Locust性能测试实战：从入门到精准压测-代码聚汇网

Locust性能测试实战：从入门到精准压测

a2Mia姐·2026-08-09·阅读 22 GEO检测（免费）

性能测试LocustPython

|难度：普通|阅读约 15 分钟

1. Locust性能测试实战：从入门到精准压测

性能测试是确保系统可靠性的关键环节，而Locust作为Python编写的开源负载测试工具，凭借其分布式压测能力和简洁的脚本编写方式，已经成为替代JMeter、LoadRunner的新选择。我在电商大促前的全链路压测中，曾用单台16核机器配合Locust集群成功模拟出百万级并发请求，精准定位到数据库连接池瓶颈。本文将分享如何用Locust构建完整的性能测试方案。

1.1 为什么选择Locust？

与传统工具相比，Locust有三个显著优势：

代码即脚本：完全基于Python编写测试逻辑，可以用pandas处理测试数据，用requests库定制HTTP调用，甚至集成机器学习模型来生成动态参数
资源利用率高：单机可模拟数千并发用户（实测4核8G机器轻松支撑3000RPS），分布式模式下能实现百万级压测
实时监控友好：自带Web UI展示RPS、响应时间、并发数等关键指标，还支持导出CSV进行二次分析

关键提示：当需要测试gRPC、WebSocket等非HTTP协议时，可以通过扩展Locust的HttpUser类来实现，这是JMeter等工具难以灵活支持的场景。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 环境搭建与基础测试

2.1 快速安装指南

推荐使用Python 3.8+虚拟环境（避免依赖冲突）：

bash复制python -m venv locust_env
source locust_env/bin/activate  # Linux/Mac
pip install locust pandas numpy  # 添加数据分析常用库

验证安装成功：

bash复制locust -V  # 应输出类似 locust 2.15.1 的版本信息

2.2 第一个测试脚本

创建basic_test.py：

python复制from locust import HttpUser, task, between

class QuickstartUser(HttpUser):
    wait_time = between(1, 2.5)  # 用户执行间隔时间
    
    @task(3)  # 权重为3
    def visit_homepage(self):
        self.client.get("/")
        
    @task(1)
    def search_product(self):
        self.client.get("/search?keyword=locust")
        
    def on_start(self):  # 模拟用户登录
        self.client.post("/login", json={
            "username":"test",
            "password":"123456"
        })

启动测试：

bash复制locust -f basic_test.py --host=https://your-api.com

访问http://localhost:8089即可看到控制界面，这里可以设置：

并发用户数：逐步增加观察系统拐点
生成速率：控制每秒新增用户数
测试时长：建议至少持续15分钟以上

3. 高级实战技巧

3.1 参数化与数据驱动

真实场景需要动态参数，推荐两种方式：

方法1：CSV数据轮询

python复制import csv
from itertools import cycle

class DataDrivenUser(HttpUser):
    products = cycle(csv.reader(open('products.csv')))
    
    @task
    def buy_product(self):
        product_id, price = next(self.products)
        self.client.post(f"/buy/{product_id}", json={
            "price": float(price)
        })

方法2：Faker生成仿真数据

python复制from faker import Faker

fake = Faker()

class FakeUser(HttpUser):
    @task
    def register(self):
        self.client.post("/register", json={
            "name": fake.name(),
            "email": fake.email(),
            "address": fake.address()
        })

3.2 自定义指标采集

Locust默认只记录请求成功率、响应时间等基础指标。要监控业务指标（如订单创建成功率）：

python复制from locust import events
from locust.runners import MasterRunner

@events.init.add_listener
def on_locust_init(environment, **_kwargs):
    if isinstance(environment.runner, MasterRunner):
        environment.runner.register_message("order_stats", handle_order_report)

def handle_order_report(environment, msg, **_kwargs):
    print(f"订单成功率: {msg['success_rate']}%")
    
# 在任务中上报数据
self.environment.runner.send_message("order_stats", {
    "success_rate": calculate_success_rate()
})

3.3 分布式压测实战

当单机无法满足压力需求时：

启动master节点（负责协调）：

bash复制locust -f stress_test.py --master --expect-workers=4

在多个机器启动worker（建议与master同局域网）：

bash复制locust -f stress_test.py --worker --master-host=192.168.1.100

性能调优技巧：通过--worker参数启动的进程默认会使用所有CPU核心。如果需要限制资源，可以通过--worker-count指定进程数，或者用Docker限制CPU份额。

4. 性能瓶颈分析与报告

4.1 关键指标解读

响应时间百分位：重点关注95线和99线（如P95=800ms表示95%请求在800ms内完成）
RPS（Requests Per Second）：实际达到的吞吐量，与并发用户数对比可判断是否达到系统瓶颈
失败率：超过1%就需要立即停止测试检查原因

4.2 生成专业报告

Locust自带CSV导出功能，但建议使用以下工具增强可视化：

使用Pandas分析测试数据

python复制import pandas as pd

df = pd.read_csv('stats.csv')
df['Failure %'] = df['Failures'] / df['Requests'] * 100

# 找出响应时间突增的时间点
anomalies = df[df['Average Response Time'] > df['Average Response Time'].quantile(0.95)]

Grafana仪表板配置示例

code复制API 成功率 = 100 - (sum(failures) by (name) / sum(requests) by (name)) * 100
吞吐量 = sum(rps) by (instance)
响应时间 = histogram_quantile(0.95, sum(rate(response_time_bucket[1m])) by (le))

4.3 典型性能问题排查

案例1：吞吐量上不去

检查Locust机器CPU是否打满（top命令）
增加--worker数量或换更高配机器
确认目标服务是否有限流（如Nginx返回429）

案例2：响应时间逐渐上升

检查目标服务内存泄漏（jstat -gcutil）
数据库慢查询（MySQL slow log）
连接池耗尽（如Redis报"max number of clients reached"）

案例3：高并发下数据不一致

使用分布式锁控制并发写

在Locust脚本中加入数据校验逻辑：

python复制@task
def check_balance(self):
    with self.client.get("/balance", catch_response=True) as resp:
        if resp.json()['amount'] < 0:  # 余额不应为负
            resp.failure("Negative balance!")

5. 生产环境压测注意事项

渐进式加压：用--step-load参数逐步增加负载，避免瞬间打垮服务
```
bash复制locust -f prod_test.py --step-load --step-users 100 --step-time 1m
```

影子流量：在测试环境复用生产数据（需脱敏），可以使用：

python复制from cryptography.fernet import Fernet
cipher = Fernet(key)  # 从环境变量读取密钥
encrypted = cipher.encrypt(real_data.encode())

服务保护：
- 在压测API前添加特定Header（如X-Load-Test: true）方便过滤日志
- 准备熔断脚本，当核心接口失败率超阈值时自动停止测试

网络优化：

python复制from urllib3 import PoolManager
http = PoolManager(
    maxsize=100,  # 连接池大小
    retries=3,
    timeout=30
)
self.client = http

我在金融级系统压测中总结出三个黄金原则：

监控先行：在开始压测前确保Prometheus、ELK等监控系统就绪
数据隔离：使用专门的测试数据库，避免污染生产数据
全链路标记：从网关到DB都透传压测标记（如X-Request-ID: LOADTEST-123）