Redis集群性能测试工具redis-benchmark

使用本文之前 比如集群在某个机器上7001端口有redis节点

记得使用ip 端口 比如如下

redis-benchmark  -h 10.166.15.36 -p 7001 -n 100000 -q script load "redis.call('set','foo','一二三四五六七八九十')"

./redis-benchmark  -h 10.166.15.36 -p 7001  -q -n 100000 

还有如何压测多大数据量的数据

 -d           Data size of SET/GET value in bytes (default 2)

参数 对get也有用！！！  666

下面命令是对3000字节的数据进行get set的操作

redis-benchmark  -h 10.166.15.36 -p 7001  -t set,get   -n 100000 -q -d 3000 

参考 

Redis-benchmark是官方自带的Redis性能测试工具，可以有效的测试Redis服务的性能。

使用说明如下：

Usage: redis-benchmark [-h ] [-p ] [-c ] [-n  [-k ]

 -h       Server hostname (default 127.0.0.1)
 -p           Server port (default 6379)
 -s         Server socket (overrides host and port)
 -c        Number of parallel connections (default 50)
 -n       Total number of requests (default 10000)
 -d           Data size of SET/GET value in bytes (default 2)
 -k        1=keep alive 0=reconnect (default 1)
 -r    Use random keys for SET/GET/INCR, random values for SADD
  Using this option the benchmark will get/set keys
  in the form mykey_rand:000000012456 instead of constant
  keys, the  argument determines the max
  number of values for the random number. For instance
  if set to 10 only rand:000000000000 - rand:000000000009
  range will be allowed.
 -P         Pipeline  requests. Default 1 (no pipeline).
 -q                 Quiet. Just show query/sec values
 --csv              Output in CSV format
 -l                 Loop. Run the tests forever
 -t          Only run the comma-separated list of tests. The test
                    names are the same as the ones produced as output.
 -I                 Idle mode. Just open N idle connections and wait.

测试命令事例：

1、redis-benchmark -h 192.168.1.201 -p 6379 -c 100 -n 100000 
100个并发连接，100000个请求，检测host为localhost 端口为6379的redis服务器性能 

2、redis-benchmark -h 192.168.1.201 -p 6379 -q -d 100  

测试存取大小为100字节的数据包的性能

3、redis-benchmark -t set,lpush -n 100000 -q

只测试某些操作的性能

4、redis-benchmark -n 100000 -q script load "redis.call('set','foo','bar')"

只测试某些数值存取的性能

参考 https://www.cnblogs.com/silent2012/p/4514901.html

------------------------------------------------------------------------------------

以下转载：https://blog.csdn.net/youqika/article/details/42740647

https://blog.csdn.net/youqika/article/details/42740647

1 实验数据

Redis自带一个叫redis-benchmark的工具来模拟N个客户端同时发出M个请求。实验进行了如下对比测试： 
（1） 分别在安静模式下与显式使用命令来运行进行对比； 
（2） 在单一的key和随机key模式下对比； 
（3） 在默认50个客户端、100个客户端和10个客户端下对比； 
（4） 在按顺序执行命令和一次性执行多条命令进行对比。

实验硬件条件：在虚拟机下，2个处理器，5GB内存，20G硬盘。

分别测试如下命令： 
（1） PING_INLINE 
（2） PING_BULK 
（3） SET：将字符串值value关联到key； 
（4） GET：返回key所关联的字符串值，如果key存储的值不是字符串类型，返回一个错误； 
（5） INCR：将key中存储的数字值增一。不能转换为数字则报错； 
（6） LPUSH：将一个或多个值value插入到列表key的表头； 
（7） RPUSH：将一个或多个值value插入到列表key的表尾； 
（8） LPOP：移除并返回列表key的头元素； 
（9） RPOP：移除并返回列表key的尾元素； 
（10） SADD：将一个或多个member元素加入到集合set当中，已经存在于集合的member元素将被忽略； 
（11） SPOP：移除并返回集合中的一个随机元素； 
（12） LPUSH：将一个或多个value插入到列表key的表头； 
（13） LRANGE_100：返回列表key中指定区间内的元素，前100条元素； 
（14） LRANGE_300：返回列表key中指定区间内的元素，前300条元素； 
（15） LRANGE_500：返回列表key中指定区间内的元素，前500条元素； 
（16） LRANGE_600：返回列表key中指定区间内的元素，前600条元素； 
（17） MSET：同时设置一个或多个key-value对，value为字符串。

2 实验结果

（1）./redis-benchmark -q -n 100000 
运行在安静的模式中，且只使用单一的key。 
 
（2）./redis-benchmark -n 100000 -q script load “redis.call(‘set’, ‘foo’, ‘bar’)” 
使用直接命令来运行。 
 
（3）./redis-benchmark -r 100000 -n 100000 -q 
运行在安静的模式中，并且设置10万随机key。 
 
（4）默认情况下，每个客户端都是在一个请求完成之后才发送下一个请求的，benchmark默认会模拟50个客户端，这意味着服务器几乎是按顺序读取每个客户端的命令。 
./redis-benchmark -c 100 -r 100000 -n 100000 -q 
模拟100个客户端 
 
./redis-benchmark -c 10 -r 100000 -n 100000 -q 
模拟10个客户端 
 
（5）Redis支持/topics/pipelining，使得可以一次性执行多条命令成为可能。Redis pipelining可以提高服务器的TPS。 
./redis-benchmark -r 100000 -n 100000 -P 16 –q 
Pipelining 16条命令的测试。 

3 实验分析

重点比较SET/GET/INCR/LPUSH/LPOP/SADD/SPOP/LRANGE_100这几个命令的性能。 
场景数字代表的意思 
1：单一key，50客户端;2：随机key，50客户端;3: 随机key，100客户端;4: 随机key，10客户端;5: 随机key，50客户端，并发执行。 
 
注：表格所有数据的单位：每秒的请求数。 
从上面表格可以看出： 
（1） 对于相同客户端的情况下，随机key的每秒请求数，SET和LPOP减少，GET、INCR、LPUSH、SADD、SPOP和LRANGE增加了； 
（2） 在随机生成key值的情况下，SET、SADD操作随着客户端数增加，每秒请求数减少；考虑到cache命中的情况，其他命令变化趋势没有规律； 
（3） 其他条件一致，并发执行情况下，各种命令都是有大幅度增加。 
从上面可以得出结论：在真实环境下，应对大数据，大并发，可以通过增加缓存大小，并发执行来提高吞吐量。