Jmeter测试普通java类说明

概述

         Apache JMeter是Apache组织开发的基于Java的压力测试工具。本文档主要描述用Jmeter工具对基于Dubbo、Zookeeper框架的Cassandra接口、区块链接口进行压力测试的一些说明,为以后类似接口的测试提供参考。

环境部署

1、  下载Jmeter工具apache-jmeter-3.3.zip:

http://jmeter.apache.org/download_jmeter.cgi

2、  解压apache-jmeter-3.3.zip;

3、  运行bin目录下的jmeter.bat,就可以看到Jmeter测试界面(Linux环境请运行jmeter.sh)。如下图所示:

测试流程

1、  打开Jmeter工具,在【测试计划】下面添加【线程组】,如下如图所示:

 

2、  在【线程组】下面添加【java请求】,如下图所示

3、  在【线程组】下面继续添加【察看结果数】和聚合报告,如下图所示

 

4、  接下来在我们的consumer工程中,用maven引入Jmeter依赖的jar包,在pom.xml文件加入如下几行代码:

   <dependency>

        <groupId>org.apache.jmeter</groupId>

        <artifactId>ApacheJMeter_core</artifactId>

        <version>3.0</version>

    </dependency>

             <dependency>

                 <groupId>org.apache.jmeter</groupId>

               <artifactId>ApacheJMeter_java</artifactId>

             <version>3.0</version>

</dependency>

5、  加好之后,用Maven编译consumer工程,编译成功后,会在工程中引入如下两个Jmeter jar包:

6、  编写Jmeter测试用例,需要继承AbstractJavaSamplerClient类,这个步骤很重要,写好之后,后续导出xxx.jar包后,Jmeter界面使用这个测试用例进行压力测试,下面附上详细代码

public class JMeterTestSign extends AbstractJavaSamplerClient {
    private String resultData ; //写入结果树时使用
    private SampleResult results;
    //提供给jmeter的对外参数,可修改
    String value;
    String type;

    /**
     * 测试方法运行之前的工作(初始化记录结果;从参数列表中获取对应变)
     * @param arg0
     */
    @Override
    public void setupTest(JavaSamplerContext arg0) {
        results = new SampleResult();
        value = arg0.getParameter("value");
        type = arg0.getParameter("type");
    }

    /**
     * 获取默认参数以及参数值
     * @return
     */
    @Override
    public Arguments getDefaultParameters() {
        Arguments params = new Arguments();
        String value = "1234567890";
        params.addArgument("value", value);
        params.addArgument("type", "ec");
        return params;
    }

    /**
     * 运行测试方法(初始化记录结果,设定开始/结束记录时间,测试调用Service的主方法,测试成功与否的判断方法)
     * @param arg0
     * @return
     */
    public SampleResult runTest(JavaSamplerContext arg0) {
        results = new SampleResult();//初始化记录结果
        results.sampleStart();//计时开始
        /*测试方法,此处写自己的测试方法进行调用*/
        try {

// 下面的一行为自定义方法,可以测试自己的方法
            String signature = EccService.sign(value, type);
            results.sampleEnd();//计时结束
            //判断测试成功与否的方法:可根据实际进行判断,此处为如果没有抛出异常,则认为该次调用成功
            results.setSuccessful(true);
            //将结果写入结果树:在JMeter的监听器-查看结果树时即可查看返回结果
            resultData = signature;
            results.setResponseData("结果是:"+resultData ,null);
            results.setDataType(SampleResult. TEXT);
            return results;
        } catch (InvalidKeySpecException e) {
            results.setSuccessful(false);
            e.printStackTrace();
            return results;
        } catch (IOException e) {
            results.setSuccessful(false);
            e.printStackTrace();
            return results;
        } catch (CryptoException e) {
            results.setSuccessful(false);
            //将结果写入结果树:在jmeter的监听器-查看结果树时即可查看返回结果
            resultData += false;
            results.setResponseData("结果是:"+resultData ,null);
            results.setDataType(SampleResult. TEXT);
            e.printStackTrace();
        }
        return results;
    }

    /**
     * 获取jmeter输入的参数值
     *
     * @return
     */
    public void setValues(JavaSamplerContext arg0) {
        value = arg0.getParameter("value", value);
        type = arg0.getParameter("type", type);
    }
    @Override
    public void teardownTest(JavaSamplerContext context) {

    }
}

7、  编写好测试用例后,将工程导出为一个jar包:

Maven build或者maven package都可以

8、  将导出的jar包,拷贝到Jmeter安装目录的lib/ext子目录下

9、  在Jmeter测试计划主界面,点击【浏览】,选择本次Jmeter测试用例所依赖的jar包目录(右键工程,选择maven build,在goals中输入dependency:copy-dependencie命令并执行,把所有jar包放到某个目录下)

注:maven导出所有依赖的jar包,也可以在pom文件中添加配置

<build>

        <plugins>

            <plugin>

                <groupId>org.apache.maven.plugins</groupId>

                <artifactId>maven-dependency-plugin</artifactId>

                <executions>

                    <execution>

                        <id>copy</id>

                        <phase>package</phase>

                        <goals>

                            <goal>copy-dependencies</goal>

                        </goals>

                        <configuration>

                            <outputDirectory>${project.build.directory}/lib</outputDirectory>

                        </configuration>

                    </execution>

                </executions>

            </plugin>

        </plugins>

    </build>

12、    点击【线程组】,在主界面中输入【线程数】:需要多少并发量就写多少个,其他都写1

13、   再点击【Java请求】,在主界面中,【类名称】选择’ com.foriseland.fas.cassandra.jmeter.TestConsumer’;并在下方输入自定义的参数,如下如图所示:

14、              以上这些操作完成后,保存退出,并重启Jmeter,然后就可以对其进行压力测试了。

转载于:https://www.cnblogs.com/alan319/p/9111466.html

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/389540.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

opencv:Canny边缘检测算法思想及实现

Canny边缘检测算法背景 求边缘幅度的算法&#xff1a; 一阶导数&#xff1a;sobel、Roberts、prewitt等算子 二阶导数&#xff1a;Laplacian、Canny算子 Canny算子效果比其他的都要好&#xff0c;但是实现起来有点麻烦 Canny边缘检测算法的优势&#xff1a; Canny是目前最优…

opencv:畸变矫正:透视变换算法的思想与实现

畸变矫正 注意&#xff1a;虽然能够成功矫正但是也会损失了部分图像&#xff01; 透视变换(Perspective Transformation) 概念&#xff1a; 透视变换是将图片投影到一个新的视平面(Viewing Plane)&#xff0c;也称作投影映射(Projective Mapping)。 我们常说的仿射变换是透视…

数据多重共线性_多重共线性对您的数据科学项目的影响比您所知道的要多

数据多重共线性Multicollinearity is likely far down on a mental list of things to check for, if it is on a list at all. This does, however, appear almost always in real-life datasets, and it’s important to be aware of how to address it.多重共线性可能根本不…

K-Means聚类算法思想及实现

K-Means聚类概念&#xff1a; K-Means聚类是最常用的聚类算法&#xff0c;最初起源于信号处理&#xff0c;其目标是将数据点划分为K个类簇&#xff0c; 找到每个簇的中心并使其度量最小化。 该算法的最大优点是简单、便于理解&#xff0c;运算速度较快&#xff0c;缺点是只能应…

(2.1)DDL增强功能-数据类型、同义词、分区表

1.数据类型 &#xff08;1&#xff09;常用数据类型  1.整数类型 int 存储范围是-2,147,483,648到2,147,483,647之间的整数&#xff0c;主键列常设置此类型。 &#xff08;每个数值占用 4字节&#xff09; smallint 存储范围是-32,768 到 32,767 之间的整数&#xff0c;用…

充分利用昂贵的分析

By Noor Malik努尔马利克(Noor Malik) Let’s say you write a query in Deephaven which performs a lengthy and expensive analysis, resulting in a live table. For example, in a previous project, I wrote a query which pulled data from an RSS feed to create a li…

层次聚类和密度聚类思想及实现

层次聚类 层次聚类的概念&#xff1a; 层次聚类是一种很直观的算法。顾名思义就是要一层一层地进行聚类。 层次法&#xff08;Hierarchicalmethods&#xff09;先计算样本之间的距离。每次将距离最近的点合并到同一个类。然后&#xff0c;再 计算类与类之间的距离&#xff0…

通配符 或 怎么浓_浓咖啡的咖啡渣新鲜度

通配符 或 怎么浓How long could you wait to brew espresso after grinding? Ask a barista, any barista, and I suspect their answer is immediately or within a few minutes. The common knowledge on coffee grounds freshness is that after 30 minutes or so, coffee…

《netty入门与实战》笔记-02:服务端启动流程

为什么80%的码农都做不了架构师&#xff1f;>>> 1.服务端启动流程 这一小节&#xff0c;我们来学习一下如何使用 Netty 来启动一个服务端应用程序&#xff0c;以下是服务端启动的一个非常精简的 Demo: NettyServer.java public class NettyServer {public static v…

谱聚类思想及实现

&#xff08;这个我也没有怎么懂&#xff0c;为了防止以后能用上&#xff0c;还是记录下来&#xff09; 谱聚类 注意&#xff1a;谱聚类核心聚类算法还是K-means 算法进行聚类~ 谱聚类的实现过程&#xff1a; 1.根据数据构造一个 图结构&#xff08;Graph&#xff09; &…

Tengine HTTPS原理解析、实践与调试【转】

本文邀请阿里云CDN HTTPS技术专家金九&#xff0c;分享Tengine的一些HTTPS实践经验。内容主要有四个方面&#xff1a;HTTPS趋势、HTTPS基础、HTTPS实践、HTTPS调试。 一、HTTPS趋势 这一章节主要介绍近几年和未来HTTPS的趋势&#xff0c;包括两大浏览器chrome和firefox对HTTPS的…

opencv:SIFT——尺度不变特征变换

SIFT概念&#xff1a; Sift&#xff08;尺度不变特征变换&#xff09;&#xff0c;全称是Scale Invariant Feature Transform Sift提取图像的局部特征&#xff0c;在尺度空间寻找极值点&#xff0c;并提取出其位置、尺度、方向信息。 Sfit的应用范围包括 物体辨别、机器人地图…

pca(主成分分析技术)_主成分分析技巧

pca(主成分分析技术)介绍 (Introduction) Principal Component Analysis (PCA) is an unsupervised technique for dimensionality reduction.主成分分析(PCA)是一种无监督的降维技术。 What is dimensionality reduction?什么是降维&#xff1f; Let us start with an exam…

npm link run npm script

npm link & run npm script https://blog.csdn.net/juhaotian/article/details/78672390 npm link命令可以将一个任意位置的npm包链接到全局执行环境&#xff0c;从而在任意位置使用命令行都可以直接运行该npm包。 app-cmd.cmd #!/usr/bin/env nodeecho "666" &a…

一文详解java中对JVM的深度解析、调优工具、垃圾回收

2019独角兽企业重金招聘Python工程师标准>>> jvm监控分析工具一般分为两类&#xff0c;一种是jdk自带的工具&#xff0c;一种是第三方的分析工具。jdk自带工具一般在jdk bin目录下面&#xff0c;以exe的形式直接点击就可以使用&#xff0c;其中包含分析工具已经很强…

借用继承_博物馆正在数字化,并在此过程中从数据中借用

借用继承Data visualization is a great way to celebrate our favorite pieces of art as well as reveal connections and ideas that were previously invisible. More importantly, it’s a fun way to connect things we love — visualizing data and kicking up our fee…

高斯噪声,椒盐噪声的思想及多种噪声的实现

图像噪声&#xff1a; 概念&#xff1a; • 图像噪声是图像在获取或是传输过程中受到随机信号干扰&#xff0c;妨碍人们对图像理解及分析处理 的信号。 • 很多时候将图像噪声看做多维随机过程&#xff0c;因而描述噪声的方法完全可以借用随机过程的描述&#xff0c; 也就是使…

如何识别媒体偏见_描述性语言理解,以识别文本中的潜在偏见

如何识别媒体偏见TGumGum can do to bring change by utilizing our Natural Language Processing technology to shed light on potential bias that websites may have in their content. The ideas and techniques shared in this blog are a result of the GumGum Hackatho…

分享 : 警惕MySQL运维陷阱:基于MyCat的伪分布式架构

分布式数据库已经进入了全面快速发展阶段。这种发展是与时俱进的&#xff0c;与人的需求分不开&#xff0c;因为现在信息时代的高速发展&#xff0c;导致数据量和交易量越来越大。这种现象首先导致的就是存储瓶颈&#xff0c;因为MySQL数据库实质上还是一个单机版本的数据库&am…

数据不平衡处理_如何处理多类不平衡数据说不可以

数据不平衡处理重点 (Top highlight)One of the common problems in Machine Learning is handling the imbalanced data, in which there is a highly disproportionate in the target classes.机器学习中的常见问题之一是处理不平衡的数据&#xff0c;其中目标类别的比例非常…