构建基于Scala DSL的Gatling负载测试脚本是一个系统性搭建工程，涉及环境搭建、脚本设计、模拟执行和结果分析。
主要概念架构
在编写第一行代码前，需理解两个重要的概念：
Gatling架构：Gatling采用异步、非阻塞的架构。每个虚拟用户是一个Actor，通过消息传递驱动，单个机器即可模拟数千并发用户，资源消耗远低于传统线程阻塞式工具（如JMeter）。
Scala DSL：DSL（领域特定语言）让测试脚本声明式且可读。描述的是"用户会做什么"，而非"如何逐步执行"。主要结构按照 场景 -> 注入策略 -> 模拟 的逻辑链。
环境配置
安装Java：确保已安装JDK 8或11（LTS版本），并设置JAVA_HOME。
bash
java -version构建工具（二选一）：
sbt（推荐）：Scala原生构建工具，生态兼容性最佳。创建 build.sbt：
Scala
name := "gatling-project"
version := "1.0"
scalaVersion := "2.13.12" // Gatling 3.9+推荐
enablePlugins(GatlingPlugin)
libraryDependencies += "io.gatling.highcharts" % "gatling-charts-highcharts" % "3.9.5" % "test,it"
libraryDependencies += "io.gatling" % "gatling-test-framework" % "3.9.5" % "test,it"Maven：在pom.xml中配置gatling-maven-plugin。
IDE配置：使用IntelliJ IDEA安装Scala插件，保证能识别DSL语法和提供自动补全。
负载测试模型
以一个API登录并查询数据的流程为例
第1层：定义协议
定义所有请求共用的基础测试配置。
Scala
import io.gatling.core.Predef._
import io.gatling.http.Predef._
import scala.concurrent.duration._
class BasicSimulation extends Simulation {
// 1. 定义HTTP协议配置
val httpProtocol = http
.baseUrl("https://your-api.zmtests.com") // 基础URL
.acceptHeader("application/json")
.contentTypeHeader("application/json")
.userAgentHeader("Gatling/3.9")
.disableCaching // 对于负载测试，通常禁用缓存
.shareConnections // 共享连接池，提升效率**提示：**disableCaching和shareConnections是性能测试的配置，保证测试施压更贴近真实场景。
第2层：定义场景行为（Scenario）
场景是用户行为的模拟，由一系列链式调用组成。
Scala
// 2. 定义场景（用户行为流）
val scn = scenario("用户登录并查询数据流程")
// 第一步：登录，提取并保存token
.exec(
http("用户登录")
.post("/api/auth/login")
.body(StringBody("""{"username":"test_user","password":"pass123"}"""))
.check( // 断言和提取器
status.is(200),
jsonPath("$.data.token").saveAs("authToken") // 关键：提取token供后续使用
)
)
.pause(1.second) // 模拟用户思考时间
// 第二步：携带token查询数据
.exec(
http("查询个人资料")
.get("/api/user/profile")
.header("Authorization", "Bearer ${authToken}") // 使用已保存的变量
.check(
status.is(200),
jsonPath("$.data.userId").saveAs("userId")
)
)
.pause(2.seconds)
// 第三步：基于上一步结果进行更复杂查询
.exec(
http("查询订单列表")
.get("/api/orders")
.queryParam("userId", "${userId}")
.check(
status.is(200),
// 验证响应体数组非空
jsonPath("$.data.orders").exists
)
)check：Gatling断言和提取。除了状态码，jsonPath、css、regex等提取器用于关联-这是测试有状态API（如登录）的必备技能。
saveAs：将提取的值存入会话（Session） 变量，变量作用域为当前虚拟用户的生命周期。
pause：必须加入思考时间，来模拟真实用户操作间隔。
第3层：设计负载模型
这是将"用户行为"转化为"并发压力"。
Scala
// 3. 设计负载模型（压力注入策略）
setUp(
scn.inject(
// 阶段一：用2分钟线性增长到20个并发用户
rampUsersPerSec(0) to 20 during (2.minutes),
// 阶段二：保持20并发用户持续运行5分钟
constantUsersPerSec(20) during (5.minutes),
// 阶段三：在1分钟内线性增长到100并发用户的峰值
rampUsersPerSec(20) to 100 during (1.minute),
// 阶段四：保持峰值压力2分钟
constantUsersPerSec(100) during (2.minutes)
// 阶段五：可在此后添加阶梯下降等更复杂模型
).protocols(httpProtocol)
).maxDuration(10.minutes) // 全局测试超时时间
}负载模型分析：
rampUsersPerSec：斜坡式增长，平滑加压，避免对系统产生"启动冲击"，常用于预热阶段。
constantUsersPerSec：恒定压力，用于稳定性测试和容量验证。
组合使用：真实的负载模型应是多阶段混合的，来模拟业务高峰、日常运行等不同场景。
优化实践
数据驱动测试：使用Feeder分离测试数据和逻辑。
Scala
val userFeeder = csv("data/users.csv").circular // 循环使用数据
val scn = scenario("DataDriven")
.feed(userFeeder)
.exec(http("Login")
.post("/login")
.body(StringBody("""{"username":"${username}","password":"${password}"}"""))
)断言和性能指标验证：在setUp层添加全局断言。
Scala
setUp(scn.inject(...))
.assertions(
// 全局95%响应时间必须小于500ms
global.responseTime.percentile(95).lt(500),
// 所有请求成功率必须大于99.5%
global.successfulRequests.percent.gt(99.5)
)报告结果分析：
执行：sbt gatling:test 或通过Gatling官方打包的recorder录制。
生成的HTML报告位于target/gatling/<simulation-name>-<timestamp>/，关注：
响应时间分布图：观察中位数、95分位数。
活跃用户数和请求数/秒图表：验证负载模型是否按预期施加。
错误统计：定位失败请求的根本原因。
避坑指南
避免脚本硬编码：URL、断言阈值等应配置化。
处理关联：对于动态值（如CSRF Token），使用正则或JSONPath精确提取，避免过度泛化。
理解虚拟用户生命周期：每个用户独立执行Scenario，Session变量不共享。
监控施压机：使用top或nmon监控CPU、内存和网络。
学习路径
官方资源：Gatling官方文档是必读手册，特别是关于Checks和Session API的部分。研究Gatling FrontLine（企业级监控）、集成InfluxDB+Grafana进行实时看板展示，以及使用Gatling的Java API进行定制化的测试逻辑开发。
文章来源：卓码软件测评
精彩推荐：点击蓝字即可
▲软件负载测试 ▲API自动化测试 ▲软件测试 ▲第三方软件测试 ▲软件性能测试 ▲软件测试机构