Python并发压测需聚焦真实负载模拟与瓶颈识别，核心指标包括QPS、延迟（尤其P99）、错误率及资源占用；须控制变量、明确目标（接口极限/容量/稳定性），依服务模型选工具（locust/wrk/hey等），并分层监控应用、Python运行时与系统层，分析时紧盯拐点而非均值。
Python并发性能压测不是简单起多线程或多进程跑请求，关键在于模拟真实负载、识别瓶颈、量化响应能力。重点看吞吐量（QPS）、平均/长尾延迟、错误率、资源占用（CPU/内存）四类指标，且必须控制变量——比如固定并发数、统一请求路径、禁用缓存、隔离测试环境。
明确压测目标与场景
先定义你要验证什么：是单接口极限承载？还是服务链路在混合请求下的稳定性？不同目标决定压测策略：
- 接口级压测：用固定并发数（如100、500、1000）逐步加压，观察QPS拐点和P99延迟突增点
- 容量评估：维持目标QPS（如300 QPS）持续运行10–30分钟，检查错误率是否稳定低于0.1%、内存是否缓慢增长
- 稳定性压测：在预期峰值流量（如800 QPS）下运行1小时以上，关注是否有连接泄漏、线程阻塞或GC飙升
选对工具，匹配Python运行模型
Python的GIL和I/O模型直接影响工具选择：
- 同步阻塞服务（如Flask + requests）：用locust（基于gevent）或wrk（外部HTTP压测器），避免用threading.Pool自行造轮子
- 异步服务（如FastAPI + httpx）：locust支持async用户类，或直接用hey、autocannon发高并发短连接
- 注意：不要用Python写的纯同步脚本（如requests + ThreadPoolExecutor）压测异步服务——它自身就成了瓶颈
监控必须覆盖应用层与系统层
只看响应时间没意义，要关联定位问题根源：
立即学习“Python免费学习笔记（深入）”；
- 应用层：用Prometheus + Grafana采集uvicorn/FastAPI指标（请求计数、处理时长、排队队列长度）
- Python运行时：启用psutil记录进程CPU%、RSS内存、线程数；用tracemalloc快照比对内存热点（尤其怀疑对象泄漏时）
- 系统层：vmstat 1看上下文切换、pidstat -u 1盯Python进程CPU，ss -s查TIME_WAIT连接堆积
结果分析要抓关键拐点，不只看平均值
平均响应时间掩盖问题，重点关注：
- P95/P99延迟是否随并发陡升：说明存在锁竞争、数据库慢查询或协程调度不均
- QPS不再线性增长甚至下降：典型瓶颈信号，结合CPU使用率判断是计算密集（CPU打满）还是I/O等待（CPU低但QPS卡住）
- 错误率跳变（如5xx从0%到12%）：立刻检查日志中的TimeoutError、ConnectionResetError或数据库连接池耗尽提示
- 内存持续上涨不回收：用objgraph查未释放的对象引用链，常见于全局缓存未设TTL或闭包持有大对象
