Python压测怎么用？Locust编写并发测试与性能分析

本文深入解析了如何用Locust高效开展Python接口压测，从编写最简可用脚本（继承HttpUser、合理使用@task、统一管理headers与host）入手，到科学设置用户数与启动速率避免本地资源瓶颈，再到精准识别响应时间失真、业务级错误漏判、超时与重试缺失等常见陷阱，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——真正把每一毫秒的延迟归因到Python逻辑、HTTP客户端、网络层还是服务端依赖，让压测不止于“跑起来”，而成为定位真实性能瓶颈的可靠手段。

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。

今天关于《Python压测怎么用？Locust编写并发测试与性能分析》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于的内容请关注golang学习网公众号！