k6 性能测试可视化完整指南：从压测数据到上线决策的 4 步路径-开发者社区

k6 性能测试可视化完整指南：从压测数据到上线决策的 4 步路径

【免费下载链接】k6A modern load testing tool, using Go and JavaScript项目地址: https://gitcode.com/GitHub_Trending/k6/k6

压测报告交上去了，老板问："p99 到底能不能扛住大促？"团队翻着一堆数字面面相觑——跑是跑完了，可谁也没法用它做决定。问题的根子不在压测本身，而在缺少一条从原始数据到可读结论的链路。这篇文章把 k6 性能测试可视化拆成一条"数据决策链"：先把指标采全、把数据落地、把图看懂、用阈值下判断，最后给你三步就能复现的完整操作。

上图是 k6 的分布式执行架构：一个 Coordinator 通过 gRPC 同步 API 把事件分发给多个 Agent，压测可以横向扩到多台机器，采到的数据因此才撑得起真实业务量。

先把数据采全：内置指标与自定义指标怎么配

可视化的起点是数据采得够不够。k6 的指标体系分两层。

内置指标开箱即用，覆盖 HTTP、WebSocket、gRPC 和系统层，定义在 metrics/builtin.go：

http_req_duration：HTTP 响应耗时（Trend 类型，自带 avg / p(95) / p(99) 等统计）
http_req_blocked / connecting / tls_handshaking / sending / waiting / receiving：一次请求被拆成 6 个阶段，慢在哪一步一眼可见
http_req_failed：失败率
vus/iterations/iteration_duration：虚拟用户规模与迭代节奏
data_sent / data_received：网络吞吐

自定义指标补业务盲区。在脚本里用四种类型声明（示例见 examples/custom_metrics.js）：

import { Counter, Gauge, Rate, Trend } from "k6/metrics"; const loginSuccess = new Rate("login_success"); // 登录成功率 const cartSize = new Gauge("cart_size"); // 购物车商品数 const pageDuration = new Trend("page_duration"); // 页面打开耗时

Counter 累加总量，Gauge 记录瞬时值，Rate 算占比，Trend 保留全部样本做分布统计。

采全的原则很简单：内置指标回答"系统慢不慢"，自定义指标回答"业务对不对"。两层都进数据管道，后面的图表才有东西可画。

让数据落地：输出格式、生态集成与本地 dashboard

数据采完要能存、能查。k6 的输出管道在 internal/output/ 下，每种格式一个独立 handler：

JSON：逐条样本写文件，适合脚本化二次分析——internal/output/json/
CSV：直接进电子表格，适合非技术同学——internal/output/csv/
InfluxDB + Grafana：写入时序数据库，配现成仪表板就是专业监控台——internal/output/influxdb/
Prometheus Remote Write：接入现有 Prometheus/Grafana 监控体系——internal/output/prometheusrw/
OpenTelemetry：走标准 OTel 协议上报——internal/output/opentelemetry/

另外不指定输出时，k6 默认跑完打印一份 summary 统计（internal/output/summary/），这是最轻的落地方式。选哪个取决于场景：一次性排查用 JSON/CSV，长期趋势看 InfluxDB 或 Prometheus，已有监控栈就接 OTel。

把数据看明白：从本地看板到专业仪表板的可视化路径

数据落地后，看的方式分三档，按需递进。

第一档：终端实时输出。压测过程中 k6 在命令行持续刷新 VU 数、请求速率和耗时分布，异常立刻可见：

第二档：本地 dashboard 扩展。加一个参数，本地 Web 界面自动跟着测试走：

k6 run --out dashboard script.js

浏览器打开后就是随时间变化的实时曲线，响应时间、错误率、VU 水位不用等测试结束。实现代码在 internal/dashboard/。

第三档：Grafana 专业仪表板。用--out influxdb=...把数据写进 InfluxDB，再导入仓库自带的官方仪表板模板 examples/grafana_dashboard_influxdb.json，面板、阈值线一次配好。仓库里还给了整套 docker-compose 环境，examples/docker-compose/influxdb-v1/README.md 里两条命令就能拉起来联调。三档之间不冲突：本地看板看过程，Grafana 存历史、做版本对比。

让数据会说话：阈值、性能基准与决策实践

图表看得再多，最后还是要落到判断上。k6 的阈值机制把"可接受"写进代码：在options.thresholds里给指标配 JS 表达式，一旦越界，进程以非零退出码结束，CI 直接判失败。完整写法见 examples/thresholds.js：

export const options = { thresholds: { http_req_duration: ["p(95) < 500"], // 全局 p95 不超 500ms "http_req_duration{name:/api/order}": ["p(99) < 800"] // 下单接口单独更严 }, };

基于此可以沉淀三件决策资产：

性能基准：每次发版跑同一个脚本，把 p(95)/p(99) 存进 InfluxDB，仪表板上画成跨版本曲线，回归与否一目了然；
接口分级：核心链路（下单、支付）用更严的 p(99) 阈值，次要页面放宽到 avg，避免一刀切；
发布门禁：阈值挂到 CI，压测不过不发版，把"能不能上线"从拍脑袋变成看退出码。

阈值不是越小越好，而是对齐业务承诺（SLO）。先定目标，再写表达式。

三步跑通一条完整链路：最短可复现步骤

把上面串起来，实际动手只需三步。

第 1 步：装 k6。从 Releases 下载对应平台的二进制，解压后即可运行；仓库也提供 Dockerfile 和 packaging/ 下的打包配置。

第 2 步：写一个最小脚本。一个接口、一段断言、一组阈值：

import http from "k6/http"; import { check, sleep } from "k6"; export const options = { vus: 10, duration: "30s", thresholds: { http_req_duration: ["p(95) < 1000"] }, }; export default function () { const res = http.get("https://test-api.k6.io/"); check(res, { "status is 200": (r) => r.status === 200 }); sleep(1); }

第 3 步：挑一条可视化路径执行。

k6 run --out dashboard script.js # 本地实时看板 k6 run --out json=results.json script.js # 存下来二次分析 k6 run --out influxdb=http://localhost:8086/k6 script.js # 写进 Grafana

跑完得到三样东西：终端里的 summary 统计、退出码（阈值过没过）、以及你选中的那份可视化产物。想深入协议细节可以看 examples/ 下的 HTTP、WebSocket、gRPC 全套示例脚本。

采全、落地、看懂、判断——链路通了，性能数据就不再是一堆数字，而是每次发布前都能直接引用的决策依据。用性能数据驱动决策，从把这条链路跑通开始。

【免费下载链接】k6A modern load testing tool, using Go and JavaScript项目地址: https://gitcode.com/GitHub_Trending/k6/k6

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考