QPS、TPS、PV、UV、GMV、IP、RPS等各種名詞，外行看起來很牛X，實際上對程序員來說都是必懂知識點。下面我來一一解釋一下。
QPS
Queries Per Second，每秒查詢數。每秒能夠響應的查詢次數。
QPS是對一個特定的查詢服務器在規定時間內所處理流量多少的衡量標準，在因特網上，作為域名系統服務器的機器的性能經常用每秒查詢率來衡量。每秒的響應請求數，也即是最大吞吐能力。
TPS
Transactions Per Second 的縮寫，每秒處理的事務數目。一個事務是指一個客戶機向服務器發送請求然後服務器做出反應的過程。客戶機在發送請求時開始計時，收到服務器響應後結束計時，以此來計算使用的時間和完成的事務個數，最終利用這些信息作出的評估分。
TPS 的過程包括：
客戶端請求服務端、服務端內部處理、服務端返回客戶端。例如，訪問一個 Index 頁面會請求服務器 3 次，包括一次 html，一次 css，一次 js，那麼訪問這一個頁面就會產生一個“T”，產生三個“Q”。
PV（page view）即頁面瀏覽量，通常是衡量一個網絡新聞頻道或網站甚至一條網絡新聞的主要指標。
PV即 page view，頁面瀏覽量。用戶每一次對網站中的每個頁面訪問均被記錄 1 次。用戶對同一頁面的多次刷新，訪問量累計。
根據這個特性，刷網站的 PV 就很好刷了。
與 PV 相關的還有 RV，即重複訪問者數量（repeat visitors）。
UV訪問數（Unique Visitor）指獨立訪客訪問數，統計1天內訪問某站點的用戶數(以 cookie 為依據)，一臺電腦終端為一個訪客。
IP（Internet Protocol）獨立 IP 數，是指 1 天內多少個獨立的 IP 瀏覽了頁面，即統計不同的 IP 瀏覽用戶數量。同一 IP 不管訪問了幾個頁面，獨立 IP 數均為 1；不同的 IP 瀏覽頁面，計數會加 1。IP 是基於用戶廣域網 IP 地址來區分不同的訪問者的，所以，多個用戶（多個局域網 IP）在同一個路由器（同一個廣域網 IP）內上網，可能被記錄為一個獨立 IP 訪問者。如果用戶不斷更換 IP，則有可能被多次統計。
GMV，是 Gross Merchandise Volume 的簡稱。只要是訂單，不管消費者是否付款、賣家是否發貨、是否退貨，都可放進 GMV 。
RPS代表吞吐率，即 Requests Per Second 的縮寫。吞吐率是服務器併發處理能力的量化描述，單位是 reqs/s，指的是某個併發用戶數下單位時間內處理的請求數。
某個併發用戶數下單位時間內能處理的最大的請求數，稱之為最大吞吐率。
有人把 RPS 說等效於 QPS。其實可以看作同一個統計方式，只是叫法不同而已。RPS/QPS，可以使用 apache ab 工具進行測量。
關注我
公眾號(zhisheng)裡回覆 面經、ES、Flink、 Spring、Java、Kafka、監控 等關鍵字可以查看更多關鍵字對應的文章
Flink 實戰
1、《從0到1學習Flink》—— Apache Flink 介紹
2、《從0到1學習Flink》—— Mac 上搭建 Flink 1.6.0 環境並構建運行簡單程序入門
3、《從0到1學習Flink》—— Flink 配置文件詳解
4、《從0到1學習Flink》—— Data Source 介紹
5、《從0到1學習Flink》—— 如何自定義 Data Source ？
6、《從0到1學習Flink》—— Data Sink 介紹
7、《從0到1學習Flink》—— 如何自定義 Data Sink ？
8、《從0到1學習Flink》—— Flink Data transformation(轉換)
9、《從0到1學習Flink》—— 介紹 Flink 中的 Stream Windows
10、《從0到1學習Flink》—— Flink 中的幾種 Time 詳解
11、《從0到1學習Flink》—— Flink 讀取 Kafka 數據寫入到 ElasticSearch
12、《從0到1學習Flink》—— Flink 項目如何運行？
13、《從0到1學習Flink》—— Flink 讀取 Kafka 數據寫入到 Kafka
14、《從0到1學習Flink》—— Flink JobManager 高可用性配置
15、《從0到1學習Flink》—— Flink parallelism 和 Slot 介紹
16、《從0到1學習Flink》—— Flink 讀取 Kafka 數據批量寫入到 MySQL
17、《從0到1學習Flink》—— Flink 讀取 Kafka 數據寫入到 RabbitMQ
18、《從0到1學習Flink》—— 你上傳的 jar 包藏到哪裡去了
19、大數據“重磅炸彈”——實時計算框架 Flink
20、《Flink 源碼解析》—— 源碼編譯運行
21、為什麼說流處理即未來？
22、OPPO數據中臺之基石：基於Flink SQL構建實數據倉庫
23、流計算框架 Flink 與 Storm 的性能對比
24、Flink狀態管理和容錯機制介紹
25、原理解析 | Apache Flink 結合 Kafka 構建端到端的 Exactly-Once 處理
26、Apache Flink 是如何管理好內存的？
27、《從0到1學習Flink》——Flink 中這樣管理配置，你知道？
28、《從0到1學習Flink》——Flink 不可以連續 Split(分流)？
29、Flink 從0到1學習—— 分享四本 Flink 的書和二十多篇 Paper 論文
30、360深度實踐：Flink與Storm協議級對比
31、Apache Flink 1.9 重大特性提前解讀
32、如何基於Flink+TensorFlow打造實時智能異常檢測平臺？只看這一篇就夠了
33、美團點評基於 Flink 的實時數倉建設實踐
34、Flink 靈魂兩百問，這誰頂得住？
35、一文搞懂 Flink 的 Exactly Once 和 At Least Once
36、你公司到底需不需要引入實時計算引擎？
Flink 源碼解析
知識星球裡面可以看到下面文章
閱讀更多 zhisheng的blog 的文章
