压力测试概述

压力测试用来检测函数(方法）的性能，和编写单元功能测试的方法类似，但需要注意以下几点：

文件名命名规则：xxx_test.go
函数名命名规则：func BenchXxx(b *testing.B),其中XXX可以是任意字母数字的组合，但是首字母不能是小写字母
函数内必须使用b.N进行轮询测试
函数内可以选择使用b.ReportAllocs()汇报内存开销
在GoLandIDE中你可以在待测包上右键，Run->gobentch xxx，以执行整包的压力测试，默认从上向下依次执行所有
终端执行当前包下的所有压力测试：

go test -bench=.


终端执行多次求平均值

go test -bench=. -count=3

定义待测的工具函数

这里给出了斐波那契数列的递归和非递归两种算法实现
//获取斐波那契数列第n项的递归实现
//1,1,2,3,5,8,13,21,34,55
func GetFibonacci1(n int) int {
	if n == 0 || n == 1 {
		return 1
	} else {
		return GetFibonacci1(n-1) + GetFibonacci1(n-2)
	}
}

//获取斐波那契数列第n项的非递归实现
//1,1,2,3,5,8,13,21,34,55
func GetFibonacci2(n int) int {
	x, y := 1, 1
	for i := 0; i < n; i++ {
		x, y = y, x+y
	}
	return x
}

定义测试用例
//导入测试工具包
import "testing"

//测试用例1：多次测试函数GetFibonacci1，获得平均执行时间
func BenchmarkGetFibonacci1(b *testing.B) {
	b.Log("BenchmarkGetFibonacci1")
	
	//汇报内存开销
	b.ReportAllocs()
	for i := 0; i < b.N; i++ {
		GetFibonacci1(10)
	}
}

//测试用例2：多次测试函数GetFibonacci2，获得平均执行时间
func BenchmarkGetFibonacci2(b *testing.B) {
	b.Log("BenchmarkGetFibonacci2")
	
	//汇报内存开销
	b.ReportAllocs()
	for i := 0; i < b.N; i++ {
		GetFibonacci2(10)
	}
}

执行结果



不难看出，算法2的执行效率6.55纳秒/次要远远优于算法1的503纳秒/次
定义待测试的结构体
//导入包
import (
	"encoding/json"
	"os"
	"fmt"
)

//定义待测的结构体
type Student struct {
	Name string
	Age  int
}

//将当前对象存入JSON文件
func (s *Student) Save() error {
	dstFile, _ := os.OpenFile("d:/temp/student.json", os.O_WRONLY|os.O_CREATE|os.O_TRUNC, 0666)
	defer dstFile.Close()

	//fmt.Println("Save:s=",s)
	encoder := json.NewEncoder(dstFile)
	err := encoder.Encode(s)
	if err != nil {
		fmt.Println("保存失败,err=", err)
		return err
	}

	//fmt.Println("保存成功!")
	return nil
}

//读取JSON文件，转化为一个student对象，加载的结果存入s中
func (s *Student) Load() error {
	srcFile, _ := os.OpenFile("d:/temp/student.json", os.O_RDONLY, 0666)
	defer srcFile.Close()
	decoder := json.NewDecoder(srcFile)
	err := decoder.Decode(s)
	if err != nil {
		fmt.Println("加载失败,err=", err)
		return err
	}

	//fmt.Println("加载成功!")
	return nil
}

定义结构体函数的性能测试用例
//导入测试工具包
import "testing"

//测试用例1：多次测试学生的保存方法，获得平均执行时间
func BenchmarkStudentSave(b *testing.B) {
	b.Log("BenchmarkStudentSave")
	
	//汇报内存开销
	b.ReportAllocs()
	for i := 0; i < b.N; i++ {
		student := &Student{"张全蛋", 20}
		student.Save()
	}
}

//测试用例2：多次测试学生的加载方法，获得平均执行时间
func BenchmarkStudentLoad(b *testing.B) {
	b.Log("BenchmarkStudentLoad")
	
	//汇报内存开销
	b.ReportAllocs()
	for i := 0; i < b.N; i++ {
		student := &Student{}
		student.Load()
	}
}

执行效果


学院Go语言视频主页

https://edu.csdn.net/lecturer/1928
[清华团队带你实战区块链开发]

(https://ke.qq.com/course/344443?tuin=3d17195d)

扫码获取海量视频及源码   QQ群：

721929980

  jmeter是apache公司基于java开发的一款开源压力测试工具，体积小，功能全，使用方便，是一个比较轻量级的测试工具，使用起来非常简单。因为jmeter是java开发的，所以运行的时候必须先要安装jdk才可以。jmeter是免安装的，拿到安装包之后直接解压就可以使用，同时它在linux/windows/macos上都可以使用。 

  jmeter可以做接口测试和压力测试。其中接口测试的简单操作包括做http脚本（发get/post请求、加cookie、加header、加权限认证、上传文件）、做webservice脚本、参数化、断言、关联（正则表达式提取器和处理json-json path extractor）和jmeter操作数据库等等。



接口测试



Jmeter-http接口脚本

一般分五个步骤:（1）添加线程组 （2）添加http请求 （3）在http请求中写入接入url、路径、请求方式和参数 （4）添加查看结果树 （5）调用接口、查看返回值

jmeter 发get请求




jmeter 发post请求


jmeter 添加cookie

需要在线程组里添加配置元件—HTTP Cookie 管理器




jmeter 添加header 

需要在线程组里面添加配置元件—HTTP信息头管理器 



jmeter 上传文件


jmeter 参数化 

入参经常变化的话，则可以设置成一个变量，方便统一修改管理；如果入参要求随机或可多种选择，则通过函数生成器或者读取文件形成一个变量。所以参数化有三种方式：用户定义的变量、函数生成器、读取文件。

（1）用户定义的变量 

         需要添加配置元件-用户定义的变量。




（2）函数生成器 

             需要用到函数助手功能，可以调用函数生成一些有规则的数据。常用的几个函数有_uuid、_random、_time。_uuid会生成一个随机唯一的id，比如在避免java请求重发造成未处理数据太多的情况，接口请求可加一个唯一的请求id唯一的响应id进行一一对应；随机数_random，可以在你指定的一个范围里取随机值；取当前时间_time，一些时间类的入参可以使用,如{__time(,)} 是生成精确到毫秒的时间戳、{__time(/1000,)}是生成精确到秒的时间戳、${__time(yyyy-MM-dd HH:mm:ss,)} 是生成精确到秒的当前时间。



（3）从文件读取 

   需要在线程组里面添加配置元件-CSV Data Set Config 

  其中Recycle on EOF:设置True后，允许循环取值 


   具体的例子如下所示：







jmeter 断言 

  jmeter断言用来检测响应返回的结果和我们预期的是否一致。若针对整个线程组的话，则在线程组下添加断言-响应断言；若只是针对某个请求的话，则在请求下添加断言-响应断言。




jmeter关联

  接口请求之间存在参数调用，为了保存这个参数，建立jmeter关联。比如登陆接口和购买商品接口，购买商品接口就需要登陆接口返回的token等登陆信息，jmeter关联就可以保存这个token信息，方便购买商品接口使用。 

  jmeter关联可以通过二种方式来完成，获取到返回结果中指定的值。它们分别是正则表达式提取器、 json path extractor。 

（1）正则表达式提取器 

若想获取的返回值未匹配到，可以把正则表达式两边匹配的数据扩大点。



a. 关于正则表达式

()：括起来的部分就是要提取的。 

.：匹配除换行外的任何字符串。 

+：代表+号前面的字符必须至少出现一次（一次或多次）。 

?：代表？前面的字符最多可以出现一次，在找到第一个匹配项后停止（0次或1次）。 
：代表号前面的字符可以不出现，也可以出现一次或者多次（0次、1次或者多次） 

(.*)：贪婪模式，匹配尽可能多的字符 

（.*?）或（.+?）：匹配尽可能少的字符，一旦匹配到第一个就不往下走了。

b. 关于模板
  若想提取多个值的话，比如是a和b这两个值，则可以写成：$1$$2$。无论要提取多少个值，引用名称就是一个的，比如名称为id，${id_go}:获取整个字符串ab，${id_g1}：获取的是a，${id_g2}：获取的是b。 

  下面有一个具体的实例，如下图所示：







（2）json path extractor 

   jmeter通过安装json path extractor插件来处理json串，提取json串中的字段值。插件的下载地址：https://jmeter-plugins.org/?search=jpgc-json，下载完成，解压后，直接把lib文件夹放到jmeter相应目录下面。特别说明：jmeter 2.xx左右的版本尝试过无法使用该插件，在jmeter 3.xx左右的版本装完插件后能正常使用。  

    需要在请求下创建后置处理器-jp@gc-JSON Path Extractor，具体的实例如下所示：







  关于json path相关插件的方法和使用，推荐可以看这篇博客： http://www.jianshu.com/p/56a607fc0d8f

jmeter 操作数据库 

  操作数据库基本有四个步骤：（1）导入mysql的jdbc的jar包 （2）创建数据库的连接配置，线程组里添加配置元件-JDBC Connection Configuration （3）线程组里添加jdbc request，写sql语句  （4）添加察看结果树，点击启动按钮，就能看到执行的SQL。具体的实例如下截图所示：








  特别说明：jmeter还可以操作oracle、postgreSQL、msSQL、mongodb等等数据库，同时不同的数据库，JDBC Connection Configuration填写的Database url格式和JDBC Driver驱动名称也不相同。jmeter数据库驱动列表如下表所示：

数据库
  
驱动
  
数据库url
mysql
  
com.mysql.jdbc.Driver
  
jdbc:mysql://host:port/{dbname}?allowMultiQueries=true
oracle
  
org.postgresql.Driver
  
dbc:postgresql:{dbname}
Jmeter-webservice接口脚本

  基本分为五个步骤：(1)先需要通过soapui工具获取到webservice接口的请求地址、请求报文和请求soapaction。（2）jmeter新建一个线程组 （3）线程组下建立SOAP/XML-RPC Request，写入请求url、请求报文、请求soapaction。（3）启动jmeter，调用接口，通过察看结果树查看返回值。 

  soapui获取信息的实例如下图所示：



  soapui提交完后，点击raw,可看到soapation，有些接口若没返回soapation,则jmeter里也就不用填。



   jmeter-webservice脚本实例如下图所示：





压力测试

  压力测试分两种场景：一种是单场景，压一个接口的；第二种是混合场景，多个有关联的接口。压测时间，一般场景都运行10-15分钟。如果是疲劳测试，可以压一天或一周，根据实际情况来定。



压测任务需求的确认

压测前要明确压测功能和压测指标，一般需要确定的几个问题：

固定接口参数进行压测还是进行接口参数随机化压测？
要求支持多少并发数？
TPS（每秒钟处理事务数）目标多少？响应时间要达到多少？
压服务器名称还是压服务器IP，一般都是压测指定的服务器
压测设置

线程数：并发数量，能跑多少量。具体说是一次存在多少用户同时访问
Rame-Up Period(in seconds):表示JMeter每隔多少秒发动并发。理解成准备时长：设置虚拟用户数需要多长时间全部启动。如果线程数是20，准备时长为10，那么需要10秒钟启动20个数量，也就是每秒钟启动2个线程。
循环次数：这个设置不会改变并发数，可以延长并发时间。总请求数=线程数*循环次数
调度器：设置压测的启动时间、结束时间、持续时间和启动延迟时间。
压测结果查看

  运行完后，聚合报告会显示压测的结果。主要观察Samples、Average、error、Throughput。

Samples:表示一共发出的请求数  
Average：平均响应时间，默认情况下是单个Request的平均响应时间（ms）
Error%:测试出现的错误请求数量百分比。若出现错误就要看服务端的日志，配合开发查找定位原因
Throughput:简称tps,吞吐量，默认情况下表示每秒处理的请求数，也就是指服务器处理能力，tps越高说明服务器处理能力越好。
压测结果的分析

有错误率同开发确认，确定是否允许错误的发生或者错误率允许在多大的范围内；   
Throughput吞吐量每秒请求的数大于并发数，则可以慢慢的往上面增加；若在压测的机器性能很好的情况下，出现吞吐量小于并发数，说明并发数不能再增加了，可以慢慢的往下减，找到最佳的并发数；
压测结束，·登陆相应的web服务器查看CPU等性能指标，进行数据的分析;
最大的tps:不断的增加并发数，加到tps达到一定值开始出现下降，那么那个值就是最大的tps。
最大的并发数：最大的并发数和最大的tps是不同的概率，一般不断增加并发数，达到一个值后，服务器出现请求超时，则可认为该值为最大的并发数。
压测过程出现性能瓶颈，若压力机任务管理器查看到的cpu、网络和cpu都正常，未达到90%以上，则可以说明服务器有问题，压力机没有问题。
影响性能考虑点包括：数据库、应用程序、中间件（tomact、Nginx）、网络和操作系统等方面。
jmeter在linux下进行压力测试

jmeter 在linux安装 

  简单说下，就是要先安装jdk,同时再配置环境变量，最后再上传jmeter压缩的安装包，在linux下解压完安装包就可以使用了。推荐博客：http://blog.csdn.net/zhemeteor/article/details/51315874
jmeter在linux运行 

进入jmeter下的bin目录下运行脚本，未配置jmeter环境变量的条件下，运行的命令：

  
./jmeter -n -t a.jmx -l res.jtl


其中a.jmx是准备好的jmeter脚本,res.jtl是测试结果文件，测试结果文件可以导入到jmeter察看结果树下查看。



jmeter添加负载机

一、测试工具：

       JMeter

二、JMeter介绍：

Apache JMeter是Apache组织开发的基于Java的压力测试工具。用于对软件做压力测试，它最初被设计用于Web应用测试，但后来扩展到其他测试领域。

三、Java环境的安装与配置：

（1）因为JMeter是使用JAVA写的，所以使用JMeter之前，先安装JAVA环境，

   oracle官网下载JDk https://www.oracle.com/technetwork/java/javase/downloads/index.html


 

配置变量


	
系统变量→新建 JAVA_HOME 变量 。  变量值填写jdk的安装目录（本人是 E:\Java\jdk1.7.0)
	
	

	
系统变量→寻找 Path 变量→编辑

	
在变量值最后输入 %JAVA_HOME%\bin;%JAVA_HOME%\jre\bin;

	
（注意原来Path的变量值末尾有没有;号，如果没有，先输入；号再输入上面的代码）
	
	

	
系统变量→新建 CLASSPATH 变量

	
变量值填写   .;%JAVA_HOME%\lib;%JAVA_HOME%\lib\tools.jar（注意最前面有一点）

	
系统变量配置完毕
	
	
测试jdk是否安装成功，可在【开始】中搜索cmd，输入【java -version】


 

 

四、JMeter下载与使用：

   1.JMeter下载地址：在官网 http://jmeter.apache.org/ 

2.解压下载的二进制包，使用cmd命令进入bin目录，使用jmeter.bat启动程序。（注意直接双击jmeter.bat无法启动时需要使用Window+R，输入cmd，然后进入bin目录如下）



 3.启动之后会有两个窗口，一个cmd窗口，一个JMeter的 GUI



上面的意思就是：不要使用GUI运行压力测试，GUI仅用于压力测试的创建和调试；执行压力测试请不要使用GUI。使用下面的命令来执行测试：

jmeter -n -t [jmx file] -l [results file] -e -o [Path to web report folder]



五、创建测试

1.创建线程组

在“测试计划”上右键 【添加】-->【Threads(Users)】-->【线程组】



2.设置线程数和循环次数。我这里设置线程数为500，循环一次。



3..创建Http请求

在“线程组”右键 【添加-】->【samlper】-->【HTTP 请求】



4.添加察看结果树和聚合报告

在我们刚刚创建的线程组上右键 【添加】-->【监听器】-->【察看结果树】。添加聚合报告，右键 【添加】-->【监听器】-->【聚合报告】。

直接添加，然后点击运行按钮就可以看到结果了。

结果树分析：



通过察看结果树，我们可以看到每个请求的结果，其中红色的是出错的请求，绿色的为通过。

Thread Name（线程组名称）: 线程组 1-24

Sample Start（ 启动开始时间）: 2019-02-15 15:00:14 CST

Load time（加载时长）: 290

Connect Time:（连接时长） 86

Latency（等待时长）: 174

Size in bytes（发送的数据总大小）: 2212

Sent bytes:821

Headers size in bytes（发送数据的其余部分大小）: 1162

Body size in bytes: 1050

Sample Count（发送统计）: 1

Error Count（错误统计）: 0

Data type ("text"|"bin"|""): text

Response code（返回状态码）: 200

Response message（返回信息）: OK

这里绿色的就说明请求是通过的，返回值是200，如果出现红色的×就说明请求失败，这时候可以通过右边的取样器结果和响应数据来查看结果。

聚合报告分析：



Sample:本次测试场景共运行多少线程；

 Average:平均响应时间； 

 Median:统计意义上的响应时间中值；

  90% line:所有线程中90%的线程响应时间都小于xx的值;

  Min:响应最小时间；

 Max:响应最大时间；

 Error:出错率；

Throughput - 吞吐量以“requests/second、requests /minute、 requests /hour”来衡量。 时间单位已经被选取为second，所以，显示速率至少是1.0，即每秒1个请求。 当吞吐量被保存到CVS文件时，采用的是requests/second，所以30.0 requests/second 在CVS中被保存为0.5

 

Kb/sec - 以Kilobytes/seond来衡量的吞吐量

六、测试结果：

（1）50个用户同时访问企业用户会议室预定页面，平均响应时间是0.146秒，最大的响应时间0.387秒，最小的响应时间是0.096秒，错误率为0。



（2）100个用户同时访问企业用户会议室预定页面，平均响应时间是2.295秒，最大的响应时间8.132秒，最小的响应时间是0.425秒，错误率为0。



 

 

使用hadoop官方工具遇到了一些问题（附录详写），所以自己编写了测试用例进行压力测试
首先pom文件引入lombok,hadoop和hdfs的依赖包
<properties>
    <lombok.version>1.16.20</lombok.version>
    <hadoop.version>2.7.7</hadoop.version>
</properties>

	<dependency>
        <groupId>org.projectlombok</groupId>
        <artifactId>lombok</artifactId>
        <version>${lombok.version}</version>
        <scope>provided</scope>
    </dependency>
	<!-- https://mvnrepository.com/artifact/org.apache.hadoop/hadoop-hdfs -->
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-hdfs</artifactId>
        <version>${hadoop.version}</version>
    </dependency>
    <!-- https://mvnrepository.com/artifact/org.apache.hadoop/hadoop-common -->
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-common</artifactId>
        <version>${hadoop.version}</version>
    </dependency>

下面是我编写的测试用例（需要配置的注释已给出,需要配置的路径需要自行配置），编译后直接放到一台有linux服务器上进行测试，测试命令为
java -cp./*; hadoop.HLT

其中-cp./*是要引入测试用例需要的jar包，请把项目打包后获取lib下的jar包
import lombok.SneakyThrows;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;

import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.util.concurrent.CountDownLatch;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;

/**
 * @ClassName HadoopLinuxTest
 * @Descriptiom TODO hadoop I/O test for linux
 * @Author KING
 * @Date 2019/4/1 17:26
 * @Version 1.2.1
 **/
public class HLT implements Runnable
{
    //测试文件地址
    private static final String src = "/root/32KB" ;
    //hadoop namenode 节点ip
    private static final String remote = "hdfs://192.168.1.191:9000/";
    //设定文件数偏移（用于中继上传）
    private static final int Offset = 0;
    //上传文件总数
    private static final int TOTAL_FILES = 100000000;
    //上传文件使用线程数
    private static final int TOTAL_THREADS = 200 ;

    private String dst ;
    private int FileStartNum;
    private int FileEndNum;
    private Configuration conf;
    private CountDownLatch Latch;

    public HLT(String dst, int fileStartNum, int fileEndNum, Configuration conf, CountDownLatch latch) {
        this.dst = dst;
        FileStartNum = fileStartNum;
        FileEndNum = fileEndNum;
        this.conf = conf;
        Latch = latch;
    }

    @SneakyThrows
    public static void main(String[] args) {
        ExecutorService ThreadPool = Executors.newFixedThreadPool(TOTAL_THREADS);
        CountDownLatch Latch = new CountDownLatch(TOTAL_THREADS);
        Configuration conf = new Configuration() ;
        conf.set("fs.defaultFS", "hdfs://192.168.1.191:9000"); // "hdfs://master:9000"
        int SingleFileNum = TOTAL_FILES/TOTAL_THREADS;
        File file = new File("/root/record.txt");
        FileOutputStream fileOut = new FileOutputStream(file,true);
        Long a = System.currentTimeMillis();
        String st ="start time sec :" + a +"\n";
        fileOut.write(st.getBytes());

        for (int i=0;i<TOTAL_THREADS;i++){
            int FileStartNum = i * SingleFileNum + Offset;
            int FileEndNum = (i+1) * SingleFileNum;
            //hadoop每个文件夹都有文件数量上限，所以此处为每个线程执行的上传新建一个目录
            String dst =remote + "linux_test"+i+"/";
            HLT hlt = new HLT(dst, FileStartNum, FileEndNum, conf ,Latch);
            ThreadPool.execute(hlt);
        }
        Latch.await();

        Long b = System.currentTimeMillis();
        String et ="end  time  sec :" + b +"\n";
        fileOut.write(et.getBytes());
        String allt = "all time :" + ((b-a)/1000) + "s" +"\n";
        fileOut.write(allt.getBytes());
        System.out.println("总用时:" + ((b-a)/1000) + "s");

        ThreadPool.shutdown();
    }

    @Override
    public void run() {
        //hadoop目录未指定时启用，修改为自己hadoop的根目录
//        System.setProperty("hadoop.home.dir", "/root/hadoop-2.7.1");
        //用户名为非root时启用
//        System.setProperty("HADOOP_USER_NAME", "root");
        for (int n = FileStartNum; n < FileEndNum ; n++){
            putToHDFS(src, dst + n, conf);
        }
        Latch.countDown();
    }

    /** 执行hadoop上传操作
     * @param src 本地资源全路径
     * @param dst 远程地址全路径
     * @param conf 对hadoop的设置
     * @return boolean 是否上传成功
     */
    public static boolean  putToHDFS(String src , String dst , Configuration conf){
        Path dstPath = new Path(dst) ;
        try{
            FileSystem hdfs = dstPath.getFileSystem(conf) ;
            hdfs.copyFromLocalFile(false, new Path(src), dstPath) ;
        }
        catch(IOException ie){
            ie.printStackTrace() ;
            return false ;
        }
        return true ;
    }
}

测试环境参数记录




类别
型号
标准值
实际测试差异记录




磁盘参数
磁盘型号

ST1000NM0018-2F2130


-
磁盘类型
SATA-7200RPM
SATA-7200RPM


-
厂商

DELL


-
单盘容量（GB）

1TB


-
FW版本

EA04


-
磁盘所在位置

SPU：2个磁盘DSU2624（DSU-1:1:2）：3个磁盘DSU2624（DSU-1:2:1）：3个磁盘


HADOOP环境参数
H节点个数

8个


-
虚拟机CPU/内存
16线程/64GB内存



-
前端网络
10GE
客户端为10GE，通过交换机连接10GE网络


-
后端网络
10GE
同左


-
其他

标准V2.7.7版本


客户端参数
操作系统

CentOS Linux release 7.6.1810 (Core)


-
内存

8GB


-
CPU

Intel® Xeon® CPU E5-2609 v3 @ 1.90GHz（双CPU，每个CPU 6核12线程）


-
访问hadoop速率

10Gb/s


-
并发线程数

详见测试参数


-
文件大小

32KB


-
文件数量

100000000


-
其他




测试结果如下
200并发情况下上传一亿个32KB文件




操作总数
字节数
平均响应时间
平均处理时间
吞吐量
带宽
总用时




100000000File
2.9795TB
1.08 ms
2.08  ms
481.25op/s
15.03MB/S
207792.21s≈58h


附录
官方工具的问题
1.速度奇慢
hadoop jar /home/hadoop/hadoop-2.7.7/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-2.7.7-tests.jar TestDFSIO -write -nrFiles 10000 -size 32KB

这是官方的 TestDFSIO方法，蜗牛一般的速度，报异常还不少，远达不到hdfs的性能瓶颈
2.TestDFSIO只能测试一个节点的性能，所有文件都会写在当前运行TestDFSIO方法的节点上，完全不是集群的压力测试，是单节点的测试。
3.teragen 工具
hadoop jar /home/hadoop/hadoop-2.7.7/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.7.jar teragen -Dmapred.map.tasks=100000000 -Ddfs.block.size=134217728 32 /terasort/output

以上命令虽然定义了任务数量 -Dmapred.map.tasks=100000000，但事实上这个参数毫无作用，不论怎么设定这个参数，teragen 工具只能创建一个文件。然后无看了源码和官方介绍，teragen 工具只是为了给terasort测试工具生成一个测试用例，并不是什么压力测试工具。（网上的博客好深的水）