Python压测怎么用？Locust脚本编写与性能分析

本文深入解析了使用Locust进行Python接口压测的实战要点，从编写最简可用并发脚本（继承HttpUser、合理使用@task、规范请求与Header管理）出发，系统讲解了如何科学设置用户数与启动速率以避免本地资源耗尽或服务误伤，澄清了响应时间统计偏差、错误率虚高背后的底层机制，并强调必须结合服务端监控、代码打点和APM工具进行多维交叉分析，才能精准定位真实瓶颈——无论是Python层的序列化开销、HTTP连接复用问题，还是服务端限流、下游依赖延迟，最终落脚于“让每一毫秒的耗时都可追溯、可验证”的性能压测本质。

Locust怎么写最简可用的并发脚本

Locust不是“写完就能压”，得先让 locustfile.py 跑起来且行为可控。核心是定义好 task 和 User 类，别一上来就堆逻辑。

• 用 HttpUser（不是旧版 Locust）继承，否则 self.client 会报错
• @task 装饰器必须作用在实例方法上，写成 @task(3) 表示权重为3，不加括号默认权重1
• 请求路径别硬编码，用 self.client.get("/api/v1/users")，别用 requests.get，否则 Locust 统计不到
• 如果要带 token 或 header，统一在 on_start 里设 self.client.headers，别每个请求都重复构造

示例最小可运行脚本：

from locust import HttpUser, task

class ApiUser(HttpUser):
    host = "https://api.example.com"
    
    def on_start(self):
        self.client.headers = {"Authorization": "Bearer xyz"}
    
    @task
    def list_users(self):
        self.client.get("/api/v1/users")
    
    @task(2)
    def get_profile(self):
        self.client.get("/api/v1/profile")

压测时用户数和 spawn rate 怎么配才不翻车

很多人一开压测就设 1000 用户、每秒启 100，结果目标服务没崩，Locust 进程先 OOM 或 DNS 超时。关键不是“想压多少”，而是“能稳住多少”。

• --users 是总并发用户数，不是 QPS；实际 QPS 取决于任务耗时 + 用户数，比如单次请求平均 2s，100 用户 ≈ 50 QPS
• --spawn-rate 控制每秒新增用户数，建议从 1–5 开始，观察 Locust Web UI 的 “Users” 曲线是否平滑上升；突增容易触发连接池打满或 ConnectionRefusedError
• 本地跑压测时，--users 超过 500 就可能受本机文件描述符限制，ulimit -n 查看，默认常为 1024，不够就改
• 分布式模式下，--master 不发请求，只调度；--worker 才真正发压，worker 数量 ≠ 并发数，别混淆

为什么响应时间对不上、错误率虚高

Locust 默认统计的是“从发请求到收到响应头”的时间，但业务真正卡住的地方往往在下游依赖（DB、Redis、第三方 API），而 Locust 不感知这些内部延迟。

• 如果接口返回 200 但 JSON body 里有 "code": 500，Locust 默认当成功；需手动检查：with self.client.get(...) as response: if response.json().get("code") != 0: response.failure("business error")
• 超时默认是 60 秒（DEFAULT_TIMEOUT），长任务容易误判；可在 HttpUser 里设 timeout = 10.0，或单次请求传 timeout=5
• 重试机制默认关闭，遇到临时网络抖动会直接记为失败；如需自动重试，得自己封装 self.client.request 加 tenacity 或简单 while 循环
• Web UI 的“Response Time”分位值（p95/p99）是全局聚合的，不代表单个用户真实体验；高尾延时可能被少数慢请求拉高，得结合日志查具体哪类请求拖后腿

怎么定位是代码慢还是服务慢

Locust 自身不是性能分析器，它只告诉你“这个请求花了多久”，但不说“花在哪”。真瓶颈常藏在 Python 层（比如序列化、循环拼接）、HTTP 客户端（连接复用失效）、或服务端中间件（日志采样、鉴权链路过长）。

• 在 task 里加 time.time() 打点，对比 self.client.get 前后时间差，若差距大，说明慢在 Python 代码里（比如 JSON 解析、字段处理）
• 用 self.client.get(..., name="raw_api") 自定义事务名，避免多个路径被合并统计，方便区分真实接口和健康检查等干扰项
• 关掉 Locust 的 --headless，开 Web UI 实时看 “Charts” 页里的 RPS 和响应时间曲线：如果 RPS 上不去但用户数已满，大概率是服务端拒绝连接或限流了
• 别只信 Locust 报告——同时抓服务端 top、slowlog、APM（如 Sentry、Datadog）数据交叉验证；Python 服务本身 CPU 高，可能只是 json.loads 在解析巨量响应体

真正难的从来不是起多少并发，而是确认每一毫秒花得明明白白。尤其当 response.elapsed.total_seconds() 突然跳变，得立刻切到服务端日志和网络层看是不是 TLS 握手变慢、DNS 缓存失效，或者 Locust worker 本机时钟漂移了。

本篇关于《Python压测怎么用？Locust脚本编写与性能分析》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于文章的相关知识，请关注golang学习网公众号！