要做接口并发性能测试，总得先学会分析吧！

最新推荐文章于 2024-07-08 19:51:44 发布

软件测试山月

最新推荐文章于 2024-07-08 19:51:44 发布

阅读量1.1k

点赞数 26

文章标签： python 压力测试单元测试软件测试自动化测试

本文链接：https://blog.csdn.net/qq_56271699/article/details/135875916

版权

🔥 交流讨论：欢迎加入我们一起学习！

🔥 资源分享：耗时200+小时精选的「软件测试」资料包

🔥 教程推荐：火遍全网的《软件测试》教程

📢欢迎点赞 👍 收藏 ⭐留言 📝 如有错误敬请指正！

引言

这篇是我3月份在公司内部做的技术分享内容，由于我在公司内部分享的内容较多以及一些特殊性，我摘取了接口并发测试从设计思路整理→测试方案设计→设计分析→代码编写这套流程（我不会承认我把40多页PPT的内容都放在这篇博文里）。

不管是在内部技术分享，还是对个人的培训中，都发现：很多人并不清楚接口并发测试的整体流程，或者说，并没有参与过整个流程。

所以，我把这部分内容摘取出来、分享出来，就是为了能让大家在测试开发的道路上越走越远！

接下来，就开始今天的分享，来看看接口并发性能测试是怎样的分析流程。

并发测试定义

目的

是以并发为手段进行接口测试行为，通过测试行为发现接口在并发场景下导致的功能问题。

类型

①点层面上：同一时间做某件事。

例：早上7:30 ，所有的学生都升国旗。

②线层面上：一个时间做不同的事，但同时对服务器产生压力。

例：一个时间点，有的学生跳皮筋、有的玩足球。

敲黑板：并发测试不等同于性能测试，性能测试也只是并发测试的一个小类。

并发测试分类

功能并发测试

解析：要先进行测试单业务功能场景的并发测试，再进行混合业务功能场景的并发测试。

目的：为验证系统功能是否符合需求规格说明书的要求。

性能并发测试

解析：同时满足某些系统性能指标的前提下，让被测对象承担不同的工作量，以评估被测对象的最大处理能力及是否存在缺陷。

目的：为验证系统性能指标是否符合需求规格说明书的要求。

稳定性并发测试

解析：判断测试系统的长期稳定运行的能力。

目的：为验证系统稳定性是否符合需求规格说明书的要求。

异常性并发测试

解析：模拟系统在较差、异常资源配置下运行，以评估被测对象在资源不足的情况下的工作状态。

目的：为验证系统的异常响应机制是否满足需求规格说明书的要求。

设计思路整理

需求分析

①首先找到并发测试对象，了解需求测试的功能有哪些，可以按照业务功能整理，不必深入细节。

②其次描述测试对象的重要性，如要求严格质量的核心功能、高频使用功能、占用系统资源较多的功能等。

③最后进行测试对象拆分，比如购买商品可以拆分成：搜索商品、锁定库存、提交订单、发送支付指令、接受处理支付结果、业务流水、短信及站内信通知、VX推送结果等。

环境需求分析

明确重点测试对象，预先设置基础数据及大量历史数据、模拟真实环境。

性能指标需求分析

分析性能指标是否合理。可以从历史数据的这几个方面考虑：TPS、页面访问量、并发请求数等，从而来判断需求指标是否合理，安排优先级。

测试方案设计
测试策略

并发测试的准备工作：请求顺序、请求之间互相调用关系、数据流向、有没有调用外部系统等后，需要明确重点测试对象，预先设置基础数据及大量历史数据，模拟真实环境等。

测试策略执行，一般涉及以下4个阶段：

①对于功能并发测试：要先进行测试单业务功能场景的并发测试，再进行混合业务功能场景的并发测试；

②对于性能并发测试：同时满足某些系统性能指标的前提下，让被测对象承担不同的工作量，以评估被测对象的最大处理能力及是否存在缺陷；

③对于稳定性并发测试：判断测试系统的长期稳定运行的能力。该策略强度较小，一般趋向于客户现场日常状态下的压力强度；

④对于异常性并发测试：模拟系统在较差、异常资源配置下运行，如人为降低系统工作环境所需要的的资源，网络带宽、系统内存、数据帧等，以评估在资源不足情况下的工作状态。

总结：不同的测试阶段，测试人员关注的测试目的也是不同。所以对测试人员来说，测试思想才是最重要，有了测试思想，才会有好的测试方案。

测试方案
以两轮测试为例：

第一轮测试，以接口文档驱动测试，测试步骤及要点如下：

①编写接口测试代码：核对每个接口传入参数控制：长度限制、格式、必填项限制、正常值范围限制等。同时，确认报错提示信息是否准确、到位；

②异常数据测试：如渠道值设置负数、属性设置不存在、网络断开、数据库锁表等情况，检查数据是否出现异常；

③逐个接口进行并发事务测试：检查账户金额，用户流水、对账流水数据。核对数据的与用例调用结果是否一致；

④复合接口并发测试：将各种充值、交易类型的接口按照一定的顺序进行并发，校验账户收支金额、流水是否与用例调用结果是否一致。

第二轮测试，以业务场景驱动测试，测试步骤及要点如下：

①统一动作并发：相同订单并发支付，并发退款；

②混合交易场景：秒杀抢购，集中退货、到货确认；

③绕过页面操作：通过抓包，抛送异常值进行交易测试。

指标分析
整理并发需求

需求内容：中午和晚上是订餐的高峰期，所以会有很大的并发订单量。为了保证订单成功率、响应速度等因素，我们要对高峰期的订单量进行并发性能测试。

性能指标需求：

① 打开速度<3s，订单提交成功<5s；

②订单成功率达到99.5%以上；

③在100个并发用户的高峰期，订单处理能力至少达到900TPS。

提取性能指标
以100个外卖订单为例，需要提取的并发指标：

①并发订单数

②成功订单数

③成功订单响应时间

④订单成功率

⑤成功订单的总响应时间

⑥成功订单的平均响应时间

⑦Tps

性能指标分析

①并发订单数：即自定义的并发数，把并发100次，设置为10个线程，每个循环10次；

②成功订单数：就是获取响应值为成功的请求，先定义一个success_count ，初始值为0，如果成功的话执行+1；

③订单成功率：成功订单数/总的订单数成功；

④订单总响应时间：每个成功订单的响应时间之和，所以我们定义一个sum_time，初始值为0.00，然后把每次成功的响应时间加起来成功；

⑤订单平均响应时间：成功订单总响应时间/成功订单数；

⑥TPS：成功并发数/成功订单平均响应时间；

⑦订单响应时间：在请求之前，获取一次时间，在断言成功之后，再次获取一次时间，这样二者之差，就是订单的响应时间。

代码实战
咱们还是老规矩，直接上代码，在代码中做分析：

# -*- coding: utf-8 -*-
"""
@ auth : carl_DJ
@ time : 2021-3-6
"""


import hashlib
import threading
from time import *
from datetime import datetime,timedelta
import requests
import json



'''初始化全局变量'''


#自定义全局变量需要的线程数,10
thread_num = 10
#自定义全局变量每个线程需要循环的数量,10
one_worker_num = 10
#设定最开始的总时间
sum_time = 0.00
#设定最开始的成功连接数
success_count = 0


''' 后台登录常规操作'''


username = 'carldj'
password = hashlib.md5(b'123456').hexdigest()  #设置密码，且是md5加密方式
url = "http://www.xxx.com/energy/user/login/"
form_data = {"username":username,"password":password}
login_response = requests.post(url,data=form_data)
c = login_response.cookies


 '''订单发送请求'''


def order():
    #引用全局变量
    global c
    global sum_time
    global success_count
    #获取执行发送订单请求前时间
    t1 = time()
    #设定url、form_data进行创建订单
    url1 = "http://www.xxx.com/energy/create_order/"
    from_data1 = {"restaurant_id":1136,
                  "menu_item_total":'12.00',
                  "menu_item_data": [{'id':2667868,'p':22,'q':3}]
                  }
    make_responst = requests.post(url1,data=from_data1,cookies = c)
    #获取请求结果
    res = make_responst.text
    #结果转换成字典赋值给变量id
    id = json.loads(res)['order_id']
    #断言判断是否提交成功
    assert  id != " "
    su_time =datetime.now()+ timedelta(hours=1)
    
    #设定url、form_data进行生成订单
    url2 = "http://www.xxx.com/energy/place_order/"
    from_data2 = {"restaurant_id": id,
                  "customer_name": 'carl_dj',
                  "mobile_number":username,
                  "delivery_address":"address message",
                  "pay_type":'cash',
                  "preorder":su_time
                  }
    place_responst = requests.post(url2, data=from_data2, cookies=c)
    res = place_responst.text
    #追加断言，判断结果是否有"success"，有的话，说明订餐成功
    assert res == " success"
    print("订餐成功")
    #订单成功后，再次获取一下时间
    t2 = time()
    #获取订单的响应时间
    res_time = t2-t1
    #把响应时间写入txt文件
    result = open("E:\Private Folder\res.txt","a")  #路径直接写死，也可用os.path 来写路径
    result.write("成功订单响应时间：" + str(res_time)+ '\n')
    result.close()


    #也可以使用with打开文件，好处是不用关心文件是否关闭
    # with open ("E:\Private Folder\res.txt","a") as result1:
        # print(result1.read())


    #把每次成功订单数累加到全局变量sum_time中
    sum_time  = sum_time + res_time
    #把每次获取的成功订单数做累加，添加到全局变量success_count中
    success_count = success_count +1


'''嵌套指定循环次数的order()函数'''


def working()
    global one_worker_num
    for i in range(0,one_worker_num):
        order()


 '''自定义main（）函数，来执行多线程'''
def main():
    global thread_num
    #自定义一个空的数组，用来存放线程组
    threads = []
    #设置循环次数
    for i in range(thread_num):
        #将working()函数存放到线程中
        t = threading.Thread(target=working,name="T"+ str(i))
        #设定守护线程
        t.setDaemon(True)
        threads.append(t)
    #启动循环执行
    for t in threads:
        t.start()
    ##设置阻塞线程
    for t in threads:
        t.join()


if __name__ == "__main__":
    main()
    total_order = thread_num*one_worker_num
    avg_time = sum_time/success_count
    '''执行完之后，需要把数据写入到txt文件中'''
    #订单并发总数
    result.write("并发订单数："+ str(total_order)+ "\n")
    #成功并发数
    result.write("成功并发数："+ str(success_count) + "\n")
    #订单成功率
    result.write("订单成功率："+ str(success_count/total_order*100)+ "%" + "\n")
    #成功订单响应时间
    result.write("成功订单总响应时间："+ str(sum_time)+"\n")
    #成功订单平均响应时间
    result.write("成功平均响应时间："+str(sum_time/success_count)+"\n")
    #TPS事务数/秒
    result.write("TPS:"+str(success_count/avg_time) + "\n")  #tps = 并发成功数/平均响应时间
    result.close()