4. 压测工具选型：主流压测工具对比与实战配置

说到压测工具选型，我见过不少团队在这个问题上纠结很久。有的盲目追求高性能工具，结果脚本写起来痛苦不堪；有的选了最易上手的，压到一半发现并发上不去。说白了，没有最好的工具，只有最适合你场景的。

这一章，我就结合自己这些年踩过的坑，把主流工具掰开揉碎了讲清楚。你想想看，选错工具的代价是什么？可能是整个压测周期延长一倍，甚至得出错误的性能结论。

4.1 主流压测工具横向对比

先看一张我整理的对比表，这样你心里有个大概的谱：

工具 语言 协议支持 并发模型 脚本复杂度 分布式支持 学习曲线
JMeter Java HTTP/HTTPS/WebSocket/JDBC/自定义 线程池 低（GUI拖拽） 原生支持 低
Locust Python HTTP/HTTPS/自定义 协程（gevent） 中（Python代码） 原生支持 中
Gatling Scala HTTP/HTTPS/WebSocket/JMS Akka Actor 高（DSL脚本） 原生支持 高
wrk C/Lua HTTP/HTTPS 事件驱动（epoll） 低（命令行+Lua） 需第三方 低

4.2 逐个拆解：我的实战感受

JMeter — 老牌劲旅，但别被GUI骗了

JMeter是我最早接触的压测工具。说实话，它的GUI界面确实友好，拖拖拽拽就能生成脚本。但我在项目中遇到过一个大坑：GUI模式下的压测结果不准。为什么呢？因为GUI本身会消耗系统资源，尤其是线程数上去后，JMeter自己先成了瓶颈。

避坑指南：我曾经在压测一个电商系统的登录接口时，用GUI模式跑了500并发，结果TPS只有800。换成命令行模式（非GUI），同样配置下TPS直接飙到1500。记住：生产级压测永远用命令行。

JMeter的优势在于协议支持广泛。除了HTTP，它还支持JDBC、JMS、WebSocket等。如果你需要压测数据库或者消息队列，JMeter几乎是唯一的选择。

安装很简单，去官网下载二进制包，解压就能用：

# 下载JMeter
wget https://dlcdn.apache.org//jmeter/binaries/apache-jmeter-5.6.3.tgz
tar -xzf apache-jmeter-5.6.3.tgz
cd apache-jmeter-5.6.3/bin

# 启动GUI（调试用）
./jmeter

# 启动命令行（压测用）
./jmeter -n -t test_plan.jmx -l results.jtl -e -o report_dir

Locust — Python党的最爱

我个人习惯用Locust做快速验证。它的核心思想是用Python代码描述用户行为，非常灵活。你想想看，如果被测接口需要先登录获取token，再携带token访问业务接口，用JMeter的BeanShell脚本写起来多痛苦？Locust几行代码就搞定了。

from locust import HttpUser, task, between

class WebsiteUser(HttpUser):
    wait_time = between(1, 5)  # 模拟用户思考时间
    
    def on_start(self):
        # 登录获取token
        resp = self.client.post("/login", json={"user": "test", "pass": "123"})
        self.token = resp.json()["token"]
    
    @task(3)
    def view_home(self):
        self.client.get("/home", headers={"Authorization": f"Bearer {self.token}"})
    
    @task(1)
    def view_profile(self):
        self.client.get("/profile", headers={"Authorization": f"Bearer {self.token}"})

Locust的并发模型基于协程（gevent），这意味着单机就能轻松模拟数千并发。我在项目中用一台4核8G的云服务器跑Locust，压到5000并发都没问题。换成JMeter，同样配置可能到2000就开始报OOM了。

小技巧：Locust的Web UI非常直观，可以实时调整并发数和生成速率。我经常在压测开始后，一边观察系统指标，一边动态调整压力，直到找到系统的拐点。

Gatling — 高性能但门槛高

Gatling是我见过性能最猛的压测工具之一。它基于Akka Actor模型，天生就是为高并发设计的。我记得有一次压测一个直播平台的弹幕接口，JMeter跑到3000并发就开始丢数据，换成Gatling轻松跑到8000并发，而且结果曲线非常平滑。

但Gatling的脚本是用Scala DSL写的，学习曲线确实陡。你看这个脚本：

import io.gatling.core.Predef._
import io.gatling.http.Predef._

class BasicSimulation extends Simulation {
  val httpProtocol = http
    .baseUrl("https://api.example.com")
    .acceptHeader("application/json")
  
  val scn = scenario("Basic Scenario")
    .exec(http("request_1")
      .get("/users")
      .check(status.is(200)))
  
  setUp(
    scn.inject(atOnceUsers(100))
  ).protocols(httpProtocol)
}

说实话，如果不是团队里有Scala基础的人，我不建议轻易上Gatling。但如果你需要压测WebSocket或者JMS协议，Gatling的DSL表达能力确实比JMeter强很多。

wrk — 轻量级利器，适合快速压测

wrk是我最常用的快速压测工具。它基于epoll事件驱动模型，单机就能压出很高的并发。安装也简单：

# 安装依赖
sudo apt-get install build-essential libssl-dev

# 编译安装
git clone https://github.com/wg/wrk.git
cd wrk
make
sudo cp wrk /usr/local/bin/

# 快速压测
wrk -t12 -c400 -d30s https://api.example.com/users

这个命令的意思是：用12个线程，保持400个并发连接，持续压30秒。输出结果非常简洁：

Running 30s test @ https://api.example.com/users
  12 threads and 400 connections
  Thread Stats   Avg      Stdev     Max   +/- Stdev
    Latency    45.67ms   12.34ms  189.00ms   75.00%
    Req/Sec     734.56    89.23     1.02k     70.00%
  263456 requests in 30.00s, 1.02GB read
Requests/sec:   8781.87
Transfer/sec:     34.78MB

wrk的缺点也很明显：只支持HTTP/HTTPS协议，而且脚本能力弱。虽然可以用Lua脚本做一些简单的请求定制，但复杂场景基本没戏。我一般用它来做接口的基准测试，快速判断一个接口的性能基线。

4.3 工具选型考量因素

说了这么多，到底怎么选？我总结了一个决策框架：

  1. 协议类型：如果只压HTTP，wrk或Locust就够了。如果需要JDBC、JMS等，只能选JMeter或Gatling。
  2. 并发规模：单机5000并发以内，Locust性价比最高。超过5000，考虑Gatling或分布式JMeter。
  3. 团队技术栈：Java团队选JMeter，Python团队选Locust，Scala团队选Gatling。别为了工具换语言，成本太高。
  4. 报告需求：JMeter和Gatling自带HTML报告，Locust需要配合InfluxDB+Grafana。如果客户要求漂亮的报告，Gatling的图表最专业。
  5. 持续集成：JMeter有Maven/Gradle插件，Gatling有sbt插件，Locust可以直接用Python的unittest框架。选跟你们CI/CD流水线集成最方便的。

我的建议：团队至少掌握两个工具。一个轻量级的（wrk或Locust）做快速验证，一个重量级的（JMeter或Gatling）做全链路压测。我自己是「Locust + JMeter」组合，覆盖了90%的场景。

4.4 工具安装与基础配置

这里我给出最常用的安装方式，避免你走弯路。

JMeter 安装配置

# 1. 安装JDK（JMeter需要Java 8+）
sudo apt-get install openjdk-11-jdk

# 2. 下载JMeter
wget https://dlcdn.apache.org//jmeter/binaries/apache-jmeter-5.6.3.tgz
tar -xzf apache-jmeter-5.6.3.tgz -C /opt/

# 3. 配置环境变量
echo 'export JMETER_HOME=/opt/apache-jmeter-5.6.3' >> ~/.bashrc
echo 'export PATH=$JMETER_HOME/bin:$PATH' >> ~/.bashrc
source ~/.bashrc

# 4. 验证安装
jmeter --version
性能调优：JMeter默认堆内存只有512MB，压测时很容易OOM。建议修改jmeter.sh中的HEAP设置：HEAP="-Xms4g -Xmx8g -XX:MaxMetaspaceSize=512m"

Locust 安装配置

# 使用pip安装
pip install locust

# 验证安装
locust --version

# 启动（Web UI模式）
locust -f locustfile.py --host=https://api.example.com

# 启动（无头模式，适合CI/CD）
locust -f locustfile.py --host=https://api.example.com --headless -u 1000 -r 100 --run-time 5m

Gatling 安装配置

# 下载Gatling
wget https://repo1.maven.org/maven2/io/gatling/highcharts/gatling-charts-highcharts-bundle/3.11.5/gatling-charts-highcharts-bundle-3.11.5.zip
unzip gatling-charts-highcharts-bundle-3.11.5.zip -d /opt/

# 进入目录
cd /opt/gatling-charts-highcharts-bundle-3.11.5

# 运行示例压测
./bin/gatling.sh

# 运行自定义压测
./bin/gatling.sh -s com.example.BasicSimulation

wrk 安装配置

# 编译安装（前面已讲）
# 常用参数说明
wrk -t<线程数> -c<连接数> -d<持续时间> <URL>

# 使用Lua脚本定制请求
wrk -t4 -c200 -d30s -s post.lua https://api.example.com/login

嗯，到这里四种工具的安装和基础配置就讲完了。你可能会问：「我到底该先学哪个？」我的建议是：先学Locust，因为它上手快、Python生态好、单机性能强。等你把压测流程跑通了，再根据实际需求去学JMeter或Gatling。

最后送你一句话：工具只是手段，理解系统瓶颈才是目的。别在工具选型上浪费太多时间，先跑起来再说。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →