zoukankan      html  css  js  c++  java
  • Jmeter取样器之Java Request

    操作步骤

    1、Java项目工程中创建一个类并实现JavaSamplerClient接口或继承AbstractJavaSamplerClient,并重写;

    public Arguments getDefaultParameters();设置可用参数及的默认值;
    public void setupTest(JavaSamplerContext arg0):每个线程测试前执行一次,做一些初始化工作;
    public SampleResult runTest(JavaSamplerContext arg0):开始测试,从arg0参数可以获得参数值;
    public void teardownTest(JavaSamplerContext arg0):测试结束时调用;

    具体如下:

    public Arguments getDefaultParameters() {
    Arguments args = new Arguments();
    args.addArgument("插入条数", "1");
    args.addArgument("Oracle库url","***");
    args.addArgument("Oracle库用户名","***");
    args.addArgument("Oracle库密码","***");
    return args;
    }

    //每个线程测试前执行一次,做一些初始化工作;
    public void setupTest(JavaSamplerContext arg0) {
    //业务数据库连接
    url = arg0.getParameter("Oracle库url");
    user = arg0.getParameter("Oracle库用户名");
    password = arg0.getParameter("Oracle库密码");
    }

     public SampleResult runTest(JavaSamplerContext arg0) {
    SampleResult sr = new SampleResult();
    record = arg0.getParameter("插入条数");
    //定义循环次数
    int count = Integer.valueOf(record);
    sr.setSampleLabel( "Java请求");
    sr.sampleStart();// jmeter 开始统计响应时间标记
    try {
    //运行内容

    // 通过下面的操作就可以将被测方法的响应输出到Jmeter的察看结果树中的响应数据里面了。
    resultData = end-start;
    sr.setResponseData("结果是:"+resultData, null);
    sr.setDataType(SampleResult.TEXT);
    sr.setSuccessful(true);
    } catch (Throwable e) {
    sr.setSuccessful(false);
    e.printStackTrace();
    } finally {
    sr.sampleEnd();// jmeter 结束统计响应时间标记
    }
    return sr;
    }

    注意点:该类需引入Jmeter的jar包ApacheJMeter_core.jar、ApacheJMeter_java.jar,这两个jar包放置在JMETER_HOMElibext目录下

    2、将Java项目工程打成Jar包(确保打包内容包括类JmeterJava的内容);

    3、将此jar包放入JMETER_HOMElibext目录;

    4、打开Jmeter,创建线程组、Java Request、查看结果树,进行测试,Java Request中选择相应的类名如下所示:

    附录:

    1、Idea打Jar注意点:需勾选build on make,每次打包直接执行菜单栏Build》Rebulid Project即可完成打包。

    2、Jmeter下载地址

    链接: https://pan.baidu.com/s/10c2uAmAiXQ-LhyiNK4ZkaQ 提取码: uajv 

  • 相关阅读:
    Pytorch安装
    使用Inception-v3进行图像分类
    Tensorflow模型保存与载入
    LSTM用于MNIST手写数字图片分类
    卷积神经网络应用于MNIST数据集分类
    手工设计神经MNIST使分类精度达到98%以上
    关于优化器的选择
    手动设计神经网络进行MNIST分类
    Matplotlib学习
    Apiview使用方法
  • 原文地址:https://www.cnblogs.com/seamy/p/9908054.html
Copyright © 2011-2022 走看看