LoadRunner笔记第一篇------初识LoadRunner

LoadRunner四大版本详析 LoadRunner Professional、LoadRunner Enterprise、LoadRunner Cloud、LoadRunner Developer LoadRunner作为最常见的性能测试工具已经别人们所熟知,但是有关于LoadRunner的不同版本——LoadRunner Professional、LoadRunner Enterprise、LoadRunner Cloud、LoadRunner Developer,以及不同版本之间的区别却很少有人能说清楚。今天我们就来分别介绍一下LoadRunner的四个版本,以及各个版本之间的区别,方便大家更加深入地了解LoadRunner这款工具。 阅读详情

LoadRunner介绍

   1.   HP  LoadRunner,是一种工业级标准性能测试负载工具。 可以模拟上千万用户实施并发负载及实时性能监测的方式来确认和查找问题,LoadRunner能够对整个企业架构进行测试。企业使用LoadRunner能最大限度地缩短测试时间,优化性能和加速应用系统的发布周期。并在测试时可实时检测应用服务器和服务器硬件各种数据,来确认和查找存在的瓶颈。

    2. 支持多协议,如下
            Web(HTTP/HTML)   略
            Windows Sockets   是Windows下得到广泛应用的、开放的、支持多种协议的网络编程接口(纯C/S架构的)
                  FTP                 文件传输协议(缩写:FTP)是用于在网络上进行文件传输的一套标准协议,使用客户/服务器模式。                                            它属于网络传输协议的应用层。
                 ODBC              微软的一款数据库连接驱动,可以在本机连接数据库,数据库的桥
                 MS SQL Server  是Microsoft 公司推出的关系型数据库管理系统。

    3.组成(重要,3大组件如下图):
                 1、 VuGen(全称virtual User Generator 虚拟用户生成器)-----> 脚本生成器-脚本录制和编辑
                 2、 Contorller 控制器 ---->设计场景 运行 监控
                 3、 Analysis 分析器----> 测试结果分析

    学性能测试主要是学习LoadRunner软件的使用,学习LoadRunner主要是学习这里面的三大工具

  4.     理解三大工具的作用举例
        需求:软件系统支持100个人同时登陆
            1. 找100个人及100台电脑,每个员工注册账号ok 环境ok 输入账号密码 鼠标放到登录按钮上
            2. 领导拿个大喇叭 高喊 1..2..3
            3. 相关人员统计平均登录时间及登录前/登陆后的服务器CPU和内存等使用情况
      
    LoadRunner执行原理 (重点)
            1. Vugen 相当于打开登录页面 输入账号 输入密码 点击登录
            2. Controller 手拿大喇叭的领导
            3. Analysis 相当于各个统计人员

LoadRunner安装过程笔记 环境说明 win10企业版 1,下载安装包及补丁包 下载后解压 2,安装 双机LR11安装文件目录下的setup 这个报错不用理会 C:\software\LR11\loadrunner-11安装文件\lrunner\Chs\prerequisites\vc2005_sp1_redist 运行vcredist_x86 再次运行setup 一路下一步 退出LR程序,开始安装patch2 patch2 patch3 . 阅读详情

相关推荐

【LoadRunner】LoadRunner12安装和汉化

文章目录1. 下载安装包2.开始安装3. 汉化 因为公司的电脑强制安装了WIN10系统,浏览器也变为了IE11,之前的LoadRunner11已经不能兼容,所以就自己摸索开始安装LoadRunner12。 1. 下载安装包 在惠普官网下载安装包,官网地址: https://www.microfocus.com/zh-cn/products/loadrunner-load-testing/free-...

4570

HP LoadRunner

HP LoadRunner 什么是LoadRunner Load Runner是一个性能测试工具, 是Mercury开发的, 2006年的时候被HP公司收购,随后 2016年被MicroFocus收购 Load Runner支持各种开发工具,技术以及通信协议,目前市场上难得有这种支持大量的协议的性能测试工具 为什么是LoadRunner Load Runner不仅仅是性能测试工具中的先驱, 而且是目前市场上的领头羊。在最近的评估中, 他占有85%市场率, 也就是大部分公司做性能测试...

weixin_50244954的博客 2565

DEM高程数据的获取、合并与坐标转换

DEM高程数据的获取、合并与坐标转换一、DEM数据的获取二、数据合并三、投影转换方法一四、投影转换方法二 今天用DEM数据做了一个坡度分析,数据使用过程中涉及到投影坐标转换,由于不是很熟悉所以费了一番功夫。经过一番折腾总结出两个方法,方法一自认为比较便捷的方法,即通过BIGMAP软件中工具列表中的投影转换功能进行。方法二为传统方法,即在Arcgis中用投影栅格工具进行转换。 一、DEM数据的获取 在地理空间数据云网站下载DEM数据(精度包括30米和90米),数据格式为tif格式或img格式,坐标为WGS_1

weixin_48625651的博客 1万+

LoadRunner介绍

LoadRunner是HP旗下一款专注于软件性能测试的商业软件,是软件测试行业中,性能测试的标杆软件。LoadRunner是一种预测系统行为和性能的负载测试工具,通过模拟上千万真实的用户行为,实施负载、并发和性能实时监控的方式来确认和查找问题,以及完成后的测试报告分析系统可能存在的瓶颈。LoadRunner可适用于各种体系架构(B/S、C/S)的自动负载测试,能预测系统行为并评估系统性能。LoadRunner生成的脚本,可以是C、JAVA 、C#、VB语言。

qq_43810711的博客 2777

基于Arduino的智能垃圾桶

通过本次简单的Arduino智能垃圾桶小实验可以快速了解Arduino的基本用法 1、材料准备 Arduino UNO HC-SR04超声波模块 SG90舵机 杜邦线 电源 电脑 2、代码分析 电机的控制 #include<Servo.h> #define duoji D5 Servo myduoji; void setup() { myduoji.attach(duoji); //舵机连接 Serial.begin(115200); } void loop() { myduoji.w

weixin_41679960的博客 1万+

OpenClaw安装方式那么多,但建议大家还是用云厂商吧

OpenCloud的安装方式多样,包括One-liner、npm、pnpm和Hackable等。One-liner提供高效的单行命令安装;npm和pnpm作为Node.js包管理工具,分别提供常规和高性能的安装选项;Hackable则支持定制化安装。不同系统(macOS、Windows)和终端(PowerShell、CMD)的操作步骤各有特点,用户需根据自身技术背景选择合适的安装方式。官方推荐使用闲置计算资源或云部署方案以获得更佳体验。

涛涛讲AI 1401

[性能测试工具]——Loadrunner的使用及安装指南

性能测试的概念及Loaderunner的环境搭建、简单使用

qq_53332052的博客 9048

【unity小技巧】实现FPS射击游戏枪武器随镜头手臂摇摆效果(2025/12/11补充)

如果我们视角移动转向,武器如果不跟着进行摇摆,会感觉我们的动作很生硬,特别是射击类游戏,如下实现武器摇摆这里主要分享两种实现方法,一种是改变武器位置,一种是修改武器旋转想要使用哪种方法都可以,看你自己喜欢,如果是我,我会选择第二种,比较简单,参数也少,而且个人感觉效果也更好,已枪中心做旋转更符合现实。

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 1471

性能测试------LoadRunner 详解

LoadRunner是一款由Micro Focus(以前是Hewlett-Packard或HP公司)开发的性能测试工具。它用于测试和分析系统在负载下的行为和性能。具体来说,LoadRunner可以模拟数千名用户同时访问应用程序,以测量和评估系统的性能表现,从而帮助识别性能瓶颈和系统容量。

m0_73292466的博客 7509

【Spring Cloud Alibaba】Linux安装RocketMQ以及RocketMQ Dashboard可视化工具

在当今分布式架构的开发中,消息队列成为了一种常见的解决方案。RocketMQ是阿里巴巴开源的分布式消息中间件,具有高吞吐量、高可用性和强大的扩展性,因此在构建大规模、高可靠性的应用系统时备受推崇。而在使用RocketMQ时,为了更好地了解消息的流动和监控,RocketMQ Dashboard成为了一个不可或缺的可视化工具。本篇博客将带大家一步步在Linux系统中安装RocketMQ,并介绍如何配置和使用RocketMQ Dashboard。

编码人生 3385

STM32 BOOTLOADER配置以及APP跳转实现(裸机)

Bootloader是硬件启动的引导程序,是运行操作系统的前提。在操作系统内核或用户应用程序运行之前运行的一段小代码。对硬件进行相应的初始化和设定,最终为操作系统准备好环境。APP就是我们的应用程序,经过硬件引导程序之后跳转到系统程序运行。

吻等离子的博客 3358

测试工具——Loadrunner

Loadrunner是HP公司提供的一款性能测试工具,通过模拟成千上万个用户实施并发操作,测试系统的性能,并且提供详细的测试结果分析,协助用户查找问题。Loadrunner的优势在于节约了人力成本和时间成功,纯人工进行并发测试,不仅需要大量的人手和机器,还需要测试人员进行充分的沟通,默契的进行操作。使用Loadrunner就可以一个人模拟上万个用户,压缩了成本,也提高了效率。 Loadrunner的主要组件: Virtual User Generator:捕捉用户业务流程,并且自动生成脚本; Control

清平乐的技术专栏 1492

SAP 管道业务(Pipeline Procurement)是用于水、电、气等不间断供应且无库存管理的物料采购场景,核心是消耗即记账、无库存持有,通过 MM-FI 集成实现实时负债与成本过账

摘要:SAP管道业务适用于水电气等无库存管理的物料采购场景,通过消耗即记账机制实现实时负债与成本过账。核心配置包括创建PIPE物料类型(无库存管理)、维护管道采购信息记录、配置自动记账科目等。SAP PO可集成外部系统实现流程自动化,如自动过账提取数据、发票校验等。实施要点在于物料主数据、信息记录和科目确定的精准配置,以及PO接口的可靠对接,最终构建端到端的高效采购与财务结算体系。

金牌架构师 749

[LoadRunner]初识LoadRunner12之Controller

在上一章介绍了使用VuGen录制脚本,接下来便要用Controller给录制好的脚本提供一个测试场景。在本章介绍一下Controller的一些简单用法 在VuGen中打开之前录制的脚本,点击Tools - Create Controller Scenario用已有脚本 创建一个场景 Controller的场景分两种 目标场景(Goal Oriented Scenario):主要测试脚本能否达到某一

Science & JusticeSuNq^3NM5tFn 7459

13、使用 Mathematica 撰写文本

本文详细介绍了如何使用 Mathematica 进行文本撰写与处理。内容涵盖文本输入、格式设置、结构化排版、超链接插入、翻译与拼写检查工具的使用,以及将笔记本导出为多种格式(如 PDF、HTML、LATEX 和 RTF)的方法。通过实例演示了创建专业文档的完整流程,包括样式设置、公式推导、标题编号、页眉页脚配置等操作。适合希望利用 Mathematica 编写学术论文、技术报告或教学资料的用户参考。

sony5的博客 209

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

[LoadRunner]初识LoadRunner12之VuGen

LoadRunner,是一种预测系统行为和性能的负载测试工具。通过以模拟上千万用户实施并发负载及实时性能监测的方式来确认和查找问题,LoadRunner能够对整个企业架构进行测试。企业使用LoadRunner能最大限度地缩短测试时间,优化性能和加速应用系统的发布周期。 LoadRunner可适用于各种体系架构的自动负载测试,能预测系统行为并评估系统性能。 LoadRunner是一个很好的测试

Science & JusticeSuNq^3NM5tFn 2385

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

LoadRunner初识

LoadRunner是一种预测系统行为和性能的负载测试工具。通过模拟上千万用户实施并发负载及实时性能监测的方式来确认和查找问题,LoadRunner能够对整个企业架构进行测试。企业使用LoadRunner能最大限度地缩短测试时间,优化性能和加速应用系统地发布周期。

How2Code的博客 315

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Loadrunner笔记

Loadrunner笔记 2021年11月27日 一、loadrunner介绍 1.loadrunner组成 A.Virtual User Generator(虚拟用户生成器) 模拟虚拟用户动作。是用来录制、生成、编辑、调试脚本所用的工具。 B.LoadRunner Controller(测试控制器) 是用来设计,实现场景,执行场景,集成监控,实时监测的一个组件。是执行负载测试管理和监控的中心。在这里指定具体的性能测试方案,执行性能测试,收集测试数据,监控测试指标。 C.LoadRunn

lin7640的博客 791

LoadRunner的简单使用《第一篇》

LoadRunner的简单使用《第一篇》   LoadRunner是一个用压力测试的软件。这东西比较难上手,光安装就非常麻烦。好不容易一步步跟着安装说明安装好之后,还是用不了。   记录一个问题如下:   导入脚本的时候报错fail to create on...

ajwqb06628的专栏 186

LoadRunner系列笔记1 | 一切从零开始(序)

“ 起点本不同,结果还不努力!”就目前而言,常用的性能测试工具有Jmeter和LoadRunner,小普先给大家分享其中一个性能工具LoadRunner,后续会根据个人学习进度,分享另外一个。只要你想学习,从零开始,跟随小普的文章进度,你也能成为性能测试工程师LoadRunner是一种预测系统行为和性能的负载测试工具。通过以模拟上千万用户实施并发负载及实时性能监测的方式来确认和查找问题。 Load...

Testing小铺 364

【LoadRunner】博客笔记项目 性能测试报告

使用loadrunner进行简单性能测试: (1)测试功能: 针对登录、编写并发布博客以及删除博客、注销等功能进行简单的性能测试。 (2)测试进阶: 然后在实现的过程中,插入集合点以及事务等,并通过设置来实现用户的并发操作。 并输出性能测试报告

未央的博客哟 1273

LOADRUNNER8.1操作笔记

LOARUNNER8.1操作笔记                一、概述.. 2二、LOADRUNNER8.1 安装.. 2三、使用VITUAL USER GENERATOR录制开发脚本.. 31.选择协议.. 32.录制测试脚本.. 43.开发测试脚本.. 44.在 LoadRunner 脚本中做关联 (Correlation) 85.试运行脚本.. 10

-··/赛文的星空/..'' 9398

LoadRunner错误笔记

记录一些会碰到及已经碰到的错误 答案不是绝对的,因为可以引起的方面有很多。 ==================== 1.LR安装的话建议安装默认目录,还建议安装11 2.Loadrunner11支持IE9以上 3.录制唤起浏览器时间长 答:可能是不兼容 4.WIN7安装LR12后,拨号连接报错797 答:系统里卸载NV for HPE LG and VuGen v9.13.0.1123,LR运行...

北风的博客 887

loadrunner的安装

Loadrunner:作为商用性能测试工具的地位,无人能替代,大客户都是一些电信、金融行业 mercury-->HP(软件测试的商用工具-lr、uft、alm)-->microfocus。 一、loadrunner的安装 1、安装的基础环境 基本上的win10系统,电脑也是最近三五年的都可以安装。 内存推荐8g+ 2、安装过程 因为是商用软件,基本上直接下一步即可。 1、d盘下创建一个Loadrunner的文件夹,路径上不允许出现中文、空格或特殊字符。 2、安装之前,关闭电脑的

weixin_42394409的博客 1万+

loadrunner11使用谷歌代理录制脚本全过程

一.设置谷歌代理: 1.点击谷歌浏览器的自定义和控制按钮(右上侧的三个小点点); 2.进入设置,打开代理设置; 3.在连接中点开局域网设置;把自动检测设置取消勾选;勾选代理服务器,点击高级选项输入你的本机ip和端口;注意此端口任意设置但是要确保该端口你的本机没有在使用。 点击确认按钮就可以使用代理了;注意使用代理了,你的电脑就不能联网了。如需联网记得关闭代理即取消代理服务器勾选即可。 二、使用loadrunner11录制脚本: **1.**打开loadrunner11,新建录制脚本; 2.

weixin_45634463的博客 7305

1、我的第一篇手写Loadrunner脚本

1、录制脚本老是出现各种各样的问题,尤其是要录制https协议的时候,会出现各种各样的问题,有时间解决录制的问题,还不如自己手撸代码来的痛快,以下是我第一次手写Loadrunner脚本的代码 Action() { web_reg_find("Fail=NotFound", "Search=Body", "SaveCount=1", "Text=Welcome", LAST); //发送数据请求的函数 web_url("...

qq_21415457的博客 446
上一篇: Linux05 网络通讯和系统管理命令
下一篇: web性能测试------常用指标
object_oriented_uy
博客等级 码龄8年 195粉丝 136原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值