当前位置:首页 > 文章列表 > 文章 > python教程 > FastAPI压力测试:Locust高并发模拟教程

FastAPI压力测试:Locust高并发模拟教程

2026-04-21 15:43:13 0浏览 收藏
本文深入解析了使用Locust对FastAPI应用进行高并发压力测试的关键实践与避坑指南:强调Locust必须采用同步requests调用方式,严禁在task函数中使用await;详解JWT认证的headers传递、422校验错误的手动成功标记技巧;明确指出FastAPI必须关闭debug和reload以避免事件循环冲突与性能干扰;并系统梳理了中间件、依赖注入及异步资源(如数据库连接池)的并发安全配置要点——每一条都直击真实压测中导致结果失真、成功率暴跌或QPS异常的典型根源,为构建稳定、可信、高性能的API服务提供可立即落地的技术保障。

Python FastAPI如何进行压力测试_使用Locust模拟高并发场景

Locust 脚本里怎么写 FastAPI 接口调用

FastAPI 默认走异步,但 Locust(截至 2.15 版)的 HttpUser 底层用的是同步 HTTP 客户端(requests),直接发请求没问题,但别误以为能自动用上 async def —— Locust 的 task 函数必须是同步的。

常见错误现象:RuntimeWarning: coroutine 'AsyncSession.request' was never awaited,说明你写了 await client.get(...),但 Locust 不支持。

  • 用 self.client.get("/items"),不是 await self.client.get(...)
  • 如果 FastAPI 接口带 JWT,把 token 放进 headers: self.client.get("/protected", headers={"Authorization": "Bearer xxx"})
  • 路径带变量?拼 URL 就行:f"/users/{user_id}",Locust 不解析 FastAPI 的路径参数语法
  • POST 提交 JSON?用 json=... 参数:self.client.post("/items", json={"name": "test"})

怎么让 Locust 正确识别 FastAPI 的 422 错误

FastAPI 对请求体校验失败默认返回 422 Unprocessable Entity,而 Locust 默认只把 2xx 和 3xx 当成功。结果就是——大量请求标成“failure”,但你其实想测的是业务逻辑瓶颈,不是 Pydantic 校验速度。

  • 在请求后加 catch_response=True,手动标记成功:
    with self.client.get("/items", catch_response=True) as response:
        if response.status_code == 422:
            response.success()
  • 更稳妥的做法:提前校验数据格式,避免压测时反复触发 422;真要保留,就用上面方式“吞掉”它
  • 注意 response.success() 不会改变响应时间统计,但会影响成功率曲线和 failure tab 显示

FastAPI 启动时要不要关掉 debug=True

必须关。Locust 压测下 debug=True 会让 FastAPI 加载额外中间件(比如重载器、调试面板),不仅拖慢单请求耗时,还可能引发 RuntimeError: asyncio.run() cannot be called from a running event loop —— 尤其在 Locust worker 模式下。

  • 启动命令改用:uvicorn main:app --host 0.0.0.0 --port 8000 --reload=False --workers 4
  • --workers 数建议 ≤ CPU 核数 × 2;设太高反而因上下文切换增加延迟
  • 确保环境变量 DEBUG=False 或代码里显式传参:app = FastAPI(debug=False)
  • 检查日志里有没有 INFO: Uvicorn running on http://... 之后还出现 INFO: Watching for file changes with StatReload —— 有就说明 reload 没关干净

压测结果不准?先查 FastAPI 的中间件和依赖注入

FastAPI 的 Depends(比如数据库连接池、Redis 客户端)如果没做并发安全设计,会在 Locust 高并发下暴露资源争抢问题;某些自定义中间件(如日志、鉴权)也可能同步阻塞事件循环。

  • 避免在依赖中做耗时同步操作:比如用 requests.get 调第三方 API,应换成 httpx.AsyncClient
  • 数据库连接池大小要匹配 Locust 并发数:比如 asyncpg 的 min_size=10, max_size=50,对应 Locust 设置 users=50
  • 临时禁用非核心中间件测试:注释掉 app.add_middleware(...) 看 RPS 是否明显上升
  • 用 uvicorn --log-level warning 关掉 access log,减少 I/O 干扰

真实压测里最常被忽略的,是 FastAPI 路由函数里混用了同步和异步调用——比如 time.sleep(1) 卡住整个 event loop,这时候 Locust 显示的不是 QPS 下降,而是所有用户卡在同一个协程里等唤醒。

以上就是本文的全部内容了,是否有顺利帮助你解决问题?若是能给你带来学习上的帮助,请大家多多支持golang学习网!更多关于文章的相关知识,也可关注golang学习网公众号。

PHPEnv配置Redis持久化:AOF与RDB详解PHPEnv配置Redis持久化:AOF与RDB详解
上一篇
PHPEnv配置Redis持久化:AOF与RDB详解
JavaPriorityQueue使用教程及最小堆实战详解
下一篇
JavaPriorityQueue使用教程及最小堆实战详解
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    260次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    306次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    285次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    261次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    72次使用