用代码来定义用户行为。3. 编写你的第一个Locust压测脚本Locust的核心是一个Python文件通常命名为locustfile.py。这个文件里你需要定义两类对象任务集TaskSet和用户类HttpUser。任务集定义了用户具体要执行哪些操作任务而用户类则代表一类虚拟用户它指定了用户的行为执行哪个任务集以及一些全局属性。3.1 脚本结构解析HttpUser与TaskSet让我们从一个最经典的例子开始模拟用户访问一个网站的主页和“关于我们”页面。创建locustfile.py文件并输入以下内容from locust import HttpUser, task, between class WebsiteUser(HttpUser): # wait_time 定义了用户在执行每个任务后等待的时间 # between(1, 5) 表示等待1到5秒之间的一个随机数 wait_time between(1, 5) # task 装饰器将一个方法标记为一个任务。 # 括号里的数字代表权重权重越高被执行的频率就越高。 # 这里访问主页的权重是3访问关于页面的权重是1。 # 意味着在长时间运行中访问主页的任务数量大约是访问关于页面的3倍。 task(3) def index_page(self): # self.client 是HttpUser内置的HTTP客户端用法类似requests库 # 它的请求会被Locust自动记录用于统计 self.client.get(/) task(1) def about_page(self): self.client.get(/about)这个简单的脚本包含了Locust最核心的几个概念HttpUser: 代表一类HTTP用户。我们的WebsiteUser类继承自它从而获得了发起HTTP请求的能力通过self.client。task: 这是Locust的魔法所在。任何被它装饰的类方法都会成为一个可执行的任务。权重参数让场景设计更贴近真实情况——用户更可能频繁浏览首页而不是“关于我们”页面。wait_time: 模拟用户思考时间。between(1,5)使虚拟用户在每次任务执行后会像真人一样等待一段时间而不是毫不停歇地发起请求。这对于模拟真实负载、避免对服务器产生不合理的“脉冲”压力至关重要。3.2 任务权重与等待时间策略理解任务权重和等待时间的设置是设计逼真压测场景的关键。在上面的例子中权重比3:1是一个静态设置。但在实际中用户行为可能更复杂。Locust允许你动态定义任务列表甚至在一个任务方法内部进行复杂的逻辑控制。例如模拟一个用户登录后执行一系列操作如果登录失败则不再继续from locust import HttpUser, task, between class UserBehavior(HttpUser): wait_time between(2, 5) host http://your-test-site.com # 设置目标主机 def on_start(self): 每个虚拟用户开始运行时只执行一次。常用于登录。 login_response self.client.post(/login, json{username:test, password:123456}) if login_response.status_code ! 200: # 如果登录失败则停止该用户的执行 self.interrupt() task(2) def view_profile(self): self.client.get(/profile) task(1) def browse_items(self): # 可以模拟浏览多个商品 for item_id in range(100, 105): self.client.get(f/item/{item_id}, name/item/[id]) # 使用‘name‘参数将动态URL归类在统计中它们会被合并为“/item/[id]”避免统计条目爆炸。这里引入了几个新概念on_start方法每个虚拟用户实例在开始正式执行task任务前会先执行一次这个方法。它是放置登录、获取令牌等初始化操作的理想位置。self.interrupt()用于在任务执行中主动停止该用户的运行。比如登录失败后就没必要继续执行后续任务了。动态URL与name参数当请求的URL是动态生成如包含ID时直接使用会导致Locust的统计中为每一个不同的URL生成一条记录图表会变得杂乱无章。通过name参数指定一个统一的名称Locust会将所有匹配该模式的请求归为一类进行统计这让报告清晰得多。注意事项wait_time不仅可以用between还可以用constant固定等待时间或自定义函数。对于需要模拟“秒杀”或“突发流量”的场景可以设置很短的constant等待时间甚至设置为0。但务必谨慎这会给服务器带来极大的瞬时压力。3.3 使用FastHttpUser提升性能默认的HttpUser使用的是Python的requests库对于极高并发的场景例如模拟数万用户它可能会成为性能瓶颈因为requests是同步的且每个连接开销较大。Locust提供了FastHttpUser它基于geventhttpclient一个异步HTTP客户端能显著减少资源占用提升单机发压能力。切换非常简单只需修改导入和父类from locust import task, between from locust.contrib.fasthttp import FastHttpUser # 注意导入路径 class WebsiteUser(FastHttpUser): wait_time between(1, 5) task def index_page(self): self.client.get(/)使用建议在绝大多数情况下HttpUser完全够用。只有当你在单台机器上需要模拟非常高的并发数比如超过5000并且发现CPU或内存成为瓶颈时才考虑切换到FastHttpUser。它的API与HttpUser的client基本一致但需要注意它不支持requests库的所有高级功能。脚本写好了它就像一份作战计划。接下来我们需要启动Locust让这支“虚拟用户大军”按照我们的计划开始行动。4. 启动Locust与执行压测有了locustfile.py我们就可以启动Locust了。Locust有两种运行模式Web UI模式和无头模式命令行模式。Web UI模式适合调试、观察实时数据和进行小规模测试无头模式则适合集成到CI/CD流水线中进行自动化测试。4.1 Web UI模式启动与界面详解在终端中进入存放locustfile.py的目录运行以下命令locust如果脚本文件名不是locustfile.py则需要指定locust -f my_locustfile.py启动后终端会输出类似下面的信息[2024-05-XX XX:XX:XX,XXX] INFO/locust.main: Starting web interface at http://0.0.0.0:8089 [2024-05-XX XX:XX:XX,XXX] INFO/locust.main: Starting Locust 2.20.0这表明Locust的Web界面已经在本地8089端口启动。打开浏览器访问http://localhost:8089你会看到Locust的启动页面。启动页面需要填写三个关键参数Number of users (peak concurrency)要模拟的总用户数。Locust会逐渐启动这些用户直到达到这个峰值。Spawn rate (users started/second)孵化率即每秒启动多少个虚拟用户。设置为10意味着Locust会以每秒10个用户的速度启动直到达到总用户数。Host被测试系统的根URL例如http://www.example.com。如果已经在HttpUser类中设置了host属性这里可以留空。填写完毕后点击“Start swarming”按钮压测就开始了。页面会自动跳转到数据统计页面。Web界面核心图表解读Statistics统计表格形式展示所有请求的类型、数量、失败率、平均响应时间、最小/最大响应时间以及RPS。这是最核心的数据看板。Charts图表实时折线图展示总RPS、响应时间通常关注中位数和95分位值和并发用户数随时间的变化。非常直观。Failures失败列出所有失败的请求包括异常信息方便快速定位问题。Exceptions异常记录测试运行过程中Python代码抛出的异常。Download Data下载数据测试结束后可以在这里下载CSV格式的请求统计数据和完整的测试报告。4.2 命令行无头模式运行对于自动化测试或资源受限的服务器环境无头模式非常有用。你可以通过命令行参数直接指定所有测试参数无需打开Web界面。locust -f locustfile.py --headless --users 100 --spawn-rate 10 --run-time 1m --host http://your-test-site.com参数解释--headless: 启用无头模式。--users 100: 设置总用户数为100。--spawn-rate 10: 设置孵化率为每秒10个用户。--run-time 1m: 设置测试运行时间为1分钟。支持s(秒)、m(分)、h(时)如30s、2h。--host: 设置目标主机。运行后Locust会在终端中直接输出摘要统计信息并在测试结束后退出。你还可以通过--csv参数将结果输出到CSV文件locust -f locustfile.py --headless --users 100 --spawn-rate 10 --run-time 30s --host http://your-test-site.com --csvresult这将会生成result_stats.csv、result_failures.csv等文件便于后续分析。4.3 分布式压测模式搭建当单台机器无法产生足够的压力或者你想从不同网络区域发起测试时就需要使用分布式模式。Locust的分布式架构非常简洁采用一个主节点Master和多个从节点Worker的模式。操作步骤启动主节点在一台机器上运行以下命令。主节点本身不产生负载只负责分发任务、收集结果和提供Web界面。locust -f locustfile.py --master --hosthttp://your-test-site.com启动从节点在另一台或多台机器上运行以下命令。--master-host需要指定主节点的IP地址。locust -f locustfile.py --worker --master-host192.168.1.100你需要确保从节点能访问到locustfile.py脚本可以通过共享目录或复制文件实现并且能访问主节点的网络端口默认是5557。访问Web界面此时你只需要访问主节点的8089端口如http://192.168.1.100:8089。在界面上启动测试后主节点会将任务分配给所有已连接的从节点并聚合它们的结果。实操心得在分布式部署时务必确保所有节点Master和Worker上的Locust版本、Python版本以及locustfile.py脚本完全一致否则可能会出现意想不到的错误。另外网络延迟和带宽也会影响Worker与Master之间的通信尽量保证它们在同一个低延迟的内网环境中。5. 核心测试指标解读与结果分析压测不是简单地“把服务器打挂”而是通过科学的指标评估系统的性能表现、发现瓶颈、验证容量。Locust的Web界面和CSV报告提供了丰富的数据我们需要知道关注哪些以及如何解读。5.1 关键性能指标KPIs深度解析吞吐量Throughput/RPS是什么系统每秒处理的请求数Requests per Second。这是衡量系统处理能力的核心指标。怎么看在Locust的“Charts”标签页“Total Requests per Second”图表。一个健康的系统在并发用户数增长时RPS应该同步增长直到达到瓶颈如CPU、数据库连接池耗尽之后会趋于平稳或下降。分析如果增加用户数但RPS不增长甚至下降说明系统存在瓶颈请求开始堆积。响应时间Response Time是什么从发送请求到接收到完整响应所花费的时间。怎么看Locust统计表格中的“Average”、“Median”、“95%ile”和“Max”。平均响应时间容易受极端值影响参考价值一般。中位数响应时间有一半的请求快于这个值一半慢于这个值能较好反映“典型”体验。95分位响应时间95%ile这是最重要的指标之一。它表示95%的请求响应时间都低于这个值。它反映了绝大多数用户的体验。例如95%ile为200ms意味着95%的用户感觉很快但还有5%的用户体验较差。最大响应时间最慢的请求耗时用于发现极端情况。分析响应时间应随着压力增大而缓慢增加。如果出现陡增往往是某个资源如数据库、缓存、外部API到达了极限。错误率Failure Rate/Error %是什么失败的请求数占总请求数的百分比。Locust默认将HTTP状态码非2xx或3xx或请求超时、抛出异常的请求记为失败。怎么看统计表格中的“Fails”和“Failures”标签页。分析在性能测试中非零的错误率需要高度警惕。它可能源于服务器返回5xx错误内部错误、4xx错误如认证失败、限流、网络超时、客户端脚本异常等。一个稳定的系统在标定负载下错误率应为0%或接近0%。5.2 定位系统瓶颈的实战方法拿到测试数据后如何定位瓶颈这里有一个基本的排查思路观察曲线关联性在Locust的图表中同时观察“用户数”、“RPS”和“响应时间”三条曲线。理想情况用户数增加 → RPS线性增加 → 响应时间缓慢上升。瓶颈迹象用户数增加 → RPS持平或下降 → 响应时间急剧上升。这说明系统已经过载新来的请求需要排队。由外及内层层深入第一步检查测试机本身。使用top或htop命令查看压测机的CPU、内存、网络带宽是否已用满。如果压测机先扛不住了那数据就失去了意义。这就是为什么高并发测试推荐用分布式。第二步检查应用服务器。登录被测试的服务器监控其资源CPU、内存、磁盘I/O、网络。如果CPU持续100%可能是代码效率问题或线程数不足如果内存持续增长可能有内存泄漏。第三步检查中间件与数据库。查看Redis、MySQL等连接数、QPS、慢查询日志。数据库往往是第一个瓶颈点。第四步检查依赖服务。如果你的服务调用了其他外部API或微服务它们也可能成为瓶颈。利用Locust失败信息仔细查看“Failures”标签页。如果大量错误是“Connection refused”或“Timeout”可能是服务器进程崩溃、端口耗尽或网络问题。如果是特定的HTTP 500错误结合应用日志能快速定位代码bug。5.3 生成与解读测试报告除了在Web界面实时查看生成一份离线报告用于归档和对比分析也很重要。Locust本身不生成漂亮的HTML报告但可以通过以下方式获取数据CSV数据导出如前所述使用--csv参数运行测试会生成多个CSV文件。你可以用Excel、Numbers或Python的pandas库进行深入分析比如绘制趋势图、对比不同版本的性能差异。使用第三方库或工具社区有一些工具可以将Locust结果转化为更美观的报告例如locust-plugins库中的一些扩展或者自己写脚本将CSV数据导入到Grafana等监控平台进行可视化。报告应包含的核心内容测试概要测试时间、目标系统版本、压测环境配置Master/Worker节点数及配置、测试脚本概述。性能摘要峰值并发用户数、总请求数、总RPS、平均/95%响应时间、错误率。关键图表并发用户数、RPS、响应时间随时间的变化曲线。资源监控服务器应用服务器、数据库在测试期间的CPU、内存、磁盘I/O、网络流量图表。结论与瓶颈分析明确指出系统在当前场景下的性能拐点如最大支持多少RPS、发现的瓶颈点如数据库慢查询、某接口GC频繁以及改进建议。6. 高级技巧与常见问题排查掌握了基础用法后一些高级技巧和避坑经验能让你用起Locust来更加得心应手。6.1 参数化与数据驱动测试真实的用户行为是多样化的比如登录用的用户名密码、搜索的关键词、购买的商品ID都不同。硬编码在脚本里显然不现实。Locust支持从外部文件读取测试数据。示例从CSV文件中读取用户凭证进行登录import csv from locust import HttpUser, task, between class ParameterizedUser(HttpUser): wait_time between(1, 3) host http://your-test-site.com # 在类级别读取数据所有用户实例共享 users [] with open(user_credentials.csv, r) as f: reader csv.DictReader(f) for row in reader: users.append(row) def on_start(self): # 每个用户实例从列表中取一个模拟不同用户登录 if self.users: self.user_data self.users.pop() else: self.interrupt() # 数据用完了就停止 task def login_and_view(self): # 使用分配到的用户数据 resp self.client.post(/api/login, json{ username: self.user_data[username], password: self.user_data[password] }) if resp.status_code 200: self.client.get(/api/dashboard)注意上面的pop()操作在多进程/分布式环境下会有问题因为列表在内存中不共享。更稳妥的做法是使用queue.Queue单机多进程或借助外部存储如Redis分布式来管理共享数据池。6.2 处理Cookie、Session与Token现代Web应用大多依赖会话Session或令牌Token来保持用户状态。Locust的client会自动处理Cookie就像浏览器一样。对于Token通常需要在登录后提取并保存用于后续请求。from locust import HttpUser, task, between class ApiUser(HttpUser): wait_time between(1, 2) host http://api.example.com def on_start(self): # 登录获取token resp self.client.post(/auth/login, json{user:test, pass:test}) if resp.ok: self.token resp.json()[access_token] # 将token设置到client的headers中后续所有请求都会自动携带 self.client.headers {Authorization: fBearer {self.token}} else: self.interrupt() task def get_protected_resource(self): # 此请求会自动携带Authorization头 self.client.get(/api/protected/data)6.3 常见问题与解决方案速查表以下是我在长期使用Locust中积累的一些典型问题及解决方法问题现象可能原因排查与解决思路启动后Web界面无法访问端口被占用或防火墙阻止1. 检查8089端口是否被其他程序占用netstat -an | grep 8089。2. 尝试指定其他端口locust --web-port8090。3. 检查本地防火墙或云服务器安全组规则是否放行了该端口。虚拟用户数上不去RPS很低1. 压测机性能瓶颈。2.wait_time设置过长。3. 被测试服务响应太慢用户大部分时间在等待。1. 监控压测机CPU/内存/网络考虑使用分布式压测。2. 调整wait_time或使用constant(0)进行极限压测。3. 检查服务端性能可能是它先达到了瓶颈。大量ConnectionResetError或Timeout错误1. 服务器连接数耗尽端口、线程池。2. 网络不稳定或带宽不足。3. 服务进程崩溃。1. 检查服务器netstat -an | grep ESTABLISHED | wc -l查看连接数。调整服务器配置如nginx的worker_connectionsTomcat的maxThreads。2. 检查网络带宽和延迟。在同一个内网进行测试以排除网络问题。3. 查看服务端应用日志是否有OOM内存溢出或崩溃记录。测试结果中响应时间异常地稳定不变可能触发了服务端的缓存或者Locust的client连接被复用到了极致没有真实模拟新建连接。1. 在请求中添加随机参数避免缓存self.client.get(f“/item?r{random.randint(1,10000)}“)。2. 对于需要测试新建连接性能的场景可以尝试在任务中偶尔重置client的session谨慎使用。分布式Worker节点无法连接Master1. 网络不通。2. 防火墙阻止了5557端口。3. Master启动命令不正确。1. 使用ping和telnet master-ip 5557检查网络连通性。2. 确保Master和Worker防火墙放行了5557端口及通信端口范围。3. Master必须使用--master参数启动Worker使用--worker --master-host启动。脚本导入错误或AttributeError1. Locust版本与脚本语法不兼容。2. 脚本中存在语法错误或依赖包未安装。3. 在分布式环境中Worker节点缺少脚本依赖。1. 确认Locust版本对照官方文档检查API用法。HttpUser是2.x版本的核心类1.x版本用法不同。2. 在本地直接运行Python脚本python locustfile.py看是否有语法错误。3. 确保所有Worker节点安装了脚本所需的所有Python依赖包。最后我想分享一点个人体会。性能测试不是一个一次性任务而是一个持续的过程。Locust这样的工具其价值在于它能将测试场景代码化、版本化。你可以将不同的测试场景基准测试、负载测试、压力测试、稳定性测试写成不同的locustfile纳入版本控制系统。每次代码发布或环境变更后自动跑一遍性能测试与历史基线进行对比就能快速发现性能回退。这比手动操作、凭感觉判断要可靠得多。记住数据驱动的性能优化才是工程化的正道。