在進行性能測試時，我們需要對測試結(jié)果進行監(jiān)控和分析，以便于及時發(fā)現(xiàn)問題并進行優(yōu)化。 Locust在內(nèi)存中維護了一個時間序列數(shù)據(jù)結(jié)構(gòu)，用于存儲每個事件的統(tǒng)計信息。 這個數(shù)據(jù)結(jié)構(gòu)允許我們在Charts標簽頁中查看不同時間點的性能指標，但是正因為Locust WebUI上展示的數(shù)據(jù)實際上是存儲在內(nèi)存中的。所以在Locust測試結(jié)束后，這些數(shù)據(jù)將不再可用。 如果我們需要長期保存以便后續(xù)分析測試數(shù)據(jù)，可以考慮將Locust的測試數(shù)據(jù)上報到外部的數(shù)據(jù)存儲系統(tǒng)，如InfluxDB，并使用Grafana等可視化工具進行展示和分析。

如果你準備從事AI方面的研究，還未掌握Python，以下建議收藏學習。

本著 「路漫漫其修遠兮, 吾將上下而求索」 的精神。終于要開始深入研究 Python 中 asyncio 的源碼實現(xiàn)啦。 本文章可能篇幅較長，因為是逐行分析 asyncio 的實現(xiàn)，也需要讀者具有一定的 asyncio 編碼經(jīng)驗和功底，推薦剛開始踏上 Python 異步編程之旅的朋友們可以先從官方文檔入手，由淺入深步步為營。 若在讀的你對此感興趣，那么很開心能與你分享我的學習成果。 本次源碼分析將在 Python 3.11.3 的版本上進行探索。