怎样实现自动生成压测报告

wen 实用脚本 2026-06-26 32

本文目录导读：

怎样实现自动生成压测报告

总体流程
方案一：基于 JMeter + Ant/Maven/Gradle + Jenkins（最传统，适合 Java 团队）
方案二：基于 Locust + Python + Pandas + Jinja2 + Matplotlib（最灵活，适合 Python 团队）
方案三：基于 k6 + Grafana + InfluxDB + Bash（最 DevOps，适合云原生团队）
方案四：All-in-One 神器：wrk + wrk2 + 自定义 Shell（最轻量，适合 Linux 命令行）
如何选择？
最佳实践建议（重要）

实现自动生成压测报告,核心思路是：自动化执行压测 -> 结构化收集结果 -> 模板渲染/可视化 -> 自动分发。

下面我会分几种常见的技术栈和场景,给出具体的实现方案。

总体流程

触发压测：CI/CD 流水线、定时任务或手动触发。
执行压测：使用压测工具（JMeter, Locust, k6, wrk, ab 等）。
收集结果：解析工具输出（JTL/CSV/JSON/日志）或直接调用 API。
计算指标：计算 P50/P90/P99 延迟、TPS、错误率、吞吐量等。
生成报告：通过模板引擎（HTML/PDF/Markdown）或可视化库（ECharts/Matplotlib）渲染。
分发报告：上传到内网服务器、发送邮件、发布到 Wiki/钉钉/飞书/企微。

基于 JMeter + Ant/Maven/Gradle + Jenkins（最传统，适合 Java 团队）

这是最成熟、最稳定的方案，适合长期存量的项目。

实现方式：

编写 JMeter 脚本（.jmx）。
使用 Ant 或 Maven 调用 JMeter（非 GUI 模式）。
```
jmeter -n -t test.jmx -l result.jtl -e -o ./report
```
- -n 非 GUI 模式
- -l 输出原始数据文件（.jtl）
- -e -o 生成 HTML 报告（JMeter 自带 Dashboard Report）
使用模板引擎增强：如果自带的 Dashboard 不够用，可以写一个 Java 程序解析 .jtl，使用 FreeMarker 或 Thymeleaf 生成自定义报告。

集成到 Jenkins：

安装 Performance Plugin 或 JMeter Plugin

Pipeline 示例：

pipeline {
    agent any
    stages {
        stage('Performance Test') {
            steps {
                sh 'jmeter -n -t test.jmx -l results.jtl -e -o html-report'
                publishHTML(target: [reportDir: 'html-report', reportName: 'Performance Test'])
            }
        }
    }
}

自动发送：使用 emailext 插件或 Email Extension Plugin 发送报告。

优点：生态成熟，文档丰富，开箱即用。缺点：重量级，依赖 Java 环境，JTL 文件较大时解析慢。

基于 Locust + Python + Pandas + Jinja2 + Matplotlib（最灵活，适合 Python 团队）

非常适合微服务、REST API 的压测，报告可以高度自定义。

工具链：

压测：Locust（locustfile.py）
结果收集：Locust 支持 CSV 导出（--csv=report）
数据处理：Pandas, Numpy
图表绘制：Matplotlib, Plotly
报告模板：Jinja2（HTML 模板）
自动化：Python 脚本 + Crontab / Airflow / Jenkins

核心实现代码：

# generate_report.py
import pandas as pd
import matplotlib.pyplot as plt
from jinja2 import Template
import json, base64, io
# 1. 加载压测结果（Locust 输出的 CSV 文件：stats、exceptions、failures）
stats_df = pd.read_csv('report_stats.csv')
# 2. 计算关键指标
result = {
    "total_requests": stats_df['Request Count'].sum(),
    "failures": stats_df['Failure Count'].sum(),
    "avg_response_time": round(stats_df['Average Response Time'].mean(), 2),
    "p50": round(stats_df['50%'].mean(), 2),
    "p90": round(stats_df['90%'].mean(), 2),
    "p99": round(stats_df['99%'].mean(), 2),
    "rps": round(stats_df['Requests/s'].sum(), 2),
}
# 3. 生成图表（并转为 base64 嵌入 HTML）
fig, ax = plt.subplots()
ax.plot(stats_df['Name'], stats_df['Average Response Time'], label='Avg')
ax.plot(stats_df['Name'], stats_df['90%'], label='P90')
plt.xticks(rotation=45, ha='right')
plt.legend()
buf = io.BytesIO()
plt.savefig(buf, format='png')
buf.seek(0)
img_base64 = base64.b64encode(buf.read()).decode('utf-8')
# 4. Jinja2 模板渲染
template_str = """
<html>
<head><title>压测报告</title></head>
<body>
<h1>压测报告</h1>
<table border="1">
<tr><td>总请求数</td><td>{{ result.total_requests }}</td></tr>
<tr><td>失败数</td><td>{{ result.failures }}</td></tr>
<tr><td>平均响应时间</td><td>{{ result.avg_response_time }}ms</td></tr>
<tr><td>P50</td><td>{{ result.p50 }}ms</td></tr>
<tr><td>P90</td><td>{{ result.p90 }}ms</td></tr>
<tr><td>P99</td><td>{{ result.p99 }}ms</td></tr>
<tr><td>RPS</td><td>{{ result.rps }}</td></tr>
</table>
<img src="data:image/png;base64,{{ img }}" />
</body>
</html>
"""
template = Template(template_str)
html_output = template.render(result=result, img=img_base64)
# 5. 保存报告
with open('performance_report.html', 'w') as f:
    f.write(html_output)

优点：代码 100% 可控，可以集成任意 Python 库（NLP、异常检测等）。缺点：需要自己写比较多的代码，压测性能略低于 Go/Rust 工具。

基于 k6 + Grafana + InfluxDB + Bash（最 DevOps，适合云原生团队）

k6 是一个现代化、轻量级的压测工具，自带 JavaScript 脚本引擎，非常适合 CI/CD 集成。

架构：

压测：k6 run script.js
存储：InfluxDB（时序数据库）
可视化：Grafana（直接连接 InfluxDB，自动生成仪表盘）
自动化：k6 输出 JSON 统计结果，或直接调用 Grafana API 截图导出

实现方式：

编写 k6 脚本：

// script.js
import http from 'k6/http';
import { check, sleep } from 'k6';
import { htmlReport } from "https://raw.githubusercontent.com/benc-uk/k6-reporter/main/dist/bundle.js";
export const options = {
  vus: 10,
  duration: '30s',
};
export default function () {
  const res = http.get('http://test.k6.io');
  check(res, { 'status was 200': (r) => r.status == 200 });
  sleep(1);
}
export function handleSummary(data) {
  return {
    'report.html': htmlReport(data), // 使用社区插件生成美观的 HTML 报告
  };
}

运行并生成报告：

k6 run script.js
# 或者通过 --summary-export 输出 JSON
k6 run --summary-export=summary.json script.js

集成 Grafana（自助式报告）：
- 安装 k6 插件 /grafana/k6
- 将 k6 实时数据推送到 InfluxDB
```
k6 run --out influxdb=http://localhost:8086/k6 script.js
```
- 在 Grafana 创建仪表盘，设置自动刷新
- 自动截图：使用 Grafana Image Renderer 插件
```
curl "http://admin:admin@localhost:3000/render/d-solo/1/performance?orgId=1&from=now-5m&to=now&width=1000&height=500" --output report.png
```
- 将图片嵌入运维周报或 CD 流水线。

优点：性能极高，云原生友好，Grafana 可视化无敌。缺点：需要维护 InfluxDB + Grafana 基础设施（不过现在 Grafana Cloud 有免费额度）。

All-in-One 神器：wrk + wrk2 + 自定义 Shell（最轻量，适合 Linux 命令行）

适合快速、纯后端的单接口压测。

实现方式：

#!/bin/bash
# auto_benchmark.sh
URL="https://yourapi.com/endpoint"
DURATION="30s"
THREADS=4
CONNECTIONS=100
TIMESTAMP=$(date +"%Y%m%d_%H%M%S")
REPORT_FILE="report_$TIMESTAMP.html"
# 1. 执行 wrk 压测
wrk_output=$(wrk -t$THREADS -c$CONNECTIONS -d$DURATION --latency $URL 2>&1)
# 2. 解析关键指标
avg_latency=$(echo "$wrk_output" | grep 'Latency' | awk '{print $2}' | head -1)
requests_sec=$(echo "$wrk_output" | grep 'Requests/sec' | awk '{print $2}')
# 3. 生成简易报告
cat > $REPORT_FILE <<EOF
<html>
<head><title>Wrk Benchmark Report</title></head>
<body>
<h1>Benchmark Summary</h1>
<pre>$wrk_output</pre>
</body>
</html>
EOF
# 4. 发送到 API 或存储
curl -X POST "http://your-report-server/api/upload" -F "file=@$REPORT_FILE"
echo "Report generated: $REPORT_FILE"

优点：零依赖，极其轻量。缺点：报告简陋，不支持复杂场景（有状态、多步骤 API 不行）。

如何选择？

对比维度	方案一（JMeter）	方案二（Locust）	方案三（k6+Grafana）	方案四（wrk+Shell）
团队语言	Java	Python	JS/Go	任意
协议支持	几乎所有协议	HTTP/WebSocket	HTTP/gRPC/WebSocket	HTTP
报告美观度	中等（Dashboard Report）	高（自定义）	极高（Grafana）	低
CI/CD 友好	中等（需 Jenkins 插件）	高	极高（Docker/无头模式）	极高
可扩展性	中等	高	中等	低
学习成本	低（但调优复杂）	低	低	极低
推荐场景	传统企业、全链路	微服务、REST API	云原生、DevOps	快速验证、单体服务

最佳实践建议（重要）

标准化输出：无论用哪种工具，都尽量把统计结果转换为统一的 JSON 格式（如 {tps: 100, p99: 200ms}），方便后续统合和比较。
版本控制：每次压测报告都应该标记 Git commit / 版本号，便于性能回归分析。
趋势图：把每次压测的 TPS 和延迟存入 InfluxDB / Prometheus，用 Grafana 展示长周期趋势，比只看单次 HTML 报告更有价值。
阈值断言：在自动化流水线中，压测脚本应包含断言（如 P99 < 500ms），未通过则标记流水线失败，防止性能劣化上线。

如果你能告诉我具体的技术栈（Java/Python/Golang）、使用场景（CI 流水线/日常巡检/对外交付）、以及团队规模，我可以帮你进一步细化方案。