Скачать Нагрузочное тестирование на Python. Расширенный [Stepik] [Никита Филонов]

[Dozhd]

Складчина: Нагрузочное тестирование на Python. Расширенный [Stepik] [Никита Филонов]




Чему вы научитесь

Писать нагрузочные тесты на Python с использованием Locust.
Создавать сложные сценарии нагрузки с использованием TaskSet, SequentialTaskSet, event hooks.
Разрабатывать масштабируемые нагрузочные фреймворки с учётом архитектурных паттернов и лучших практик.
Запускать нагрузочные тесты в CI/CD пайплайне.
Поднимать микросервисные системы с помощью Docker Compose и использовать их в автотестах и нагрузке.
Реализовывать mock-сервисы для HTTP с использованием FastAPI.
Реализовывать mock-сервисы для gRPC с использованием grpcio.
Проектировать гибкие, переиспользуемые HTTP/gRPC API-клиенты, применимые в нагрузке, сидинге и автотестах.
Интерпретировать клиентские метрики: RPS, latency, response time, percentiles.
Анализировать системные метрики: CPU, RAM, disk I/O, network.
Работать с современными инструментами: Kafka UI, pgAdmin, Postman, MinIO (S3), Redis, Grafana, Docker, Docker Compose, GitLab CI, Postman, curl, grpcurl.
Применять библиотеку HTTPX для написания HTTP-клиентов.
Использовать Pydantic и Pydantic Settings для валидации данных и настройки проекта
Применять Faker для генерации тестовых данных.
Оценивать и формировать нагрузочные профили на основе реальных сценариев использования.
Разрабатывать сценарии сидинга и собственный сидинг-билдер для подготовки базы перед нагрузочным тестом тестовых данных перед нагрузочнывм тестированием.
Понимать и применять принципы микросервисной и монолитной архитектуры, различать их особенности и ограничения.
Анализировать архитектурные особенности нагружаемой системы: понимать, что, зачем и как мы тестируем.
Использовать Prometheus + cAdvisor для сбора и анализа метрик на уровне контейнеров и сервисов.
Эффективно проходить собеседования: получить практические советы, применимые в реальной жизни.
Работать с Git, публиковать и доводить до финала проект на GitHub, GitLab, что станет отличным дополнением к резюме.
Закрепиться на позиции после устройства на работу и продолжать профессиональный рост.

Для кого этот курс
— Для QA-инженеров (ручных и автоматизаторов), которые хотят выйти за пределы функционального тестирования и научиться проверять производительность систем, строить нагрузочные сценарии и анализировать реальные метрики.
— Для QA Automation-инженеров, которые уже уверенно пишут автотесты, но хотят прокачать навыки работы с нагрузкой, HTTP/gRPC, сидингом и CI/CD.
— Для разработчиков, которые хотят лучше понимать, как их сервисы ведут себя под нагрузкой, как анализировать узкие места и проектировать системы с учётом масштабирования.
— Для DevOps и SRE-инженеров, которым важно понимать, как проводить нагрузочное тестирование до релиза, отслеживать системные метрики и автоматизировать проверку SLA.
— Для начинающих специалистов, которые планируют войти в IT через тестирование и хотят с самого старта формировать инженерное мышление и разбираться в архитектуре сложных систем.
— Для тех, кто ищет работу или готовится к собеседованиям на позиции QA/performance-инженера, и хочет иметь в портфолио не просто курс, а фундаментальный, практически ориентированный опыт.
— Для тех, кто уже проходил курсы по Locust, JMeter или k6, но чувствует, что не понимает, зачем и как всё это работает. Этот курс поможет выстроить системную картину и избавиться от подхода «просто запускаю нагрузку».
— Для инженеров, которым важно разбираться в микросервисной архитектуре, взаимодействии сервисов, очередях, базе данных, кешах, и понимать, что именно нагружается и как это влияет на систему в целом.




Спойлер: программа курса
Приветствие и инструкции

Знакомимся
Советы по изучению материала
Инструкции по отправке заданий на проверку
Поддержка от преподавателя и вопросы
Правила работы с курсом и коммуникации
Введение в профессию QA Performance Engineer

Виды тестирования производительности
Системные ресурсы: CPU и память
Метрики нагрузочного тестирования
Клиент-серверная архитектура
Монолитная архитектура
Микросервисная архитектура
Инструменты нагрузочного тестирования
Настройка окружения

Установка и настройка окружения Python
Установка и настройка PyCharm
Установка и знакомство с Docker
Установка и знакомство с Docker Compose
Установка и настройка Postman
Система контроля версий Git

Начало работы с Git
Публикация проекта на GitHub
Работа с GitHub Desktop
Тестовый стенд

Установка и настройка тестового стенда
Разбор архитектуры тестового стенда
Практика работы с хранилищем файлов S3
Практика работы с базой данных PostgreSQL
Практика работы с системой мониторинга Grafana
Практика работы с очередями Kafka
Основы работы с API

Форматы представления данных
Знакомство с API
Знакомство с HTTP протоколом
Знакомство с gRPC протоколом
Основы работы с HTTP

Введение в HTTPX
Практикуемся в работе с HTTPX
Знакомство с HTTP API клиентами
Практикуемся в реализации HTTP API клиентов
Практикуемся в использовании HTTP API клиентов
Основы работы с Pydantic

Знакомство с Pydantic
Применяем Pydantic в HTTP API клиентах
Знакомство с Faker
Основы работы с gRPC

Введение в grpcio
Практикуемся в работе с grpcio
Знакомство с gRPC API клиентами
Практикуемся в реализации gRPC API клиентов
Практикуемся в использовании gRPC API клиентов
Введение в Locust

Знакомство с Locust
Подготовка HTTP API клиента для Locust
Использование HTTP API клиентов в нагрузочных сценариях
Подготовка gRPC API клиента для Locust
Использование gRPC API клиентов в нагрузочных сценариях
Сценарии нагрузки в Locust: User, TaskSet и SequentialTaskSet
Работа с настройками Locust
Отчеты Locust: HTML, CSV, JSON
Как выбрать профиль нагрузки?
Рефакторинг и улучшение нагрузочных тестов
Подготовка данных для нагрузочного тестирования

Что такое сидинг и зачем он нужен?
Пишем сидинг-билдер
Практика генерации данных с помощью сидингов
Практика нагрузочного тестирования HTTP сервисов

Практика нагрузочного тестирования. Часть 1
Практика нагрузочного тестирования. Часть 2
Практика нагрузочного тестирования. Часть 3
Практика нагрузочного тестирования gRPC сервисов

Практика нагрузочного тестирования. Часть 1
Практика нагрузочного тестирования. Часть 2
Практика нагрузочного тестирования. Часть 3
Реализация mock сервиса

Архитектура mock сервиса
Знакомство с FastAPI
Реализация mock сервиса
Улучшение нагрузочных тестов

Настройки нагрузочных тестов с Pydantic
Добавляем логирование для нагрузочных тестов
Улучшение работы с API клиентами с помощью Enum для URI
Запуск нагрузочных тестов на CI/CD

Введение в CI/CD
CI/CD системы
Подготовка проекта к запуску на CI
Запуск нагрузочных тестов на GitHub Actions
Запуск нагрузочных тестов на GitLab CI
Аналитика нагрузочного тестирования

Регрессионный анализ в нагрузочном тестировании
Установка и настройка Load Testing Hub
Знакомство с Load Testing Hub
Практика: загрузка данных в Load Testing Hub
AI Review в нагрузочных тестах

Что такое AI Review и зачем он нужен
Инструмент AI Review: установка и базовое использование
Интеграция AI Review в CI/CD
Резюме

Итоговый проект
Рекомендации по составлению резюме
Рекомендации по прохождению собеседований





СКАЧАТЬ

Для просмотра скрытого содержимого вы должны зарегистрироваться