当前位置:首页 > 文章列表 > 文章 > python教程 > 如何使用Python编写API压力测试脚本_基于Locust框架实现高并发模拟

如何使用Python编写API压力测试脚本_基于Locust框架实现高并发模拟

2026-05-02 14:20:37 0浏览 收藏

IT行业相对于一般传统行业,发展更新速度更快,一旦停止了学习,很快就会被行业所淘汰。所以我们需要踏踏实实的不断学习,精进自己的技术,尤其是初学者。今天golang学习网给大家整理了《如何使用Python编写API压力测试脚本_基于Locust框架实现高并发模拟》,聊聊,我们一起来看看吧!

Locust 2.0+ 必须用 HttpUser 类、host 属性和 @task 装饰器;动态参数与 token 需实例变量存储并线程安全复用;locust.conf 需 --config 显式指定且格式严格;连接池耗尽会导致响应时间突增,应调优 client 连接池及服务端 keep-alive。

如何使用Python编写API压力测试脚本_基于Locust框架实现高并发模拟

Locust安装与基础脚本结构怎么写才不报错

Locust 2.0+ 已弃用 TaskSet,改用 task 装饰器 + HttpUser 类,老教程照搬会直接触发 AttributeError: 'MyUser' object has no attribute 'client'。必须确认安装的是当前活跃版本:pip install locust(别加 =1.x)。

最小可运行脚本需满足三个硬性条件:

  • class 继承自 HttpUser(不是 User 或 Locust)
  • 必须定义 host 属性(哪怕只是占位,如 host = "https://httpbin.org")
  • 每个测试任务函数必须用 @task 装饰,且不能带参数(@task(3) 是合法权重,但 @task(def my_req():...) 会语法错误)

示例骨架:

from locust import HttpUser, task, between

class ApiUser(HttpUser):
    host = "https://httpbin.org"
    wait_time = between(1, 3)

    @task
    def get_status(self):
        self.client.get("/status/200")

如何让并发请求携带真实业务参数和认证头

直接在 @task 函数里拼接 URL 或写死 token,会导致压测数据失真、服务端鉴权失败,或被限流策略误杀。关键点在于:参数必须动态生成,认证凭据必须线程安全复用。

推荐做法:

  • 登录逻辑单独抽成 @task 并设高权重(如 @task(10)),用 self.client.post() 获取 token 后存入 self.token 实例变量
  • 后续接口统一在 headers 中注入:headers={"Authorization": f"Bearer {self.token}"}
  • URL 中的动态 ID(如订单号)用 random.randint(1000, 9999) 或从预加载列表 self.urls = [...] 中轮询,避免所有请求打到同一个 ID 上引发缓存穿透

注意:self.token 在多协程下是隔离的,但千万别写成类变量 ApiUser.token —— 那会导致所有用户共享一个 token,一旦过期全部失败。

locust.conf 配置文件不起作用?其实是没被识别

Locust 不自动读取 locust.conf。必须显式通过 --config 参数指定,且配置项命名严格区分大小写和层级。常见失效原因:

  • 文件名写成 locust_config.py 或 conf.ini → 必须是 locust.conf
  • 配置项写成 host = "xxx"(漏掉 section)→ 正确格式是 [locust] 下的 host = "xxx"
  • 想设置启动用户数却用了 users = 100 → 实际应为 users = 100(v2.15+ 支持),但旧版只认 num_users = 100,建议统一用命令行参数更可靠

典型 locust.conf 片段:

[locust]
host = https://api.example.com
users = 200
spawn-rate = 10
headless = true

启动时仍需执行:locust -f test_api.py --config locust.conf

压测中响应时间突增但错误率低,大概率是连接池耗尽

默认 HttpUser 使用 requests.Session,底层复用 TCP 连接,但并发量上去后,若服务端未正确配置 keep-alive 或连接超时,会出现大量 ConnectionResetError 或 ReadTimeout,Locust 却只记作“响应慢”,错误率栏显示 0%。

排查和修复手段:

  • 在脚本开头加 import logging; logging.getLogger("urllib3").setLevel(logging.DEBUG),观察日志是否频繁出现 Starting new HTTPS connection
  • 显式配置连接池:self.client.pool_connections = 50; self.client.pool_maxsize = 50(放在 on_start 方法里)
  • 服务端 Nginx 需检查 keepalive_timeout 和 upstream keepalive 设置,避免客户端复用连接时被主动断开

真正稳定的压测,从来不是调高并发数,而是先让单个用户能持续复用连接。

文中关于的知识介绍,希望对你的学习有所帮助!若是受益匪浅,那就动动鼠标收藏这篇《如何使用Python编写API压力测试脚本_基于Locust框架实现高并发模拟》文章吧,也可关注golang学习网公众号了解相关技术文章。

剪映如何制作团队介绍视频_剪映多人视频合成与字幕排版方法剪映如何制作团队介绍视频_剪映多人视频合成与字幕排版方法
上一篇
剪映如何制作团队介绍视频_剪映多人视频合成与字幕排版方法
Win10怎么通过组策略关闭更新_永久禁止自动更新教程
下一篇
Win10怎么通过组策略关闭更新_永久禁止自动更新教程
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。
    296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。
    351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。
    353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。
    316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。
    136次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码