国庆重新学习了一下go的gin高性能测试框架。 用JMeter来测试gin与flask接口的性能，差别很大。 为什么我自己不尝试写一个性能工具，性能工具的核心就是 并发 和 请求。 请求可以选择
国庆重新学习了一下go的gin高性能测试框架。
用JMeter来测试gin与flask接口的性能，差别很大。
为什么我自己不尝试写一个性能工具，性能工具的核心就是 并发 和 请求。
请求可以选择Python的requests库。
并发可以通过python的 进程、线程、协程模拟。
这么一想，也不是很难了，上手撸一个。
依赖库
requests==2.22.0 gevent==20.9.0 numpy==1.19.2
requests 大家并不陌生，HTTP请求库。
gevent是python协程库，通过协程模拟并发更节省资源，在同样配置下能模拟更多的并发。
numpy 是python的数据计算库，提供大量组数和矩阵运算，这里用它求列表的平均值。
实现脚本
好了，接下来开始上手写代码了。
from __future__ import print_function
import time
import gevent
from gevent import monkey
monkey.patch_all()
import requests
from numpy import mean
users = 10 # 用户数
numbers = 100 # 请求次数
req_url = "http://127.0.0.1:8080/user/tom" # 请求URL
print("请求URL: {url}".format(url=req_url))
print("用户数：{}，循环次数: {}".format(users, numbers))
print("============== Running ===================")
pass_number = 0
fail_number = 0
run_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("请求成功", pass_number)
print("请求失败", fail_number)
print("============== end ===================")
设计思路
在JMeter中创建线程组有两个参数 线程数和 循环数，即 用户数 和请求数，设置多少个用户，每个用户用户跑多少次，用户数通过协程模拟，每次用户运行次数通过for循环实现。
至于请求就比较简单了，直接通过requests发送请求。通过判断影响的状态码是否为200来判断是否成功，通过分别计算成功和失败的请求个数。
关于请求时间统计，在每次请求前后获得当前时间戳，然后计算时间差就是单个接口的调用时间。最大，最小，平均通过计算就可轻松的得到。
> python3 ab.py 请求URL: http://127.0.0.1:8080/user/tom 用户数：10，循环次数: 100 ============== Running =================== ............................................................................................................... ............................................................................................................... ............................................................................................................... ............................................................................................................... ............................................................................................................... ............................................................................................................... ............................................................................................................... ............................................................................................................... ............................................................................................................... . ============== Results =================== 最大: 0.0352 s 最小: 0.0036 s 平均: 0.0204 s 请求成功 1000 请求失败 0 ============== end ===================
后续
把ab.py脚本做成 ab 命令行工具。
支持更多的请求类型（get/post/put/delete）和参数。
更多统计维度，吞吐量、吞吐率
增加启动时间，思考时间等
...
以上就是python 写一个性能测试工具（一）的详细内容，更多关于python 性能测试工具的资料请关注易盾网络其它相关文章！