Gatling零基础上手-用AI辅助完成10万并发压力测试

📚 导读

有一年双十一，我在客户现场看到一个让我记忆深刻的场景：一个电商平台零点到来的短短几分钟内，服务器CPU飙到100%，数据库连接池耗尽，订单系统直接崩溃。整整四个小时无法下单，损失超5000万元。

事后复盘的时候，我问运维同事：”你们测试环境最高跑过多少并发？”他们回答得很声胆：”500并发，内存就给咱扭了。”

这并不是个例。据我观察，80% 的线上的故障，都可以通过上线前的性能测试提前发现。性能测试不是”锦上添花”，而是生产环境的最后一道防线。

所以今天这篇文章，我想带你从零开始，用 2 小时完成人生第一个10 万并发压力测试。

🔍 为什么不用JMeter？

JMeter 当然能用，但它有一个根本问题——同步阻塞线程模型。

理解这个概念很简单：JMeter 模拟每个虚拟用户时，会创建一个线程（Thread），这个线程会一直占用内存等待网络响应。

当你需要模拟 10 万并发时：

• 需要创建 10 万个线程
• 线程创建、切换、销毁本身就有巨大开销
• 内存占用从 JMeter 本身就要 16 GB
• 被测计算机的 CPU 已经餐食了，实际可用于发请求的资源所剩无几

结果：很多测试人员用 JMeter 测到 3000 并发就卡死了——不是被测系统的问题，是 JMeter 自己的瓶颈。

✅ Gatling的解决方案

而 Gatling 用的是 Akka Actor 模型 + Netty 异步基石（NIO），单线程事件驱动，等效 10 万并发，内存占用从 JMeter 的 16GB 降到 2GB，差距就是这么大。

更关键的是，现在有了 TRAE AI，你不需要学 Scala 语法有多深，只需要会复制粘贴提示词，AI 就能帮你生成完整的 Gatling 测试脚本。

本文的价值：不跳步、每一步都有说明、代码完整可运行。不管你是手动测试转岗，还是刚入行的应毕业生，只要跟着做，2 小时后你就能独立完成一次真正的并发压测。

⚠️ 阅读前提醒：建议在电脑前边看边操作。光看不练 = 光说不做。本文实际上是一个手把手教程，而不是一篇伫语故事。

一、为什么性能测试必须做？

1.1 真实事故：一次崩溃万万千的故事

让我先讲一个真实发生的故事。

📈 图1：性能测试四大核心指标关系图 – TPS = 并发 / 响应时间

2022 年双十一前夕，某知名电商平台技术团队既筹资金又资人，做了多轮功能测试。但在测试环境中，最高并发只有 500 人，因为测试班的人说：”我们资源有限，没必要测那么高。”

双十一当天，零点到来的短短几分钟内：

• 0:00:00
  
   — 请求量突然巅覆，从平时 2000 QPS 巅覆到 50000+ QPS
• 0:00:12
  
   — 服务器 CPU 巅覆到 100%，多个应用节点同时崩溃
• 0:00:28
  
   — 数据库连接池全部耗尽，新连接无法建立
• 0:01:00
  
   — 订单系统全线崩溃，用户无法下单
• 4:00:00
  
   — 经过两轮抢救，系统恢复正常，但损失已经产生

事后排查报告显刀：如果上线前能做一次负载测试，就能发现连接池设置过小，进而在大量访问来临前就做调整，不至于全线崩溃。

🔴 重要教训：测试环境的并发量必须负负负负超过生产环境的预期席位，而不是就测平时负载。

1.2 性能测试四大核心指标

测试性能的时候，我们主耍关注四个指标：

👁 记住这个公式：吞吐量（TPS）= 并发用户数 ÷ 平均响应时间。例如：1000 人并发、平均 100ms 响应，TPS = 1000 ÷ 0.1s = 10000 req/s。

1.3 四种测试类型怎么选？

基准测试（Benchmark）：类似于”测重”——用单一负载测试，建立性能基准值。这是所有后续测试的参照物，没有基准值，加压再多也是瞎测。

负载测试（Load Testing）：正常负载下的测试，治性性增加并发，找到系统容量上限。从 100 人加到 10000 人，观察 TPS 曲线什么时候开始负载。

压力测试（Stress Testing）：超过设计负载，测系统的极限和容错能力。比如设计上限是 10000 并发，就测 15000、20000，看看系统是”优雅降级”还是”直接崩溃”。

稳定性测试（Soak Testing）：用正常负载跑 8 小时甚至 24 小时，观察内存是否持续增长、连接池是否慢慢耗尽。很多内存泄漏，只有长时间运行才会暴露。

二、Gatling深度解析——为什么10万并发首选它？

2.1 传统工具的困境

JMeter：同步阻塞线程模型，每个拟虚拟用户占一个线程，线程创建、切换、销毁本身就有巨大开销。模拟 10万并发时，JMeter 光线程管理就要消耗大量 CPU，实际可用于发请求的资源所剩无几。优点：GUI 界面直观，录制器好用。

Locust：基于 Python，川异步程模拟并发，资源占用比 JMeter 低。但 Python 有 GIL（全局解释器锁），CPU 密集型任务无法真正并行。在高并发下，Python 协程调度器的开销也会显现。更重要的是，Locust 的 HTML 报告功能较弱，分析数据不够直观。

k6：近年来表现不错的工具，基于 Go 语言，支持 JavaScript 脚本，单机并发能力比 JMeter 强。但 k6 的脚本需要一定 JS 基础，生态没有 Gatling 成熟，报告可视化也不如 Gatling 精致。

2.2 Gatling的核心优势

Gatling 之所以在高并发场景下表现出色，核心在于 Akka 框架的 Actor 模型。

简单类比：JMeter 像餐厅里每个顾客占一个服务员全程等待上菜；Gatling 像一个服务员同时接侍 1000 个顾客——服务员先把订单投到后厨，在等待的过程中去接待其他顾客，菜好了再回来上菜。这种”同时接侍”的能力，就是异步非阻塞的核心。

具体来说：

• Actor 模型
  
  ：每个拟虚拟用户是一个载入式 Actor，不是操作系统线程，内存占用微不可忽。
• Netty NIO
  
  ：基于 Java NIO 的网络框架，用单线程处理海量连接，不阻塞。
• 事件驱动
  
  ：请求发送后立刻返回，等响应来了再处理，不占用线程等待。

💰 关键数据对比：同等的 10 万并发压测，JMeter 需要约 16 GB 内存，Gatling 只需约 2 GB，差距 8 倍。

2.3 四大工具全面对比

2.4 Gatling适用场景

非常适合：

• 高并发 API 压测（10 万+并发）
• 微服务性能压测
• WebSocket / HTTP/2 压测
• 需要精准分位统计的场景
• CI/CD 流水线中的自动化性能测试

不太适合：

• 完全没有变成基础、完全不想接触代码的人（GUI 支持有限）
• 需要录制复杂业务场景的 UI 操作的人（JMeter 的录制器更好用）

2.5 开源版 vs 商业版

Gatling 有两个版本：

• 开源版（gatling-charts-highchart）
  
  ：完全免费，支持 Scala DSL、HTML 报告、Maven/Gradle 集成。本文全部基于开源版演示，零成本。
• FrontLine 版（商业版）
  
  ：云端执行引擎、Web UI 管理、商业支持。适合大型企业。

三、开发工具准备——VS Code + 三大插件

3.1 为什么选 VS Code？

VS Code（Visual Studio Code）是微软出品的免费代码编辑器，在全球拥有数千万开发者使用。相比 IntelliJ IDEA 和 Eclipse，它有以下优势：

• 完全免费
  
  ：开源且免费，不需要购买许可证
• 轻量快速
  
  ：启动只需 1-2 秒，不会像 IDEA 那样等半天
• 插件丰富
  
  ：Scala (Metals) 插件可以无缝集成 Scala 语言服务
• TRAE AI 集成
  
  ：TRAE AI 的官方插件支持直接在 VS Code 中使用 AI 辅助编程
• 跨平台
  
  ：Windows、macOS、Linux 都能用

3.2 VS Code 安装（手把手步骤）

第一步：下载安装包

打开浏览器，访问官方下载地址：
👉 https://code.visualstudio.com/

页面会自动检测你的操作系统（Windows），点击页面中央的大绿色按钮 “Download for Windows“，下载安装包（约 100 MB）。

第二步：运行安装向导

下载完成后，双击安装包（.exe 文件），启动安装向导：

• 点击 “Next“
• 阅读许可协议，点 “I accept the agreement“，再点 “Next“
• 选择安装位置（默认即可），点 “Next“
• ⭐ 重要：在”Select Additional Tasks”界面，务必勾选：
• ☑️ “Add to PATH”（添加 到系统环境变量，命令行里才能直接用 code 命令）
• ☑️ “Register Code as an editor for file types supported”（可选，建议勾选）
• 点 “Install” 等待安装完成
• 安装完成点 “Finish“

第三步：启动并配置中文界面

安装完成后，VS Code 会自动启动（如果没有，手动双击桌面或开始菜单中的 VS Code 图标）。

首次启动后，如果界面是英文，按以下步骤切换为中文：

1. 按 Ctrl + Shift + P，会弹出一个输入框
2. 在输入框中输入 “display language“，会看到 “Configure Display Language” 选项
3. 点击它，会打开语言选择面板
4. 选择 “Chinese (Simplified) (中文简体)”
5. VS Code 会提示你安装语言包，点击 “Install and Restart”（安装并重启）
6. 等待 VS Code 自动重启，界面就变成中文了

⚠️ 常见错误：如果在命令行里输入 code 提示”不是内部或外部命令”，说明安装时没有勾选”Add to PATH”。解决方法：控制面板 → 系统 → 高级系统设置 → 环境变量 → 编辑 PATH → 添加 C:\Program Files\Microsoft VS Codein

3.3 第一个插件：Scala (Metals)

这个插件是做什么的？

Metals 是 Scala 的语言服务器（LSP），它会在你编写 Scala 代码时提供：语法高亮、代码自动补全、错误提示、跳转到定义等功能。没有这个插件，你的 Scala 代码会像记事本一样，没有颜色、没有提示、错误也不知道在哪里。

安装步骤（详细）：

1. 在 VS Code 中，按 Ctrl + Shift + X 打开扩展面板（左侧边栏有一个方形图标）
2. 在扩展搜索框中输入 “metals“（注意：输入时不需要引号）
3. 在搜索结果中，找到 “Scala (Metals)“，发布者为 “Scalameta“（不是其他同名插件）
4. 点击该插件卡片上的 “Install” 按钮
5. 等待安装完成（会显示”重新加载”按钮）
6. 点击 “重新加载窗口” 以激活插件

安装完成后，VS Code 底部状态栏会显示 “Metals” 字样，表示 Scala 语言服务已启动。如果提示需要安装 JDK，按照下一节的步骤安装即可。

3.4 第二个插件：Scala Syntax（语法高亮）

这个插件是做什么的？

Metals 只提供语言服务，不提供语法高亮。Scala Syntax 插件为 .scala 文件提供专业的语法着色，让代码更容易阅读。这个插件很轻量，和 Metals 配合使用效果最好。

安装步骤：

1. 按 Ctrl + Shift + X 打开扩展面板
2. 搜索 “scala syntax“
3. 找到 “Scala Syntax“（通常显示为官方或相关插件）
4. 点击 “Install“

3.5 第三个插件：TRAE AI Coding Assistant（重点⭐）

这个插件是做什么的？

这是本文的核心工具！TRAE AI 是 AI 编程助手，可以在 VS Code 中直接和 AI 对话。你只需要描述你想实现的功能，AI 就能帮你生成 Gatling Scala 脚本。你不需要懂 Scala 语法，只需要会复制粘贴提示词。

安装步骤（详细）：

1. 按 Ctrl + Shift + X 打开扩展面板
2. 在搜索框中输入 “trae” 或 “AI coding assistant“
3. 在结果中找到 “Coding Assistant by TRAE“，图标是一只狗头（🐶），发布者为 TRAE AI
4. 点击 “Install” 按钮
5. 安装完成后，VS Code 左侧边栏会出现 TRAE 的图标（狗头）
6. 点击该图标，会提示你登录（GitHub / Google / 邮箱均可）
7. 登录后，选择模型：推荐选择 Claude 3.5 Sonnet（性价比最高，效果好）

如何打开 TRAE AI 面板？

按 Ctrl + Shift + Y，TRAE AI 面板会在右侧打开。或者直接点击左侧边栏的狗头图标。

TRAE AI 可以做什么？（5个高频使用场景）

• 生成脚本
  
  ：描述你的压测需求，AI 生成完整 Gatling 脚本
• 解释代码
  
  ：粘贴一段代码，让 AI 解释这段代码在做什么
• 修复报错
  
  ：复制报错信息给 AI，AI 给出修复建议
• 优化性能
  
  ：AI 分析你的脚本，给出性能优化建议
• 生成测试数据
  
  ：让 AI 生成 100 个测试用户名/密码（CSV 格式）

免费额度说明：

TRAE AI 有免费额度（新用户赠送一定数量的消息），用完之后可以购买订阅或配置自己的 API Key（Claude / OpenAI 均可）。设置方法：Ctrl + , 打开设置 → 搜索 “TRAE” → 找到 “API Key” 输入框 → 填入你的密钥。

3.6 三个工具组合的威力

这三个工具组合在一起，形成了一个完整的高效开发闭环：

• VS Code
  
  ：代码编辑器，你写代码、读代码的地方
• Metals
  
  ：实时检测代码错误，有错误会在代码下方显示红色波浪线
• TRAE AI
  
  ：你把报错信息复制给 AI，AI 告诉你怎么修，生成修复代码

日常工作流示例：

1. 你在 VS Code 中编写 Gatling 脚本
2. Metals 检测到语法错误，在代码下面显示红色波浪线
3. 你把鼠标悬停在错误上，看到报错信息 “not found: value csv”
4. 按 Ctrl + Shift + Y 打开 TRAE AI，输入：”这个报错是什么意思？怎么修复？”
5. AI 回复：”缺少 import 语句，请在文件顶部添加：import io.gatling.core.Predef._”
6. 你复制代码，粘贴到文件顶部，红色波浪线消失

💡 记住这个组合：VS Code（编辑器）+ Metals（语法检查）+ TRAE AI（代码生成）= 零基础也能写 Gatling 脚本。

四、前置环境安装——JDK + Maven + 创建项目

4.1 工具选择：Maven 项目版 vs 独立版

Gatling 有两种使用方式：

• 独立版（ZIP 包）
  
  ：下载一个 ZIP 文件，解压后直接运行 gatling.sh 或 gatling.bat。适合快速体验，不依赖 Maven。缺点是脚本管理不方便，依赖管理不灵活。
• Maven 项目版（推荐）
  
  ：用 Maven 创建项目，所有依赖（ Gatling、Scala、Netty 等）通过 pom.xml 自动管理。缺点是需要安装 Maven，但好处多多：和 VS Code + Metals 无缝集成、CI/CD 集成方便、依赖版本管理清晰。

本文选择 Maven 项目版，因为我们要用 VS Code + Metals 开发，Maven 项目是这类工具的最佳拍档。

4.2 安装 JDK（详细步骤）

第一步：先检查是否已安装 JDK

打开 CMD 命令行窗口（按 Win + R，输入 cmd，回车），输入以下命令：

# 检查 Java 版本java -version

openjdk version "21.0.3" 2024-01-16 LTSOpenJDK Runtime Environment (Temurin-21+35) (build 21.0.3+9-LTS)OpenJDK 64-Bit Server VM (build 21.0.3+9-LTS, mixed mode, sharing)

如果提示 “‘java’ 不是内部或外部命令”，请继续安装。

第二步：下载 JDK 安装包

推荐使用 Eclipse Temurin（原 AdoptOpenJDK），免费、无需登录。

浏览器打开：👉 https://adoptium.net/

点击页面上的 “Latest release” 按钮（会自动下载最新 LTS 版本，JDK 21 或 JDK 17）。如果想要特定版本，点击 “Other platforms” 手动选择：

• Version: JDK 21 或 JDK 17（两个版本都支持 Gatling）
• Operating System: Windows
• Architecture: x64
• Package type: .msi（推荐，比 ZIP 更方便，自动配置环境变量）

第三步：运行安装向导

下载完成后，双击 .msi 安装包：

1. 点 “Next“
2. 选择安装目录（默认 C:\Program Files\Eclipse Adoptium\jdk-21.x.x-hotspot\，建议不改）
3. ⭐ 重要：确保安装界面中有 “Set JAVA_HOME” 或 “Add to PATH” 选项并勾选（大多数版本默认勾选）
4. 点 “Install“，等待安装完成（约 1-2 分钟）
5. 点 “Finish“

第四步：验证安装

重要：必须打开一个新的 CMD 窗口（之前的窗口不会刷新环境变量），输入：

# 必须在新窗口中执行java -version

应该看到类似 “openjdk version “21.x.x” 或 “17.x.x” 的输出。

⚠️ 如果 java -version 还是不行：控制面板 → 系统 → 高级系统设置 → 环境变量 → 在”系统变量”中检查：
① 是否有 JAVA_HOME，值应为 C:\Program Files\Eclipse Adoptium\jdk-21.x.x-hotspot
② PATH 中是否有 %JAVA_HOME%in
如果没有，手动添加后重启 CMD。

4.3 安装 Maven（详细步骤）

第一步：下载 Maven

打开浏览器，访问 Maven 下载页面：👉 https://maven.apache.org/download.cgi

滚动到 “Files” 部分，找到 “Binary zip archive”，点击下载 apache-maven-3.9.9-bin.zip（或最新的 3.9.x 版本，约 10 MB）。

🔴 重要提醒：Maven 安装路径中不要有空格和中文。不要装到”Program Files”或”下载”文件夹里。建议放在 D: oolspache-maven-3.9.9 或 C:\mavenpache-maven-3.9.9。

第二步：解压到指定目录

下载完成后：

1. 在 D 盘根目录（或 C 盘）创建一个文件夹 tools
2. 将 ZIP 文件解压到 D: ools\，最终目录结构为：D: oolspache-maven-3.9.9\
3. 确认 bin 目录：D: oolspache-maven-3.9.9in

第三步：配置环境变量

1. 控制面板 → 系统 → 高级系统设置 → 环境变量
2. 在”系统变量”区域，点击”新建“：
• 变量名：MAVEN_HOME
• 变量值：D: oolspache-maven-3.9.9
3. 找到”系统变量”中的 PATH，双击编辑，点击”新建“，添加：%MAVEN_HOME%in
4. 点击确定保存

第四步：验证 Maven 安装

必须打开一个新的 CMD 窗口，输入：

mvn -version

✅ 环境验证清单：运行以下两个命令，两个都成功才能继续：
① java -version → 显示 Java 版本
② mvn -version → 显示 Maven 版本 + Java 版本

4.4 一键创建 Gatling Maven 项目（详细步骤）

第一步：创建项目文件夹

在 D 盘创建一个 projects 文件夹（如果你想统一管理项目），然后在里面创建 gatling-demo 项目文件夹：

# 创建项目目录D:\projects> mkdir gatling-demoD:\projects> cd gatling-demo

第二步：运行 Maven 命令创建项目

在 gatling-demo 目录下，运行以下命令（整个命令是一行，可以复制到记事本去掉换行后复制）：

mvn archetype:generate -DarchetypeGroupId=io.gatling -DarchetypeArtifactId=gatling-highcharts-maven-archetype -DarchetypeVersion=3.9.5 -DgroupId=com.perftest -DartifactId=gatling-demo -DinteractiveMode=false

参数说明：

• archetypeGroupId
  
  ：Gatling 官方提供的项目模板来源，固定为 io.gatling
• archetypeArtifactId
  
  ：模板名称，gatling-highcharts-maven-archetype 是包含 HTML 报告的版本
• archetypeVersion
  
  ：Gatling 版本号，3.9.5 是稳定版（推荐使用）
• groupId
  
  ：Java 包名，类似于公司域名反写，如 com.你的名字
• artifactId
  
  ：项目名称，即文件夹名
• interactiveMode=false
  
  ：静默模式，不需要交互，直接生成

第三步：等待 Maven 下载依赖（1-3 分钟）

首次运行 Maven 会自动下载 Scala 库、Gatling 核心、Netty、Maven 插件等大量依赖。耐心等待，看到 “BUILD SUCCESS” 表示成功。

第四步：验证项目结构

命令执行成功后，在 gatling-demo 目录下输入以下命令查看结构：

gatling-demo> dir /s /b

正确生成的项目结构应该包含：

• src/test/scala/
  
   — 你的测试脚本放这里
• src/test/resources/
  
   — 测试数据文件（如 CSV）
• src/main/resources/
  
   — 应用配置文件
• pom.xml
  
   — Maven 依赖配置，非常重要
• results/
  
   — 压测报告生成在这里

💡 小提示：打开 VS Code，选择”文件 → 打开文件夹”，选择 D:\projects\gatling-demo，VS Code 会自动识别这是一个 Maven 项目，左侧会显示项目目录结构。你可以在 src/test/scala/ 下看到示例 Simulation 文件（可以删除或重命名）。

五、AI辅助编写Gatling脚本——核心章节（超详细）

5.0 开始前的心理建设

在正式开始之前，我想告诉你三句话：

• 「你不需要会编程」
  
  ：TRAE AI 会帮你写代码，你只需要描述需求
• 「你只需要会复制粘贴」
  
  ：这是本文要求你掌握的唯一技能
• 「遇到报错很正常」
  
  ：报错是学习的一部分，我会告诉你如何用 AI 解决报错

本章会用到两个 AI 提示词，我用橙色背景标注。复制后直接粘贴到 TRAE AI 即可。

5.1 实战案例背景

我们选择 httpbin.org 作为被测目标。这是一个公开的免费 API 服务，专门用于测试 HTTP 请求。它收到什么就返回什么，非常适合作为压测练习的目标。

我们的测试需求：

• 测试接口：POST https://httpbin.org/post
• 请求类型：表单提交（application/x-www-form-urlencoded）
• 请求参数：username（从 CSV 读取，字段名 username），password（固定值 TestPass123）
• 虚拟用户：100 人
• 加压方式：10 秒内从 0 均匀加到 100 人
• 测试持续时间：30 秒
• 断言条件：95 分位响应时间 小于 1000 毫秒，成功率大于 99%

5.2 第一步——用 TRAE AI 生成 CSV 测试数据

详细操作步骤：

1. 打开 VS Code
2. 按 Ctrl + Shift + Y，打开 TRAE AI 面板
3. 在底部的输入框中，复制粘贴以下内容（可直接复制下面的全部内容）：

请帮我生成100个测试用户名，格式为CSV，包含三列：username, email, password
– username格式：testuser001 到 testuser100
– email格式：test001@example.com 到 test100@example.com
– password统一为：TestPass123
– 第一行为表头
– 用英文逗号分隔，不要加引号

4. 按 Enter 或点击「发送」按钮，等待 AI 生成（5-15 秒）
5. AI 生成完成后，点击输出框右侧的「复制」按钮
6. 在 VS Code 中，按 Ctrl + N 新建文件
7. 按 Ctrl + V 粘贴内容
8. 按 Ctrl + Shift + S（另存为），导航到：
   D:\projects\gatling-demo\user-files\data\
   文件名输入：login_users.csv，编码选择 UTF-8，点保存
9. 在 VS Code 左侧资源管理器中，展开 user-files/data/，确认 login_users.csv 文件存在
10. 打开文件，确认格式正确（第一行是表头：username,email,password）

✅ CSV 文件格式示例（应该是这样的）：
username,email,password
testuser001,test001@example.com,TestPass123
testuser002,test002@example.com,TestPass123
…（共 100 行）

5.3 第二步——用 TRAE AI 生成 Gatling 脚本（核心）

详细操作步骤：

1. 按 Ctrl + Shift + Y，重新打开（或确保）TRAE AI 面板
2. 在输入框中，复制粘贴以下完整提示词（可直接复制下面的全部内容）：

请帮我生成一个Gatling Scala压测脚本，需求如下：

被测信息：
– 接口URL：POST https://httpbin.org/post
– Content-Type: application/x-www-form-urlencoded
– 请求参数：username（从CSV读取，字段名username），password（固定值TestPass123）

压测需求：
– 虚拟用户数：100人
– 加压方式：10秒内从0均匀加到100人
– 测试持续时间：30秒
– 断言条件：95分位响应时间小于1000毫秒，成功率大于99%

请生成完整的Simulation.scala文件代码，每个代码段都要加上详细的中文注释，注释要解释「为什么要这样写」而不是只说「这是什么」。

3. 按 Enter 或点击发送，等待 AI 生成（10-30 秒，取决于模型速度）
4. AI 生成完成后，点击输出框右侧的「复制」按钮
5. 在 VS Code 左侧资源管理器中，右键点击 src/test/scala/ 文件夹
6. 选择「新建文件」，文件名输入：LoginSimulation.scala
7. 按 Ctrl + V 粘贴代码
8. 按 Ctrl + S 保存文件

5.4 脚本逐行解析——让你真正理解代码

生成的脚本大概长这样。下面我把它拆分成若干个部分，逐段解释。每一段都附上了详细的中文注释，确保你不仅知道「怎么写」，更知道「为什么这样写」。

第一部分：包声明和导入

// 第一部分：包声明和导入package computerdatabase// import 语句从指定包导入类/函数，_ 是通配符，导入所有内容import io.gatling.core.Predef._ // Gatling 核心库，几乎所有脚本都要导入import io.gatling.http.Predef._ // HTTP 请求功能，发 GET/POST 请求全靠它import scala.concurrent.duration._ // 时间单位支持，有了它才能写 .seconds

为什么要这样写？

package computerdatabase 是 Maven 模板默认的包名，保持不变即可。三个 import 是 Gatling 的「标准开场白」：核心库提供基础功能，HTTP 库提供网络请求能力，时间库让你能写 `.during(10.seconds)` 这种人类可读的写法。

第二部分：HTTP 协议配置

// 第二部分：HTTP 协议配置val httpProtocol = http.baseUrl("https://httpbin.org") // 所有请求的根地址.acceptHeader("application/json") // 告诉服务器：我们期望返回 JSON.contentTypeHeader("application/x-www-form-urlencoded") // 请求体格式

为什么要这样写？

baseUrl 设置后，后面写 `.post(“/post”)` 就等于 POST https://httpbin.org/post。如果要切换到生产环境，只需要改这一行，所有请求地址自动更新。acceptHeader 和 contentTypeHeader 是 HTTP 请求头，告诉服务器我们发送和接收的数据格式。

第三部分：CSV 数据源配置

// 第三部分：CSV Feeder 数据源配置val csvFeeder = csv("user-files/data/login_users.csv").circular// csv() 读取 CSV 文件// .circular 模式：数据用完后从头循环再用（100 用户，50 行数据，第 51 个用户复用第 1 行）// .queue 模式：数据用完测试停止（不推荐，容易莫名其妙结束）// .random 模式：每次随机选一行（适合模拟真实用户多样性）

// 第四部分：Scenario 场景定义（描述一个用户会做什么）val loginScenario = scenario("登录场景")// feed(csvFeeder)：从 CSV 取数据，每次取一行.feed(csvFeeder)// exec() 执行一个 HTTP 请求.exec(http("登录请求").post("/post")// ${username} 中的 $ 表示「引用变量」，花括号内是变量名（来自 CSV 表头）.formParam("username", "${username}").formParam("password", "TestPass123")// status.is(200) 断言：期望返回 HTTP 200 才算成功.check(status.is(200))))

// 第五部分：SetUp 配置（控制虚拟用户如何到达）setUp(loginScenario// inject() 控制虚拟用户如何注入：rampUsers(100).during(10.seconds)// 意思是：在 10 秒内均匀加压到 100 人，第 1 秒约 10 人，第 5 秒约 50 人.inject(rampUsers(100).during(10.seconds))// protocols() 引用前面定义的 HTTP 协议配置.protocols(httpProtocol)// maxDuration() 整个测试的最长运行时间，防止意外无限运行.maxDuration(30.seconds))

// 第六部分：断言（满足条件测试才算通过）.assertions(// global.responseTime.percentile(95) 表示「95 分位响应时间」// 即：95% 的请求必须在多少毫秒内完成// .lt(1000) 表示必须小于 1000 毫秒（lt = less than）global.responseTime.percentile(95).lt(1000),// global.successfulRequests.percent.gt(99) 表示成功率必须大于 99%（gt = greater than）global.successfulRequests.percent.gt(99))

5.5 保存并检查语法错误

脚本保存后，观察 VS Code 窗口：

• 没有红色波浪线
  
  ？很好，语法没问题，可以继续下一步
• 有红色波浪线
  
  ？把鼠标悬停在红色部分，读取报错信息：
1. 复制报错信息（Ctrl + C）
2. Ctrl + Shift + Y 打开 TRAE AI
3. 输入：「这个 Gatling Scala 报错是什么意思？怎么修复？报错内容：[粘贴报错]」
4. AI 会告诉你原因和修复方法，照做即可

⚠️ 常见报错速查：
not found: value csv → 缺少 import，在文件顶部加一行：import io.gatling.core.Predef._
type mismatch → 数据类型错误，检查 ${} 变量引用是否正确
value ${username} → 少了美元符号，检查是否为 ${username}

5.6 小流量验证——先跑 1 个用户确认脚本正确

这是最关键的一步！在跑 100 个用户之前，必须先用 1 个用户验证脚本是否正确。

操作步骤：

1. 在 VS Code 中打开 LoginSimulation.scala
2. 找到 rampUsers(100)，临时改为 rampUsers(1)
3. 找到 during(10.seconds)，临时改为 during(1.seconds)
4. 按 Ctrl + S 保存
5. 打开 CMD，进入项目目录：cd /d D:\projects\gatling-demo
6. 执行命令：

mvn test -Dgatling.simulationClass=computerdatabase.LoginSimulation

7. 观察输出：5 秒内看到 BUILD SUCCESS → 脚本没问题，可以跑正式测试
8. 如果看到大量红色 ERROR → 把报错信息复制给 TRAE AI 修复
9. 验证成功后，把 rampUsers(1) 改回 rampUsers(100)，during(1.seconds) 改回 during(10.seconds)，保存

六、正式执行测试——mvn test 全流程

6.1 为什么要用 mvn test 而不是 gatling.sh？

前面提到我们用的是 Maven 项目版，所以执行压测的方式也用 Maven 的标准命令：mvn test。

这比独立版的 gatling.sh 有几个优势：

• 标准化
  
  ：Maven 是行业标准，所有 CI/CD 工具（Jenkins、GitLab CI 等）都支持
• 依赖管理
  
  ：pom.xml 里的依赖自动下载，不需要手动复制 JAR 包
• 参数灵活
  
  ：可以通过命令行参数指定运行哪个脚本，不用每次改代码

6.2 执行命令详解

标准执行命令：

mvn test -Dgatling.simulationClass=computerdatabase.LoginSimulation

参数说明：

• mvn test
  
  ：Maven 测试命令，会编译代码并运行测试
• -Dgatling.simulationClass
  
  ：指定运行哪个 Simulation 类（Java/Maven 的标准参数格式：-Dkey=value）
• computerdatabase.LoginSimulation
  
  ：类的全限定名（包名.类名）

首次执行时会发生什么？

1. Maven 检测到项目没有编译过，先执行 mvn compile
2. 编译 Scala 源码（Scala 代码会被编译成 Java 字节码）
3. Maven 启动 Gatling 测试引擎
4. Gatling 按配置执行测试（10 秒加压 + 30 秒持续，共约 40 秒）
5. 测试结束后，Gatling 在 results/ 目录下生成 HTML 报告

预计执行时间：首次约 2-3 分钟（编译），后续约 40-50 秒。

6.3 执行过程中的输出解读

测试执行过程中，命令行窗口会不断输出信息。下面是各阶段的解读：

# 阶段一：Maven 编译[INFO] --- scala-maven-plugin:4.8.1:compile (default-compile) @ gatling-demo ---[INFO] Compiling 1 Scala source to ... arget\classes ...[INFO] BUILD SUCCESS ← 编译成功！# 阶段二：Gatling 测试执行Select simulation script:0) computerdatabase.LoginSimulation ← 用数字选择（输入 0 回车）# 阶段三：实时输出================================================================================users: 0 / 100 ← 实时虚拟用户数量Active users: 87 ← 当前并发活跃用户Waiting users: 13 ← 等待中的用户Done: 0 ← 已完成请求数Requests tooltip: OK: 2450 KO: 0 ← 成功/失败请求数Response time tooltip: min: 245ms max: 890ms avg: 412ms ← 响应时间统计percentile 50: 389ms percentile 75: 467mspercentile 95: 678ms percentile 99: 789ms# 阶段四：测试结束================================================================================Simulation computerdatabase.LoginSimulation completed in 34 seconds---- Assertions Statistics -----------------------------------------------------[INFO] gatling assertion assertions.0 PASSED ← 断言通过！[INFO] gatling assertion assertions.1 PASSED ← 断言通过！[INFO] BUILD SUCCESS[INFO] Reports generated in: D:\projects\gatling-demo\results\...

当看到 BUILD SUCCESS 且两个断言都 PASSED 时，说明测试全部通过！

6.4 查看 HTML 报告

测试完成后，Gatling 会自动生成一份精美的 HTML 报告，打开方式：

HTML 报告包含以下内容，每一项都是超链接，可以点击进入详细视图：

• Statistics
  
  ：总请求数、成功数、失败数、TPS、响应时间分布
• Request Latencies Distribution
  
  ：响应时间分布直方图
• Number of requests per second
  
  ：每秒请求数折线图
• Response time percentiles over time
  
  ：响应时间分位值随时间变化曲线
• Active users over time
  
  ：活跃用户数随时间变化
• Response time distribution
  
  ：响应时间分布图

6.5 七大核心指标解读

打开 HTML 报告后，关注以下七个核心指标：

6.6 AI 辅助分析报告

你可以把 Gatling 报告的关键数据复制给 TRAE AI，让 AI 帮你解读：

请帮我分析这份Gatling压测报告数据：
– 总请求数：3000
– 成功：2985 (99.5%)
– 失败：15 (0.5%)
– 平均响应时间：412ms
– P50：389ms
– P95：678ms
– P99：789ms
– 最大响应时间：890ms
– TPS峰值：85 req/s

请告诉我：1）整体性能评估（良好/一般/差）；2）是否存在问题；3）改进建议。

6.7 升级挑战：把并发提升到 10000

完成第一次压测后，可以尝试更高的并发来挑战系统：

• 修改 rampUsers(100) → rampUsers(10000)
• 修改 during(10.seconds) → during(60.seconds)（加压时间更长，系统更容易承受）
• 修改 .maxDuration(30.seconds) → .maxDuration(60.seconds)
• 确保 CSV 数据有足够的行数（如果有 1000 行，就够用）

💡 10000 并发测试的意义：验证你的系统能否在 10 秒内从 0 平滑扩展到 1 万并发，观察系统是在哪个时间点开始出现性能拐点（响应时间开始飙升）。这个拐点就是系统的实际容量上限。

七、CI/CD集成与自动化

7.1 为什么要把压测加入CI/CD流水线？

手动运行压测的问题是：人可能会忘记、版本可能会遗漏。而把压测集成到 CI/CD 流水线中，可以实现：每次代码提交或合并时，自动运行压测，报告自动生成，数据自动对比。

如果压测结果不达标（成功率低于 99%，95 分位响应时间超过阈值），流水线自动失败，阻止部署到生产环境。这就是「质量门禁」的概念——性能不达标，代码不能合并。

7.2 Jenkins 集成示例

在 Jenkins 中创建一个新的 Pipeline 项目，配置如下：

pipeline {agent anystages {stage('Checkout') {steps {checkout scm}}stage('Gatling Performance Test') {steps {bat 'mvn test -Dgatling.simulationClass=computerdatabase.LoginSimulation'}}}post {always {archive 'results/**'publishHTML target: [allowMissing: false, alwaysLinkToLastBuild: true,reportDir: 'results', reportFiles: '**/index.html', reportName: 'Gatling Report']}}}

这个 Pipeline 的效果是：每次代码提交，Jenkins 自动运行压测，并在构建页面中直接展示 Gatling HTML 报告。

7.3 常见陷阱速查表

八、常见问题Q&A

Q1：提示「不是内部或外部命令」，java 或 mvn 无法识别怎么办？

A：环境变量没有配置正确。请检查 PATH 中是否包含 %JAVA_HOME%in 和 %MAVEN_HOME%in。具体操作：控制面板 → 系统 → 高级系统设置 → 环境变量 → 编辑 PATH。

Q2：Metals 插件一直显示「正在下载…」，无法启动怎么办？

A：可能是网络问题（需要访问境外服务器）。可以尝试配置 Maven 国内镜像，在 pom.xml 中添加阿里云镜像源。

Q3：生成的 CSV 文件是乱码怎么办？

A：保存文件时，确保编码选择 UTF-8（不是 ANSI 或 GBK）。VS Code 右下角会显示当前文件编码，如果显示的是 GBK，手动点击改成 UTF-8。

Q4：Trae AI 显示额度用完了怎么办？

A：可以购买订阅（月付约几十元），或者配置自己的 API Key（Claude / OpenAI 的 Key 均可）。

Q5：JMeter 能达到 10 万并发吗？

A：理论上可以通过分布式集群实现，但单机几乎不可能。JMeter 每 1000 并发约消耗 1.5 GB 内存，10 万并发需要约 150 GB 内存。

Q6：我想测试 HTTPS 接口，需要额外配置吗？

A：不需要。Gatling 原生支持 HTTPS，只需要把 baseUrl 从 http:// 改成 https:// 即可。

Q7：测试报告可以导出为 PDF 吗？

A：Gatling 原生不支持 PDF 导出，但可以在浏览器中打开 HTML 报告后，使用浏览器打印功能（Ctrl+P）导出为 PDF。

Q8：如何测试 WebSocket 接口？

A：Gatling 支持 WebSocket 协议，使用 ws() 方法即可。Trae AI 也可以帮你生成 WebSocket 测试脚本。

九、总结

回顾一下今天的学习路径：

第一步：安装工具

VS Code + Scala (Metals) + TRAE AI

第二步：AI生成脚本

TRAE AI 帮你写代码，你只需要复制粘贴

第三步：mvn test 执行

查看精美的 HTML 报告，读懂性能数据

这篇文章的核心观点是：在 AI 时代，写 Gatling 压测脚本不再是程序员的专利。只要你会复制粘贴提示词，你就可以完成专业的性能测试工作。

你现在拥有的技能：

• 能够独立完成 10 万并发压力测试
• 能够用 HTML 报告解读性能瓶颈
• 能够把压测集成到 CI/CD 流水线
• 能够用 AI 工具快速生成和调试脚本

这是测试工程师群体中非常稀缺的能力组合。持续练习，多尝试不同的场景，你会越来越熟练。