Вы тестировщик QA и хотите погрузиться в тестирование производительности без необходимости обширных знаний в области программирования? В этой статье мы рассмотрим доступный для непрограммистов способ проведения своего рода нагрузочного тестирования API облачных приложений с использованием   . Нагрузочное тестирование без необходимости сложного кодирования — узнайте, как даже обычные тестировщики QA могут использовать Python для поиска серьезных ошибок и выявления потенциальных узких мест в производительности. Python  Тестирование производительности — важнейший аспект обеспечения способности ваших приложений соответствовать реальным требованиям. Я попытаюсь объяснить свой подход и сценарии Python, предназначенные для нагрузочного тестирования облачного сервиса, управляющего браузерами.    Представьте себе облачный сервис, отвечающий за управление профилями браузеров (браузеры для очистки веб-страниц). Пользователи взаимодействуют через API с сервисом для создания, запуска, остановки, удаления и т. д. профилей. Мой сценарий Python имитирует этот сценарий, загружая облачный сервис путем многократного выполнения этих действий. Сценарий нагрузочного тестирования   # Dependencies import asyncio import httpx # Configuration API_HOST = 'https://cloud.io' API_KEY = 'qatest' API_HEADERS = { "x-cloud-api-token": API_KEY, "Content-Type": "application/json" } CYCLES_COUNT = 3 # Browser profile configuration data_start = { "proxy": "http://127.0.0.1:8080", "browser_settings": {"inactive_kill_timeout": 120} }   Асинхронные функции: суть моих нагрузочных тестов    Функция   извлекает существующие профили браузера из службы, имитируя сценарий, в котором пользователи запрашивают информацию. Получение профилей браузера. get_profiles   async def get_profiles(cl: httpx.AsyncClient): resp = await cl.get(f'{API_HOST}/profiles', params={'page_len': 10, 'page': 0}, headers=API_HEADERS) return resp.json()    сценарий инициирует циклы, каждый из которых включает асинхронный запуск профилей браузера. Это эмулирует сценарий, в котором пользователь одновременно создает несколько браузеров и использует профили браузеров. Запуск браузеров:   async def start_profile(cl: httpx.AsyncClient, uuid): resp = await cl.post(f'{API_HOST}/profiles/{id}/start', json=data_start, headers=API_HEADERS) if error := resp.json().get('error'): print(f'Profile {id} not started with error {error}')    После запуска профилей сценарий извлекает активные профили и останавливает их, а затем удаляет все профили. Этот сценарий нагрузки оценивает реакцию облачной службы на динамические изменения и ее эффективность при очистке ресурсов. Остановка браузеров и удаление профилей.   async def stop_profile(cl: httpx.AsyncClient, uuid): resp = await cl.post(f'{API_HOST}/profiles/{id}/stop', headers=API_HEADERS) if error := resp.json().get('error'): print(f'Profile {id} not stopped with error {error}') async def delete_profile(cl: httpx.AsyncClient, uuid): resp = await cl.delete(f'{API_HOST}/profiles/{id}', headers=API_HEADERS) if error := resp.json().get('error'): print(f'Profile {id} not stopped with error {error}')    Сценарий завершается проверкой и составлением отчета об активных соединениях. Этот шаг имеет решающее значение для понимания влияния нагрузки и выявления потенциальных проблем, связанных с мониторингом. Мониторинг соединений: понимание влияния нагрузки.   for conn in cl._transport._pool.connections: if conn._connection._state.value != 1: continue print(f'Connection in progress: {conn}')  Нагрузочное тестирование в действии  Функция main управляет циклами нагрузочного тестирования, проходя по профилям и выполняя асинхронные задачи. Каждый цикл представляет собой моделируемое взаимодействие пользователя, создание, использование и удаление профилей браузера.   async def main(): async with httpx.AsyncClient(timeout=httpx.Timeout(timeout=300)) as cl: for _ in range(CYCLES_COUNT): profiles = await get_profiles(cl) start_tasks = [asyncio.create_task(start_profile(cl, profile['id'])) for profile in profiles] await asyncio.gather(*start_tasks) active_browsers = await get_active_profiles(cl) stop_tasks = [asyncio.create_task(stop_profile(cl, active_browser['id'])) for active_browser in active_browsers['data']] await asyncio.gather(*stop_tasks) profiles = await get_profiles(cl) del_tasks = [asyncio.create_task(delete_profile(cl, profile['id'])) for profile in profiles] await asyncio.gather(*del_tasks) # Monitor active connections for insights into load impact  Адаптация нагрузочных тестов под ваши нужды  Этот сценарий показывает, как специалисты по обеспечению качества могут адаптировать сценарии нагрузочного тестирования к своим приложениям. Настраивая количество циклов, корректируя взаимодействие с пользователем и изменяя сценарий для соответствия конкретным конечным точкам API, тестировщики могут получить ценную информацию о производительности своего приложения при различных нагрузках. Здесь вам понадобятся необходимые инструменты мониторинга, чтобы получить информацию о состоянии сервера, оценить нагрузку на сервер и отслеживать использование ресурсов и журналы. Используйте такие инструменты, как Grafana, Kibana, Prometheus и т. д., для комплексного мониторинга. Кроме того, внимательно следите за ответами, которые получает ваш сценарий, чтобы обеспечить тщательную оценку производительности вашего приложения. Этот подход неоценим для эффективного нагрузочного тестирования и анализа производительности.  Кроме того, для более реалистичной симуляции загрузки рассмотрите возможность открытия определенных страниц в браузере. Хотя я лично использовал стартовую страницу в своих браузерах, вы также можете использовать такие параметры, как Pyppeteer или Playwright, чтобы открывать несколько вкладок и перемещаться по различным страницам. Такой подход повышает достоверность сценария нагрузочного тестирования, очень напоминающего взаимодействие пользователя с вашим приложением.   # Attempt to connect to the browser using the provided profile URL try: browser = await connect({'browserWSEndpoint': browser_url, 'defaultViewport': None}) except Exception as e: # Handle connection errors and print a message print(f'Error occurred when connecting to the browser: {str(e)}') return # Create a new page in the connected browser page = await browser.newPage() # Introduce a brief delay to ensure the page is ready await asyncio.sleep(2) # Set the viewport dimensions for the page width, height = 1920, 1080 await page.setViewport({'width': width, 'height': height}) # Try to navigate to a specific URL try: await page.goto('https://{your_website}') # Wait for 10 seconds to simulate user interaction await page.waitFor(10000) # Introduce another delay for additional stability await asyncio.sleep(5) except pyppeteer.errors.PageError as e: # Handle page navigation errors and print a message print(f'Error occurred during page navigation: {str(e)}') # Attempt to take a screenshot of the page try: await page.screenshot(path='screen.png', fullPage=True) # Print a success message if the screenshot is captured successfully print('Screenshot taken successfully.') except Exception as e: # Handle screenshot capture errors and print a message print(f'Error occurred during taking a screenshot: {str(e)}')  Асинхронные возможности Python в сочетании с библиотеками HTTP делают его универсальным инструментом для нагрузочного тестирования облачных систем. Этот пример служит отправной точкой для инженеров по контролю качества, желающих изучить возможности Python в своих попытках нагрузочного тестирования.   ПРИМЕЧАНИЕ  В моем сценарии описанный сценарий оказался надежным и эффективным. Он послужил полезным инструментом в выявлении и решении многочисленных проблем. Агрессивный характер сценария позволил выявить критические проблемы, облегчить эффективную отладку и проложить путь к беспрепятственному и улучшенному пользовательскому интерфейсу, что очень хорошо для QA.  В продолжении я кратко расскажу о другом сценарии, использующем многопроцессорный модуль Python. Этот подход направлен на улучшение генерации нагрузки за счет одновременного выполнения нескольких экземпляров сценария тестирования. Основная цель многопроцессорной обработки — распараллелить выполнение сценария, обеспечивая одновременное взаимодействие со службой. Этот подход контрастирует с обсуждавшимся ранее асинхронным подходом, в котором задачи выполняются последовательно, но управляются одновременно.   но тоже может быть очень полезно. Это больше похоже на спам/ддосы с теми же запросами,  Ключевые компоненты    как и в асинхронном сценарии, нам все равно необходимо получить существующие профили браузера из облачной службы. Функция получения профилей:   def get_profiles(): response = requests.get(url=f"{api}", params=PARAMS, headers=headers) return response    В основе сценария лежат две функции: start_profiles и stop_profiles. Эти функции запускают и завершают профили браузера соответственно. Функции.   def start_profiles(list_of_profiles_uuids): for uuid in list_of_profiles_uuids: # ... (API request to start profile) def stop_profiles(internal_uuids): for uuid in internal_uuids: # ... (API request to stop profile) def run_script(): start_profiles(get_profile_ids()) stop_profiles(list_of_ids)    сценарий использует модуль многопроцессорности для параллельного выполнения цикла нагрузочного тестирования несколько раз. Для каждого цикла создается новый процесс, и функция run_script выполняется одновременно. Многопроцессорное выполнение:   if __name__ == "__main__": for runs in range(0, 5): processes = [] for i in range(20): p = multiprocessing.Process(target=run_script) processes.append(p) p.start() for p in processes: p.join()  Как генерировать нагрузку с помощью многопроцессорности    каждый процесс, порожденный многопроцессорным модулем, работает независимо, одновременно выполняя функцию run_script. Такое распараллеливание существенно увеличивает количество запросов, отправляемых в сервис одновременно. Параллельное выполнение:    Запуская несколько экземпляров сценария параллельно, мы имитируем большее количество пользователей, одновременно взаимодействующих с облачным сервисом. Этот подход особенно полезен для сценариев, в которых в реальном использовании участвует большое количество одновременных пользователей. Моделирование взаимодействия с пользователем.  Выбор правильного подхода  Многопроцессорность обеспечивает стратегию нагрузочного тестирования приложений. Это позволяет инженерам по обеспечению качества экспериментировать с различными методологиями, основанными на уникальных характеристиках их приложений. В то время как асинхронное тестирование обеспечивает эффективность управления параллельными задачами, многопроцессорность превосходно распараллеливает весь процесс тестирования. Вы можете выбрать подход, который лучше всего соответствует конкретным целям нагрузочного тестирования и требованиям приложений.   Краткое напоминание:  Целью этой демонстрации является представление основных понятий в формате, удобном для новичков, и подчеркивание простоты Python для тестировщиков QA, решающихся заняться тестированием производительности.  Если у вас есть проблемы с программированием, не стесняйтесь обращаться к Google и спрашивать коллег, используйте ChatGPT или аналогичные инструменты, а также используйте GitHub Copilot для получения дополнительной помощи в написании сценариев нагрузочного тестирования.   Также опубликовано   . здесь

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

This story contains new, firsthand information uncovered by the writer.

About Me

Read My Articles

Hire Me

Этот звук создан на языке оригинала истории!

Тестирование производительности на базе Python для тестировщиков QA: руководство для начинающих по нагрузочному тестированию облачных API

About Author

КОММЕНТАРИИ

БИРКИ

ЭТА СТАТЬЯ БЫЛА ПРЕДСТАВЛЕНА В

Related Stories

Рост криптовалют: создание эффективных образов пользователей

Полное руководство по успешной миграции в облако: стратегии и лучшие практики

Модель Bitcoin UTXO, обеспечивающая работу уникальной экосистемы

Раскрытие силы ИИ. Систематический обзор передовых методов: Краткое содержание и введение

Рост криптовалют: создание эффективных образов пользователей

Полное руководство по успешной миграции в облако: стратегии и лучшие практики

Модель Bitcoin UTXO, обеспечивающая работу уникальной экосистемы

Раскрытие силы ИИ. Систематический обзор передовых методов: Краткое содержание и введение

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps