第2节：项目性能优化（中）-开发者社区

Jmeter插件使用

首先我们安装完插件配置后，要在插件中心安装这两个插件

下载成功后出现以下结果：

响应时间

响应时间：jp@gc - Response Times Over Time

活动线程数

活动线程数：jp@gc - Active Threads Over Time

每秒事务数

每秒事务数：jp@gc - Transactions per Second

RT（响应时间）

- 平均值：332ms
- P50（中位数）：8ms 内
- P90：514ms 内
- P95：1051ms 内
- P99：6797ms 内
- 最小值：2ms
- 最大值：35s

压力机活动线程数

- 代表压测过程中施加的压力情况

TPS（每秒事务数）

- 数值越大，性能越好

QPS（每秒查询数量）

- 数值越大，性能越好
- （TPS >= QPS）

吞吐量（每秒请求数量）

- 数值越大，性能越好

压测监控平台

压测平台架构图：

Docker环境配置

首先我们需要配置docker环境

# 1.更新yum包 sudo yum update -y # 2.安装软件包 sudo yum install -y yum-utils device-mapper-persistent-data lvm2 # 3.设置yum源为阿里云 sudo yum-config-manager --add-repo http://mirrors.aliyun.com/docker-ce/linux/centos/docker-ce.repo # 4.安装docker sudo yum install docker-ce # 5.检查docker版本 docker -v

安装InfluxDB

# 1.下载镜像 docker pull influxdb:1.8 # 2.启动容器 docker run -d --name influxdb -p 8086:8086 -p 8083:8083 influxdb:1.8 # 3.进入容器创建jmeter数据库 docker exec -it influxdb /bin/bash

操作influxDB

# 进入操作界面 influx # 创建数据库 create database jmeter # 查看数据库是否创建成功 show databases

创建完的结果为

Connected to http://localhost:8086 version 1.8.10 InfluxDB shell version: 1.8.10 > create database jmeter > show databases name: databases name ---- _internal jmeter >

使用influxDB

# 使用jmeter库 use jmeter # 查询数据库中的数据 select * from jmeter

设置Jmeter脚本后置监听器

influxdbUrl：需要改为自己influxdb的部署ip和映射端口，我这里是部署在阿里云服务器，所以就是47.93.59.248，口是容器启动时映射的8086端口，db后面跟的是刚才创建的数据库名称
application：可根据需要自由定义，只是注意后面在 grafana 中选对即可
measurement：表名，默认是 jmeter ，也可以自定义
summaryOnly：选择true的话就只有总体的数据。false会记录总体数据，然后再将每个transaction都分别记录
samplersRegex：样本正则表达式，将匹配的样本发送到数据库
percentiles：响应时间的百分位P90、P95、P99
testTitle：events表中的text字段的内容
eventTags：任务标签，配合Grafana一起使用

然后我们启动压测工具，再查看数据库表，发现出现以下结构

安装Grafana

# 1.下载Grafana镜像 docker pull grafana/grafana # 2.启动Grafana容器 docker run -d --name grafana -p 3000:3000 grafana/grafana

访问连接：http://guslegend:3000/login，默认用户名/密码：admin/admin

选择添加数据源

导入模版

直接输入模版id号；
上传模版json文件；
输入模版json内容；

在Grafana的官网找到我们需要的展示模板

Apache JMeter Dashboard

- dashboad-ID：5496

JMeter Dashboard(3.2 and up)

- dashboad-ID：3351

启动压测工具，查看结果

安装node_exporter

# 下载 wget -c https://github.com/prometheus/node_exporter/releases/download/v0.18.1/node_exporter-0.18.1.linux-amd64.tar.gz # 解压 tar zxvf node_exporter-0.18.1.linux-amd64.tar.gz -C /usr/local/hero/ # 启动 cd /usr/local/hero/node_exporter-0.18.1.linux-amd64 nohup ./node_exporter > node.log 2>&1 &

安装Prometheus

# 下载 wget -c https://github.com/prometheus/prometheus/releases/download/v2.15.1/prometheus-2.15.1.linux-amd64.tar.gz # 解压 mkdir /usr/local/hero/ tar zxvf prometheus-2.15.2.linux-amd64.tar.gz -C /usr/local/hero/ cd prometheus-2.15.2.linux-amd64 # 运行 nohup ./prometheus > prometheus.log 2>&1 &

配置prometheus.yml文件

# my global config global: scrape_interval: 15s # Set the scrape interval to every 15 seconds. Default is every 1 minute. evaluation_interval: 15s # Evaluate rules every 15 seconds. The default is every 1 minute. # scrape_timeout is set to the global default (10s). # Alertmanager configuration alerting: alertmanagers: - static_configs: - targets: # - alertmanager:9093 # Load rules once and periodically evaluate them according to the global 'evaluation_interval'. rule_files: # - "first_rules.yml" # - "second_rules.yml" # A scrape configuration containing exactly one endpoint to scrape: # Here it's Prometheus itself. scrape_configs: # The job name is added as a label `job=<job_name>` to any timeseries scraped from this config. - job_name: 'hero-Linux' static_configs: - targets: ['172.17.0.1:9100','172.17.0.1:9100','172.17.0.1:9100']

访问：http://guslegend:9090/graph

在Grafana中配置Prometheus的数据源

导入Linux系统dashboard