企业官网建设流程全解析

做网站平台赚钱吗,网站会员整合,公司网站二维码生成器,网页模板dwGatling模拟真实用户行为是抛弃固定脚本#xff0c;引入随机性、动态数据和非固定步骤。需要通过 Random、Feeder 和循环控制来实现。 Random注入不确定性 Gatling的Random对象是模拟用户操作随机性。 随机等待时间 真实用户在操作间会有停顿#xff0c;Gatling通过pause结…Gatling模拟真实用户行为是抛弃固定脚本引入随机性、动态数据和非固定步骤。需要通过 Random、Feeder 和循环控制来实现。Random注入不确定性Gatling的Random对象是模拟用户操作随机性。随机等待时间真实用户在操作间会有停顿Gatling通过pause结合Random来模拟。import scala.concurrent.duration._ // 1. 固定范围均匀分布在2到5秒之间随机暂停单位默认秒 pause(2, 5) // 2. 更专业的指定分布使用Random对象生成 pause(Random.nextInt(5).seconds) // 0-4秒随机整数秒 pause(Random.nextDouble(5).seconds) // 0.0-5.0秒随机浮点数秒 pause(Random.nextGaussian(10, 2).seconds) // 均值10秒标准差2秒的正态分布建议对于浏览列表页等情形使用 uniform对于“思考时间”这种集中在一定范围内的可使用 normalexponential 可用于模拟某些等待事件。随机选择模拟用户非固定的操作途径。import scala.util.Random // 1. 随机选择一项从序列中随机选一个 val randomSearchKeyword Random.shuffle(List(手机, 电脑, 平板, 耳机)).head exec(http(Search_${keyword}) .get(/search) .queryParam(q, randomSearchKeyword)) // 2. 按权重随机选择随机决定树模拟30%的用户点击详情70%继续浏览 randomSwitch( 30.0 - exec(http(View_Detail).get(/detail/${productId})), 70.0 - exec(http(Continue_Browsing).get(/list?page${nextPage})) )Feeder数据驱动和用户身份多样化Feeder是为每个虚拟用户提供独特、真实测试数据的机制。Feeder类型和选择方法CSV Feedercsv(users.csv).circular从CSV读取circular循环用、random随机用、queue用完失败。最常用。JSON FeederjsonFile(data.json).random读取JSON适合嵌套数据结构。JDBC FeederjdbcFeeder(...)从数据库直接读取数据最新但可能给数据库加压。Array/Map FeederArray(Map(foo-bar)).random直接在代码中定义小型数据集灵活。内联JSONjsonUrl([{id:1}]).random测试脚本内嵌数据无需外部文件。文章来源卓码软件测评精彩推荐点击蓝字即可▲软件负载测试▲API自动化测试▲软件测试▲第三方软件测试▲软件性能测试▲软件测试机构用法和性能优化// 1. 数据转换和清洗在Feeder链中即时处理数据 val cleanUserFeeder csv(users.csv) .transform { case (key, value) if (key email) (key, value.toLowerCase) else (key, value) } .circular // 2. 组合Feeder合并用户身份数据和业务数据 val combinedFeeder csv(users.csv).random .and(jsonFile(products.json).random) // 3. 【重点优化】共享Feeder和解耦在Simulation顶层定义避免重复读取 object Feeders { val sharedProductFeeder csv(products.csv).circular } class MySimulation extends Simulation { val scn scenario(Scenario) .feed(Feeders.sharedProductFeeder) // 所有情形共享同一数据源 .exec(...) }循环创建动态用户会话流循环控制操作序列的重复执行方式是模拟用户不断交互的重点。1. 基础循环// 1. 固定次数循环重复执行5次搜索操作 repeat(5) { exec(http(Search).get(/search?qtest)) .pause(1) } // 2. 使用动态变量控制循环每个用户的循环次数不同从Session中取 repeat(${desiredLoopCount}) { // 从Feeder或前置操作中获取变量 exec(...) }2. 高级循环和退出条件// 1. 条件循环while模拟用户“刷到满意为止”的行为 asLongAs(session session(hasFoundTarget).as[Boolean] false) { exec(http(Next_Page).get(/list?page${nextPage})) .pause(2) // 需要在此循环内部的某个操作中可能将 hasFoundTarget 设置为 true .exec(session session.set(hasFoundTarget, Random.nextBoolean())) // 示例随机决定是不是找到 } // 2. 时间条件循环during模拟用户在固定时间段内的不断活动如1分钟内不断操作 during(1 minute) { // 重点during块内的执行总时间会被控制 exec(http(Do_Something).get(/api)) .pause(Random.nextInt(5).seconds) // 每次操作后随机等待 // 注意整个during块的时长 内部所有exec和pause时间的总和直到达到1分钟 } // 3. 永远循环forever模拟长时间在线的用户一般配合 exitHereIfFailed 使用 forever { exec(http(Polling).get(/notifications)) .pause(5 seconds) .exitHereIfFailed // 如果轮询失败则此虚拟用户退出 }实战模拟用户行为融合了上述所有概念的完整示例模拟一个用户从登录到下单的真实、非固定行为。import scala.concurrent.duration._ import io.gatling.core.Predef._ import io.gatling.http.Predef._ import scala.util.Random class AdvancedEcommerceSimulation extends Simulation { // --- 1. 定义Feeder --- // 用户账户数据 val userFeeder csv(data/users.csv).circular // 商品数据随机使用 val productFeeder csv(data/products.csv).random // 搜索重点词随机使用 val keywordFeeder Array( Map(keyword - iPhone), Map(keyword - MacBook), Map(keyword - AirPods) ).random val httpProtocol http.baseUrl(https://api.zmtests.com) // --- 2. 定义情形行为链 --- val scn scenario(Realistic E-commerce User) // A. 用户登录每个虚拟用户从Feeder获取唯一身份 .feed(userFeeder) .exec( http(Login) .post(/login) .formParam(username, ${username}) .formParam(password, ${password}) .check(status.is(200)) .check(jsonPath($.token).saveAs(authToken)) // 保存token供后续使用 ) .pause(Random.nextInt(3).seconds) // 登录后随机短暂停留 // B. 浏览行为随机循环浏览多个页面 .repeat(Random.nextInt(3) 1) { // 浏览1-3个页面 feed(keywordFeeder) .exec( http(Search Product) .get(/search) .queryParam(q, ${keyword}) .header(Authorization, Bearer ${authToken}) .check(jsonPath($.products[0].id).optional.saveAs(firstProductId)) ) .pause(Random.nextDouble(2, 5).seconds) // 浏览搜索结果随机时间 // 随机决定是不是查看第一个商品详情 .randomSwitch( 40.0 - exec( // 40%的概率查看详情 http(View Product Detail) .get(/product/${firstProductId}) .header(Authorization, Bearer ${authToken}) .pause(Random.nextInt(4).seconds) ), 60.0 - exec { session session } // 60%的概率跳过什么都不做 ) } // C. 模拟加购到下单使用条件循环模拟可能放弃的行为 .feed(productFeeder) .exec( http(Add to Cart) .post(/cart) .header(Authorization, Bearer ${authToken}) .body(StringBody({productId: ${productId}, quantity: 1})) .asJson ) .pause(Random.nextGaussian(10, 3).seconds) // “犹豫时间”正态分布 // 条件循环模拟用户可能在结算前反复修改购物车 .asLongAs(session session(abandonCheckout).as[Boolean] false) { exec( http(Checkout Preview) .get(/checkout/preview) .header(Authorization, Bearer ${authToken}) ) .pause(2 seconds) .randomSwitch( 80.0 - exec( // 80%的概率继续下单 http(Confirm Order) .post(/order) .header(Authorization, Bearer ${authToken}) .check(status.is(201)) .exec(session session.set(abandonCheckout, true)) // 订单创建成功退出循环 ), 20.0 - exec( // 20%的概率放弃或修改 randomSwitch( 50.0 - exec(http(Remove Item).delete(/cart/item/1)), // 50%*20%10% 概率删除商品 50.0 - exec { session session.set(abandonCheckout, true) } // 50%*20%10% 概率直接放弃 ) ) ) } // D. 下单后随机浏览或退出 .randomSwitch( 30.0 - exec( // 30%的用户继续浏览其他页面 http(Browse Recommendations) .get(/recommendations) .header(Authorization, Bearer ${authToken}) .pause(Random.nextInt(10).seconds) ), 70.0 - exec( // 70%的用户直接退出 pause(5 seconds) // 退出前的停留 ) ) // --- 3. 设置负载模型 --- setUp( scn.inject( rampUsersPerSec(1).to(10).during(2 minutes), // 2分钟内逐渐增加到每秒10个用户 constantUsersPerSec(10).during(5 minutes) // 然后保持10用户/秒不断5分钟 ) ).protocols(httpProtocol) }建议和规避Session状态管理陷阱在repeat、during内部使用 .feed(feeder.random) 可能导致每次迭代使用不同的Feeder数据破坏情形连续性。正确做法如果需要在循环内使用同一用户的不同数据就像一个用户查多个商品应在循环外部 .feed 一次在循环内部使用 ${变量} 引用如果需要在循环内使用全新数据如每次搜索新重点词则需在循环内 .feed。循环和时间的准确控制during和foreverduring保证总执行时间不超过指定时长而forever会无限循环一般需要配合 exitHereIfFailed或全局时间限制。负载精确在during块内Gatling只控制第一个虚拟用户进入和最后一个虚拟用户退出的时间差不保证每个用户在整个期间不断活动。更精确的不断负载需靠inject注入方法控制。随机性和可重复性调试在脚本开发阶段使用 Random.setSeed(123L) 固定随机数种子使每次运行结果可复现。生产压测移除种子保证真正的随机性。Gatling通过Random模拟微观不确定性通过Feeder提供宏观数据多样性再通过循环和条件思路将这些元素编织成动态、真实的用户会话流。