为什么我选择Locust做性能测试：从协程并发模型到安装实战-北京尧图网络

1. 为什么性能测试工具那么多我最终选了Locust聊到性能测试很多人第一反应是打开JMeter的图形界面拖几个线程组配个聚合报告一套流程走得行云流水。这是国内绝大多数团队的做法没什么问题但如果你有几年测试经验大概率会慢慢感觉到一些别扭场景越来越复杂脚本里开始堆BeanShell或JSR223脚本分布式压测要调agent结果数据要自己写解析脚本CSV数据文件的管理也够喝一壶的。工具本身没错只是当性能测试从“偶尔做一次”变成“每天都要做”的时候效率短板就出来了。我接触Locust比较晚之前一直用JMeter做接口级压测。第一次看到Locust的代码风格时感觉挺新鲜——压测脚本不是拖拽出来的而是像写单元测试一样用Python写出来。更让我在意的是它的并发模型Locust不是基于线程池而是基于协程gevent这意味着你不用为了模拟几千并发就去调JVM堆内存、配线程数它天生适合高并发场景的轻量模拟。这里想先给大家一个清晰定位Locust不是一个“取代JMeter”的工具而是一个在编写压测脚本效率和大规模虚拟用户模拟成本上明显占优的工具。它的典型使用场景包括接口级性能回归每次发版前跑一轮看响应时间和错误率有没有劣化业务链路压测比如“登录→浏览商品→下单→支付”这种完整流程用代码串联比图形化串联直观得多高并发摸底测试验证系统在数千甚至上万并发下的表现Locust的协程模型让本地单机就能模拟大量用户如果你是刚入行的测试同学或者团队里还没建立性能测试体系的项目组这篇内容可以帮你花半小时搞清楚Locust到底是什么、为什么值得用、怎么装、装完怎么验证最后还会把常见的安装坑和后续进阶路线一起列出来。我建议你按本文顺序走一遍先装好跑通再谈其他。2. 核心设计思路为什么说Locust的并发模型能“以小博大”2.1 从线程到协程到底省了什么传统的性能测试工具比如JMeter模拟并发用户靠的是线程。线程是操作系统管理的执行单元每个线程有独立的栈空间创建和上下文切换都有成本。当你用JMeter开5000个线程的时候JVM内存飙到几个GB是很正常的事因为每个线程默认栈大小可能就1MB左右5000个线程光栈就占了5GB。Locust的做法完全不同。它底层基于geventgevent是Python的协程库协程是在用户态进行切换的不依赖操作系统内核线程。你可以把协程想象成在同一个线程里轮流干活的任务一个协程发起网络请求后在等待响应的空隙里另一个协程就拿到执行权。IO等待的时间被充分利用起来所以一台机器上跑几千上万个协程并不稀奇。用生活化的比喻线程模型像开了一万家实体店每家店配一个店员线程店员越多成本越高协程模型像开一个外卖调度中心一个接线员线程同时对接上百个订单协程大部分时间都在等商家出餐、等骑手送餐这个等待时间里可以继续接更多订单。2.2 User类就是你的虚拟用户模型Locust脚本的核心就是写一个继承自User的类在类里面定义用户的行为。这里的关键认知是一个User实例就是一个虚拟用户但它在Locust内部只是一个轻量级的协程对象而不是一个操作系统线程。我们可以在一个User类里用task装饰器定义若干个任务配合权重来控制不同任务被选中的概率。from locust import HttpUser, task, between class WebsiteUser(HttpUser): # 每个用户执行任务之间随机等待0.5~2.5秒 wait_time between(0.5, 2.5) task(3) def view_homepage(self): self.client.get(/) task(1) def view_item(self): self.client.get(/item/10001)这个脚本的含义是系统会创建指定数量的User协程每个协程会按照权重随机挑选任务执行两个任务之间休息0.5到2.5秒。weight3表示首页访问的频率是商品页的3倍。这种建模方式非常直观尤其适合表达“用户不是机器用户是有思考时间的真人”这一层语义。2.3 为什么这个设计对测试工程师友好对我个人来说Locust最大价值不是性能数据而是脚本的可维护性。测试工程到了一定规模性能测试脚本其实也是代码资产要版本管理、要评审、要复用。Locust脚本可以像普通Python工程一样组织公共方法抽出来参数写到配置文件里断言逻辑用Python写起来毫无阻碍。而当你需要压测一个需要先登录的接口时JMeter要配置HTTP Cookie Manager、正则提取器Locust这边就简单了——重写on_start方法在用户启动时执行登录客户端自动携带Cookiedef on_start(self): resp self.client.post(/login, json{username: test, password: 123456}) # 后续请求会自动带上会话Cookie这个体验差距在复杂业务链路的压测中会体现得非常明显。所以我说Locust的“以小博大”不仅体现在并发模型上也体现在脚本编写和工程化管理这件事上。3. 安装前的准备Python版本、虚拟环境与pip源三件事3.1 Python版本不是越高越好但也不是越低越稳Locust是Python生态里的工具安装前第一件事是确认你的Python环境。项目代码可能同时跑着好几个Python版本我们测试机上经常会出现python和python3指向不同版本的情况。Locust当前版本要求Python 3.9及以上官方推荐使用Python 3.11或3.12。早期版本在3.8上也能跑但后续功能迭代基本不会再兼容旧版本所以建议直接用3.11。我踩过一个很典型的坑公司测试服务器上默认Python是3.6我直接敲pip install locust装是装上了但启动时各种依赖报错后来查文档才知道Locust 2.x早就放弃了3.6。所以装之前先跑一下python --version如果版本不够优先考虑用pyenv或者系统包管理器安装新版本不要在老的系统Python上硬往上装依赖容易把系统环境搞乱。3.2 虚拟环境为什么不是可选项这个我必须强调给Locust专门建一个虚拟环境不是洁癖是保护你现有Python项目的必要操作。Locust会带上来一整套依赖包括gevent、flask、pyzmq、psutil等等这些库的版本如果和你的业务项目冲突轻则警告重则互相覆盖。我用venv模块建环境简单干净mkdir locust-project cd locust-project python -m venv .venv在Windows上激活.venv\Scripts\activate在Mac/Linux上激活source .venv/bin/activate激活后命令行前面会出现(.venv)前缀这时候pip安装的所有包都只在这个目录里生效。删除环境也很简单删掉.venv文件夹就完了一点都不污染系统。3.3 pip源配置安装省心的关键一步国内网络环境下直接用默认PyPI源装Locust虽然能成功但速度确实让人着急而且偶尔会遇到下载到一半连接超时。我建议提前把pip源切换成清华或阿里云镜像。临时指定源安装的方式pip install locust -i https://pypi.tuna.tsinghua.edu.cn/simple如果想要彻底改默认源我推荐这样做在用户目录下新建pip.iniWindows或.pip/pip.confLinux/Mac文件写入[global] index-url https://pypi.tuna.tsinghua.edu.cn/simple trusted-host pypi.tuna.tsinghua.edu.cn之后所有的pip安装都默认走镜像源速度提升非常明显。顺带提一句如果你的场景需要长时间压测或者在公司内网环境建议提前把依赖包缓存下来。用pip download把wheel包先下载到本地离线环境就能直接装了。这个操作在大规模部署压测机的时候能省很多沟通成本。4. 安装全过程与“装好了”的判定标准4.1 安装命令与日志解读环境准备好之后安装本身其实就一条命令pip install locust但我想提醒大家别急着敲回车。建议先看一眼即将安装的版本信息pip index versions locust -i https://pypi.tuna.tsinghua.edu.cn/simple这样能提前知道最新稳定版本号避免装到预发布版本。以Locust 2.32.x为例安装时会自动拉取gevent、msgpack、flask、werkzeug等核心依赖。安装过程中你会看到类似这样的日志Collecting locust Downloading locust-2.32.1-py3-none-any.whl (3.2 MB) Collecting gevent24.2.1 Downloading gevent-24.2.1-cp311-cp311-win_amd64.whl (1.2 MB) ... Successfully installed locust-2.32.1重点看最后一行出现Successfully installed locust-xxx就是装成功了。如果有某个依赖编译报错我们下一节专门讲。4.2 验证安装成功的三个步骤装完之后我当然不会直接信“Successfully”会做三层验证第一层看版本号。locust --version输出类似locust 2.32.1就说明主程序已经就位。第二层看帮助信息。locust --help能正常打出帮助文档说明命令路径没问题。这一步会顺带暴露Windows下常见的脚本路径问题后面细说。第三层跑一个最小冒烟脚本。临时写一个smoke_test.pyfrom locust import HttpUser, task class SmokeUser(HttpUser): task def ping(self): self.client.get(/)注意这里还没启动web服务我后面用--headless模式快速验证。先启动一个简单的Python HTTP服务作为被压测对象python -m http.server 8888然后再开一个终端运行Locustlocust -f smoke_test.py --hosthttp://localhost:8888 --headless -u 10 -r 2 -t 20s参数含义是从smoke_test.py加载脚本压测目标地址是本地8888端口无界面模式启动模拟10个用户每秒钟启动2个用户这里其实是每2秒增加1个具体看单位换算持续20秒。如果一切正常终端会打印出RPS每秒请求数、平均响应时间、错误率等指标压测结束后输出统计表。这就是“Locust真的能用了”的最直接证据。4.3 网页控制台零脚本跑压测的体验如果你暂时不想写脚本Locust也提供了一个内置的Demo页面。直接在命令行执行locust --hosthttp://localhost:8888 -f smoke_test.py然后浏览器打开http://localhost:8089你会看到一个现代化的Web界面。在这个界面上可以实时设置用户数、每秒孵化率spawn rate甚至不用重启进程就能调整压测规模和持续时间然后实时观察图表变化。比如在没有写任何业务逻辑的情况下用Python的http.server加上Locust自带的示例脚本就能在浏览器里看到每秒请求数曲线、响应时间分位数曲线、用户数曲线三个核心图表。很多同事第一次看到这个界面的时候都说“就这么简单”对刚接触性能测试的人来说这个快速反馈机制特别有价值。你可以用几分钟时间就理解“增加并发用户数”和“系统吞吐量/响应时间”三者之间的直观关系这种手感是看文档看不出来的。5. 新手机器上的典型安装问题一条条排给你看这一节是我最想写给Windows用户和公司内网用户的。我在帮团队配压测环境的时候遇到过的问题类型基本可以归纳为三类。5.1 网络超时、SSL证书报错如果你在安装过程中看到类似的报错WARNING: Retrying (Retry(total4, connectNone, readNone, redirectNone)) ... Could not fetch URL https://pypi.org/simple/locust/: Connection timed out大概率就是网络问题或者公司网络对PyPI的访问不稳定。解决办法很直接按我前面说的换镜像源。如果镜像源也慢可以试试阿里云源pip install locust -i https://mirrors.aliyun.com/pypi/simple/如果报SSL相关的certificate verify failed通常是因为公司内网对HTTPS做了代理。先确认是否设置了代理环境变量echo $HTTP_PROXY echo $HTTPS_PROXY如果确实在公司代理后面可以临时指定代理来安装或者让网络管理员把pypi.org和files.pythonhosted.org加白名单。我不建议永久关闭SSL验证--trusted-host参数只针对特定host生效因为那会降低安全性。5.2 Windows下gevent编译失败的终极解法Windows环境装Locust最容易出问题的是gevent因为它依赖于libev和绿色线程实现有时候pip会尝试从源码编译而编译需要C编译器很多机器上根本没装。你会看到类似Building wheel for gevent (pyproject.toml) ... error error: Microsoft Visual C 14.0 or greater is required这个报错的意思是要Visual C构建工具。但这里我要给出一个避免麻烦的建议不要走编译这条路直接换Python版本。gevent对Windows有预编译的wheel包从Python 3.7到3.12基本都有。所以遇到编译报错先执行pip uninstall gevent -y python -m pip install gevent还不行大概率是你当前Python版本过于新比如3.13刚发布时部分wheel还没跟上或者过于旧。实测下来Python 3.11在Windows上的wheel覆盖率最高几乎不会遇到编译问题。如果一定要用3.12可以先查一下https://pypi.org/project/gevent/#files确认对应版本有没有win_amd64.whl文件。另外还有一个常见坑Windows下执行locust命令提示“不是内部或外部命令”。这通常是因为虚拟环境下Scripts目录没有加入PATH。解决方法是不要直接敲locust用python -m locust代替。这样无论PATH怎么配都不会有问题python -m locust -f smoke_test.py --hosthttp://localhost:88885.3 装好了但一启动就崩溃的排查顺序还有一种情况安装很顺利但启动Locust的时候报各种奇怪错误比如ModuleNotFoundError: No module named locust。这种一般是安装进入了错误的Python环境。排查顺序是这样的第一步确认你在虚拟环境里which pythonWindows下是where python看路径是否指向你创建的.venv目录。第二步确认pip和python匹配python -m pip --version python -m pip list | findstr locust # Windows python -m pip list | grep locust # Mac/Linux如果时候能看到locust在列表里直接用python -m locust启动。第三步如果虚拟环境里确实没有重新安装python -m pip install locust -i https://pypi.tuna.tsinghua.edu.cn/simple这一套走下来90%的“装好了但用不了”的问题都能解决。6. 从安装到实战这条路线图帮你快速上路6.1 先理解一条命令的全貌再谈脚本设计任何时候你运行Locust本质上都做四件事加载脚本文件、确定目标系统地址、指定模拟用户规模、开始执行。对应的核心命令行参数locust -f locustfile.py --hosthttps://api.example.com -u 100 -r 10 -t 10m --headless --csvresult-u是用户总数-r是每秒启动的用户数孵化率-t是压测时长--headless是不开Web界面直接跑--csvresult是把结果输出成CSV文件方便后续分析。这个组合我在日常回归压测中用得最频繁。有个细节大家容易忽略-r参数的值很关键。不要把1000个用户直接全部同时压上去现实世界的用户不可能同时涌入。一般我会按每秒10到20个用户逐步孵化让服务端有缓冲时间也更容易观察系统在爬坡过程中的表现。如果系统连孵化过程都撑不住那等真正高峰时问题会更严重。6.2 最小可用脚本的四种写法演进安装完之后大家可以从这个顺序逐步进阶第一级单接口压测。定义一个User类里面放一个task装饰的任务直接get接口。第二级多接口带权重。用task(3)和task(1)来模拟不同访问概率。第三级带登录态。重写on_start方法做登录用self.client自动带Cookie。第四级数据参数化。从CSV文件读取测试数据结合self.client.post发送不同请求体。import csv from locust import HttpUser, task, between class ApiUser(HttpUser): wait_time between(1, 3) def on_start(self): # 读取测试账号数据 with open(users.csv, r) as f: reader csv.DictReader(f) self.test_users list(reader) task def purchase(self): user self.test_users.pop(0) # 简单轮询 self.test_users.append(user) payload {userId: user[id], orderId: user[order]} with self.client.post(/api/order, jsonpayload, catch_responseTrue) as resp: if resp.status_code ! 200: resp.failure(fUnexpected status: {resp.status_code})这里用catch_responseTrue是为了对响应做自定义断言不是只看状态码。在真实业务压测中很多系统即使返回200也可能内部错误你需要在脚本里判断响应体内容。6.3 安装只是起点性能测试体系才是目标最后说点个人的体会。工具装好了、脚本能跑了这只是万里长征第一步。真正有价值的性能测试工作是围绕业务定义压测场景和性能基准。我建议大家在跑压测之前先回答三个问题第一这个接口/链路的核心指标是什么是吞吐量、响应时间还是错误率不同业务侧重点完全不同。第二压测数据怎么准备真实用户场景里的账号、订单号、商品ID分布是什么样的有没有边界值很多压测结果失真都是因为测试数据太“假”。第三怎么定义“达标”响应时间P95小于500毫秒还是TPS大于1000没有验收标准压测报告就是一堆数字没有人能拍板说“通过”。我在团队里推行的做法是把压测脚本和性能基准一起纳入版本库每次重大功能变更后自动触发一轮轻量级压测对比历史基线。Locust适合做这个事它的代码化脚本方便CI/CD集成结果输出也有多种格式。配合Grafana展示历史趋势时间长了系统性能的劣化点会被尽早发现而不是等到线上事故才回头追查。如果你已经读到这了说明你是真想把这个工具用好。那我的建议很直接先装再跑demo最后挑一个你们项目里最简单的接口做一次小规模压测用20分钟走完这个闭环比看十篇教程都管用。性能测试这件事工具只是起点真正的深度在于你对系统行为和数据流有多了解那部分我后续再展开聊。

为什么我选择Locust做性能测试：从协程并发模型到安装实战

相关推荐

SpringBoot+Vue全栈实战：七彩云南文旅网站管理系统开发

Edge打不开提示“并行配置不正确”？从SxS机制到VC++运行库修复指南

低轨卫星OFDM信号检测MATLAB仿真方法

更多资讯

给编程AI接上代码检索：消除幻觉，让AI写出真实可编译的代码

8卡V100实测vLLM生产级推理吞吐与调优实践

winutils.exe 详解：Windows 下 Hadoop/Spark 开发必备工具

DEAP脑电信号识别实战：CNN-LSTM代码详解与避坑指南

C++双缓存与AI预测：乒乓球游戏开发实战解析

PLC200洗车机控制系统：顺序控制、状态机与现场调试

今日更新

Susi AI API实战指南：susi_alexa_skill如何用Node.js调用chat.json获取智能回答

换新电脑了？KeyStats 恢复码数据找回完全指南，端到端加密统计一键重建

重建二叉树：由前序与中序遍历序列还原二叉树的原理与 Java 实现（YCBlogs 剑指 Offer 精讲）

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？