这是三篇有关 Locust 文章的最后一篇，前两篇请看：
深入浅出 Locust 实现
如何提高 Locust 的压测性能

背景

当我们使用 Locust 做性能压测的时候，压测的过程和展示如下：

其中波动图是非持久化存储的，也就是刷新后，波动图就清空了。尽管 Statistics 中显示的信息比较完整，但是都是瞬时值，并不能体现出时序上的变化。像 Failures、Exceptions、Slaves 分在不同的 tag 查看起来也比较麻烦。Locust 的测试报告也只有简单的 csv 文件，需要下载。

从上面我们可以看到 Locust 虽然提供了跨平台的 web 模式的性能监控和展示，但是有以下明显缺陷：

• rps、平均响应时间波动图没有持久化存储，刷新后便丢失
• 整体统计信息只是表格的形式，不能体现波动时序
• 测试报告过于简陋且只有文字版，只能下载存档

方案

方案其实很多，但为了减少投入成本和最大化利用现用的开源工具，选择以下方案：

Locust + Prometheus + Grafana

简单总结起来就是：

实现一个Locust的prometheus的exporter，将数据导入prometheus，然后使用grafana进行数据展示。

不难发现 Jmeter 在网上有许多类似方案的介绍，但很遗憾的是我没有找到很好实现 Locust 监控平台的方案。

搜索了一圈后发现 boomer 项目下有一个年久失修的 exporter 实现——prometheus_exporter.py, 而且作者并没有提供 grafana 之类的 Dashboard 设置，因此决定基于他的基础上，继续完成整个流程，我将在下面讲述。

Docker 环境

Docker 环境不是必须的，但是用过都说好。我们这次实战是在 docker 中完成的，因为它实在是太方便了，如果你也想快速尝试一下本文的监控平台方案，建议先准备好 docker 环境。

编写 exporter

如 Locust 的官方文档所介绍的 Extending Locust 我们可以扩展 web 端的接口，比如添加一个 /export/prometheus 接口，这样 Prometheus 根据配置定时来拉取 Metric 信息就可以为 Grafana 所用了。这里需要使用 Prometheus 官方提供的 client 库，prometheus_client，来生成符合 Prometheus 规范的 metrics 信息。

在 boomer 原文件的基础上我做了一些修改和优化，在 Readme 中添加了 Exporter 的说明，并提交 Pull Request。由于篇幅原因这里不展示代码了，完整代码（基于 Locust 1.x 版本）可以查看这里prometheus_exporter

为了方便演示，下面编写一个基于 Python 的 locustfile 作为施压端，命名为 demo.py：

#!/usr/bin/env python
# coding: utf-8


"""
    Created by bugVanisher on 2020-03-21
"""
from locust import HttpLocust, TaskSet, task, between

class NoSlowQTaskSet(TaskSet):

    def on_start(self):
        # 登录
        data = {"username": "admin", "password": "admin"}
        self.client.post("/user/login", json=data)

    @task(50)
    def getTables(self):
        r = self.client.get("/newsql/api/getTablesByAppId?appId=1")

    @task(50)
    def get_apps(self):
        r = self.client.get("/user/api/getApps")


class MyLocust(HttpUser):
    task_set = NoSlowQTaskSet
    host = "http://localhost:9528"

我们把 master 跑起来，启动两个 worker。

# 启动master
locust --master -f prometheus_exporter.py

# 启动worker
locust --slave -f demo.py

在没有启动压测前，我们浏览器访问一下

http://127.0.0.1:8089/export/prometheus

返回结果如下：

这是使用 prometheus_client 库默认产生的信息，对我们数据采集没有影响，如果想关注 master 进程可以在 grafana 上创建相应的监控大盘。

接着我们启动 10 个并发用户开始压测，继续访问下上面的地址：

可以看到，locust_stats_avg_content_length、locust_stats_current_rps 等信息都采集到了。

Prometheus 部署

exporter 已经 ready 了，接下来就是把 prometheus 部署起来，拉取 metric 数据了。

1) 准备好了 docker 环境，我们直接把 prometheus 镜像拉下来：

docker pull prom/prometheus

2) 接下来我们创建一个 yml 配置文件，准备覆盖到容器中的/etc/prometheus/prometheus.yml

global:
  scrape_interval:     10s
  evaluation_interval: 10s

scrape_configs:
  - job_name: prometheus
    static_configs:
      - targets: ['localhost:9090']
        labels:
          instance: prometheus

  - job_name: locust

    metrics_path: '/export/prometheus'
    static_configs:
      - targets: ['192.168.1.2:8089']  # 地址修改为实际地址
        labels:
          instance: locust

3) 启动 prometheus，将 9090 端口映射出来，执行命令如下：

docker run -itd -p 9090:9090 -v ~/opt/prometheus/prometheus.yml:/etc/prometheus/prometheus.yml prom/prometheus

接下来我们访问 Prometheus 的 graph 页面，查询下是否有数据了。

http://127.0.0.1:9090/graph

Grafana 部署和配置

1）首先我们需要下载 grafana 的镜像：

docker pull grafana/grafana

2) 启动一个 grafana 容器,将 3000 端口映射出来：

docker run -d -p 3000:3000 grafana/grafana

3）网页端访问 localhost:3000 验证部署成功

4) 选择添加 prometheus 数据源

5) 导入模板

导入模板有几种方式，选择一种方式将dashboard模板导入。

效果展示

经过一系列『折腾』之后，是时候看看效果了。使用 Docker + Locust + Prometheus + Grafana 到底可以搭建怎样的性能监控平台呢？相比 Locust 自带的 Web UI，这样搭建的性能监控平台究竟有什么优势呢？接下来就是展示成果的时候啦！

这个监控方案不仅提供了炫酷好看的图表，还能持久化存储所有压测数据，可以使用 Share Dashboard 功能保存测试结果并分享，相比 Locust 自带的 Web UI，简直太方便！如果结合 boomer，压测性能和压测报告应该也能让老板满意了！

写在最后

关于 Locust 的三篇系列文章，我结合自己的认知和实践终于写完了，对 Locust 的玩法也只是抛砖引玉，但我觉得也足够了，因为有些人已经通过我的分享做了一些东西，比如这篇文章。

以前我不习惯分享交流，喜欢闭门造车，但是从去年开始，我逼着自己去写 GitHub Pages 博客—— bugvanisher,逼着自己除了输入还要输出，去总结，去分享，我明白这才是能够更快成长的方式，共勉~