一、简介
Locust是一款使用Python编写的压力测试工具，本篇总结会介绍在实际测试过程中遇到的问题
https://www.locust.io/
使用Locust的原因是因为可以模拟的用户数量可以通过添加硬件来增长，相对于jmeter来说配置更加方便。
二、需求描述
项目采用node+redis+oracle的模式，需要测试出单台服务器的性能瓶颈。
三、实际测试
环境的搭建：服务器上只需要安装好Python2.7及以上的版本，然后通过pip安装locust就完成了搭建。
1、 pip安装（python的包管理工具，没有pip则不能安装第三方库）python有两个主流的包管理工具easy_install.py和pip，easy_install.py是安装python的时候默认安装的，而pip仅以zip文件的形式保存的python目录中，需要我们手动的安装
【命令】：E:\python\Scripts\pip.exe
这里的路径为你安装的python路径，找到安装目录中\Scripts文件夹下pip文件即可安装pip（这里已经安装好了）
2、 gevent库的安装
【命令】： E:\python\Scripts\pip.exe install gevent
3、 flask库的安装
【命令】：E:\python\Scripts\pip.exe install flask
注：如果不知道版本号可以直接安装flask包，系统会安装不同版本的包（不建议使用）
4、 request库的安装
【命令】：E:\python\Scripts\pip.exe install requests==2.18.1
注：安装库的时候若不知道版本号，可以直接输入命令E:\python\Scripts\pip.exe install requests== 从报错信息中查看所有的版本号（建议安装最新的版本）
5、 msgpack-python库的安装
【命令】：E:\python\Scripts\pip.exe install msgpack-python==0.4.8
6、 six库的安装
【命令】：E:\python\Scripts\pip.exe install six==1.11.0
7、 pyzmq库的安装
【命令】：E:\python\Scripts\pip.exe install pyzmq
8、 locust的安装（最后一步）
【命令】：E:\python\Scripts\pip.exe install locustio
脚本编写：根据需求编写好python脚本，放到服务器上如 locust1.py。
脚本运行：通常使用的是主从模式来运行脚本，这样能够方便进程多开。
打开python27目录，输入命令：
cd /d E:\Python27\locust-master
locust -f locust1.py --master
该命令运行后会生成一个主进程进行管理，主进程只需要一个。
locust -f locu.py --slave
该命令运行后会有一个子进程启动，根据需要可以多次运行就会开启多个子进程，子进程用来模拟用户数量。
如果需要多进程就要打开多个窗口开进程：
以上命令运行后或默认开启8089 端口，通过浏览器访问本地8089端口就能进入web界进行控制。
访问地址： http://localhost:8089，slave 就是开启的子进程数量。
如果不同的机器，加后缀主机master的IP：
locust -f ../Python27/load_test1.py --slave --master-host=*ip
3.用户数量的详细解释
web界面的user 数量表示并发数，也就是每次访问的并发连接数。实践的时候用户数量是300，表示每次访问有300个用户同时访问，吞吐量能达到2000/s，说明在一秒的时间内服务器响应了大约7次，那么300的用户耗费的时间就是140ms左右。
4.用户数量与slvae关系
用户数量是300，slave为3，那么每个slave会平均分配发送的用户量100，与jmerter分布式不一样。
五、最终测试结果
服务器配置：CPU 8核 内存16G
承受最大业务量900万次请求数，占用内存12G，占用磁盘空间23G。
redis与业务量关系 80万请求数占用1G redis内存
磁盘与业务量关系 80万请求数占用2G 磁盘空间
附录：
locust -f ../locust-master/load_test.py --master
重新开终端窗口
locust -f ../locust-master/load_test.py --slave
远程链接阿里云服务器
在Win10系统下使用“WIN+R”组合快捷键打开运行对话框，然后输入“mstsc",点击确定
输入服务器IP
QPS: 每秒钟处理完请求的次数；注意这里是处理完。具体是指发出请求到服务器处理完成功返回结果。可以理解在server中有个counter，每处理一个请求加1，1秒后counter=QPS。
TPS：每秒钟处理完的事务次数，一般TPS是对整个系统来讲的。一个应用系统1s能完成多少事务处理，一个事务在分布式处理中，可能会对应多个请求，对于衡量单个接口服务的处理能力，用QPS比较多。
并发量：系统能同时处理的请求数
RT：响应时间，处理一次请求所需要的平均处理时间
计算关系：
QPS = 并发量 / 平均响应时间
并发量 = QPS * 平均响应时间
对比：
测试场景：
对比locust的httpLocust库、python2基础库httplib 和python3基础库http.client的效率和压力
测试接口：通过GET获取URL返回值
Slave机配置：单台8核16G
Slave实例：10个
对比结果：httplocust库RPS最大值4K，python2的最大值12K，python3的最大值15K
Jmeter的TPS最大值是34K