Ostatnia dekada zmieniła oblicze IT. Kluczowego znaczenia nabrały big data, a chmura i automatyzacja rozpowszechniły się wszędzie tam, gdzie mowa o efektywności. Inżynierowie muszą wykorzystywać zalety systemów linuksowych w codziennej praktyce, aby zapewnić należyty poziom automatyzacji swoich zadań. Do tych celów świetnie nadaje się Python. Język ten zdobywa coraz większe uznanie z uwagi na jego wszechstronność, jak również wydajność, przenaszalność i bezpieczeństwo kodu. Warto więc wykorzystywać Pythona do administrowania systemami Linux wraz z takimi narzędziami DevOps jak Docker, Kubernetes i Terraform.

Dzięki tej książce dowiesz się, jak sobie z tym poradzić. Znalazło się w niej krótkie wprowadzenie do Pythona oraz do automatyzacji przetwarzania tekstu i obsługi systemu plików, a także do pisania własnych narzędzi wiersza poleceń. Zaprezentowano również przydatne narzędzia linuksowe, systemy zarządzania pakietami oraz systemy budowania, monitorowania i automatycznego testowania kodu. Zagadnienia te szczególnie zainteresują specjalistów DevOps. Ponadto zawarto tu podstawowe informacje o chmurze obliczeniowej, usługach IaC i systemach Kubernetes. Omówiono zasady uczenia maszynowego i inżynierii danych z perspektywy DevOps. Przedstawiono także kompletny przewodnik po procesach budowania, wdrażania oraz operacyjnego wykorzystywania modelu uczenia maszynowego z użyciem systemów Flask, sklearn, Docker i Kubernetes.

W tej książce:

• wprowadzenie do Pythona
• automatyczne przetwarzanie tekstu oraz automatyzacja operacji na plikach
• automatyzacja za pomocą sprawdzonych narzędzi linuksowych
• chmura, infrastruktura jako kod, Kubernetes i tryb bezserwerowy
• uczenie maszynowe i inżynieria danych z perspektywy DevOps
• tworzenie i operacjonalizacja projektu uczenia maszynowego

Python: tutaj ważna jest prawdziwa nowoczesność oprogramowania!

Osoby które kupowały "Python dla DevOps. Naucz się bezlitośnie skutecznej automatyzacji", wybierały także:

• Docker. Kurs video. Zostań administratorem systemów IT 119,00 zł, (53,55 zł -55%)
• Docker. Kurs video. Praca z systemem konteneryzacji i Docker Swarm 89,00 zł, (40,05 zł -55%)
• DevOps dla zdesperowanych. Praktyczny poradnik przetrwania 67,00 zł, (33,50 zł -50%)
• DevOps w praktyce. Kurs video. Jenkins, Ansible, Terraform i Docker 198,98 zł, (99,49 zł -50%)
• Kubernetes. Tworzenie niezawodnych system 69,00 zł, (34,50 zł -50%)

Spis treści

Python dla DevOps. Naucz się bezlitośnie skutecznej automatyzacji eBook -- spis treści

Przedmowa 13

1. Podstawy Pythona dla DevOps 21

• Instalowanie i uruchamianie Pythona 21
  
  • Powłoka Pythona 22
  • Jupyter Notebooks 23
• Programowanie proceduralne 23
  
  • Zmienne 24
  • Podstawowe operacje arytmetyczne 24
  • Komentarze 25
  • Funkcje wbudowane 25
  • Print 25
  • Range 26
• Sterowanie przepływem kodu 26
  
  • If-elif-else 26
  • Pętle for 28
• Pętle while 29
• Obsługa wyjątków 29
• Obiekty wbudowane 30
  
  • Czym jest obiekt? 30
  • Metody i atrybuty obiektu 31
  • Sekwencje 31
• Funkcje 42
  
  • Anatomia funkcji 43
  • Funkcje jako obiekty 44
  • Funkcje anonimowe 45
• Korzystanie z wyrażeń regularnych 45
  
  • Wyszukiwanie 46
  • Zbiory znaków 46
  • Klasy znaków 47
  • Grupy 47
  • Grupy nazwane 48
  • Znajdź wszystko 48
  • Iterator wyszukiwania 48
  • Podstawianie 49
  • Kompilowanie 49
• Leniwe wartościowanie 50
  
  • Generatory 50
  • Generatory składane 51
• Dodatkowe funkcjonalności IPythona 51
  
  • Korzystanie z IPythona do uruchamiania poleceń powłoki Unix 51
• Ćwiczenia 53

2. Automatyzacja zadań dotyczących plików i systemu plików 55

• Odczytywanie i zapisywanie plików 55
• Korzystanie z wyrażeń regularnych do wyszukiwania tekstu 63
• Przetwarzanie dużych plików 65
• Szyfrowanie tekstu 66
  
  • Haszowanie z wykorzystaniem pakietu hashlib 66
  • Szyfrowanie z wykorzystaniem biblioteki cryptography 67
• Moduł os 68
• Zarządzanie plikami i katalogami za pomocą modułu os.path 69
• Przeglądanie drzew katalogów za pomocą funkcji os.walk 73
• Ścieżki jako obiekty modułu pathlib 73

3. Praca w wierszu polecenia 75

• Praca w środowisku powłoki 75
  
  • Komunikacja z interpreterem za pomocą modułu sys 75
  • Wykonywanie zadań w systemie operacyjnym z wykorzystaniem modułu os 76
  • Inicjowanie procesów za pomocą modułu subprocess 77
• Tworzenie narzędzi wiersza polecenia 78
  
  • Atrybut sys.argv 80
  • argparse 82
  • Pakiet click 85
  • Moduł fire 90
  • Implementowanie wtyczek 94
• Studium przypadku: Turbodoładowanie Pythona za pomocą narzędzi wiersza polecenia 95
  
  • Kompilator Just-in-Time (JIT) Numba 96
  • Korzystanie z GPU w Pythonie za pomocą frameworka CUDA 97
  • Uruchamianie w Pythonie kodu na wielu rdzeniach i w wielu wątkach z wykorzystaniem modułu Numba 98
  • Klasteryzacja z wykorzystaniem modułu KMeans 100
• Ćwiczenia 101

4. Przydatne narzędzia systemu Linux 103

• Narzędzia dyskowe 104
  
  • Pomiar wydajności 104
  • Partycje 106
  • Odczytywanie specyficznych informacji o urządzeniu 107
• Narzędzia sieciowe 108
  
  • Tunelowanie SSH 108
  • Pomiar wydajności HTTP za pomocą Apache Benchmark (ab) 109
  • Testowanie obciążenia za pomocą narzędzia molotov 110
• Narzędzia do badania CPU 112
  
  • Przeglądanie procesów za pomocą htop 113
• Korzystanie z Bash i ZSH 115
  
  • Personalizacja powłoki Pythona 116
  • Rekurencyjny globbing 116
  • Wyszukiwanie i zamiana z pytaniami o potwierdzenie 117
  • Usuwanie tymczasowych plików Pythona 118
  • Wyświetlanie listy procesów i jej filtrowanie 118
  • Uniksowe znaczniki czasu 119
• Łączenie możliwości Pythona z powłoką Bash i ZSH 120
  
  • Generator losowych haseł 120
  • Czy mój moduł istnieje? 121
  • Zmiana katalogów na ścieżki do modułów 121
  • Konwersja pliku CSV na JSON 122
• Jednowierszowe skrypty w Pythonie 123
  
  • Debugery 123
  • Jak szybko działa ten fragment kodu? 124
• strace 125
• Ćwiczenia 127
• Zadanie związane ze studium przypadku 127

5. Zarządzanie pakietami 129

• Dlaczego tworzenie pakietów jest ważne? 130
  
  • Kiedy tworzenie pakietu może być niepotrzebne? 130
• Wytyczne dotyczące tworzenia pakietów 130
  
  • Opisowe wersjonowanie 131
  • Rejestr zmian 132
• Wybór strategii 133
• Sposoby tworzenia pakietów 133
  
  • Natywny pakiet Pythona 133
  • Pakiety w stylu Debiana 139
  • Pakiety RPM 145
• Zarządzanie za pomocą systemd 151
  
  • Procesy długotrwałe 152
  • Konfiguracja 152
  • Plik modułu systemd 154
• Instalacja modułu 155
  
  • Obsługa logów 156
• Ćwiczenia 158
• Zadanie związane ze studium przypadku 158

6. Continuous Integration i Continuous Deployment 159

• Studium przypadku: konwersja źle utrzymywanej witryny bazującej na WordPressie do Hugo 159
  
  • Konfigurowanie Hugo 160
  • Konwersja witryny WordPress na posty Hugo 161
  • Utworzenie indeksu Algolia i jego uaktualnienie 163
  • Automatyzacja za pomocą Makefile 165
  • Instalacja z wykorzystaniem AWS CodePipeline 165
• Studium przypadku: instalacja aplikacji Python App Engine za pomocą mechanizmu Google Cloud Build 166
• Studium przypadku: NFSOPS 173

7. Monitorowanie i logowanie 175

• Kluczowe pojęcia dotyczące budowania niezawodnych systemów 175
• Niezmienne zasady DevOps 176
  
  • Centralne logowanie 176
  • Studium przypadku: produkcyjna baza danych zabija dyski twarde 177
  • Zbudować czy kupić? 178
  • Odporność na błędy 178
• Monitorowanie 180
  
  • Graphite 180
  • StatsD 181
  • Prometheus 181
• Oprzyrządowanie 185
  
  • Konwencje nazewnictwa 188
• Logowanie 189
  
  • Dlaczego konfigurowanie logowania jest trudne? 189
  • basicconfig 189
  • Głębsza konfiguracja 190
  • Powszechne wzorce 194
• Stos ELK 195
  
  • Logstash 197
  • Elasticsearch i Kibana 198
• Ćwiczenia 201
• Zadanie związane ze studium przypadku 202

8. Pytest dla DevOps 203

• Testowanie za pomocą frameworka pytest 203
• Pierwsze kroki z pytest 204
  
  • Testowanie z wykorzystaniem pytest 204
  • Różnice w stosunku do unittest 206
• Cechy frameworka pytest 207
  
  • conftest.py 208
  • Niezwykła funkcja assert 208
  • Parametryzacja 209
• Fikstury 211
  
  • Pierwsze kroki 211
  • Fikstury wbudowane 213
• Testowanie infrastruktury 215
  
  • Co to jest walidacja systemowa? 216
  • Wprowadzenie do projektu Testinfra 217
  • Nawiązywanie połączeń ze zdalnymi węzłami 217
  • Funkcje i fikstury specjalne 220
• Przykłady 222
• Testowanie notatników Jupyter Notebooks z wykorzystaniem frameworka pytest 224
• Ćwiczenia 225
• Zadanie związane ze studium przypadku 225

9. Chmura obliczeniowa 227

• Podstawy chmury obliczeniowej 228
• Rodzaje chmur obliczeniowych 230
• Rodzaje usług chmury obliczeniowej 231
  
  • IaaS 231
  • MaaS 235
  • PaaS 235
  • Przetwarzanie bezserwerowe 236
  • SaaS 239
• Infrastruktura jako kod 239
• Ciągłe dostawy 240
• Wirtualizacja i kontenery 240
  
  • Wirtualizacja sprzętowa 240
  • Sieci SDN 241
  • Magazyny SDS 241
  • Kontenery 241
• Wyzwania i możliwości przetwarzania rozproszonego 243
• Współbieżność, wydajność i zarządzanie procesami w dobie chmury obliczeniowej 244
• Zarządzanie procesami 245
  
  • Zarządzanie procesami z wykorzystaniem modułu subprocess 245
  • Korzystanie z modułu multiprocessing do rozwiązywania problemów 247
  • Rozwidlanie procesów za pomocą funkcji pool() 248
  • FaaS i tryb bezserwerowy 250
  • Wysokowydajny Python z wykorzystaniem pakietu Numba 251
  • Korzystanie z kompilatora Just in Time biblioteki Numba 251
  • Korzystanie z wysokowydajnych serwerów 252
• Wniosek 252
• Ćwiczenia 253
• Studia przypadków 253

10. Infrastruktura jako kod 255

• Klasyfikacja narzędzi automatyzacji infrastruktury 256
• Dostarczanie ręczne 258
• Automatyczne dostarczanie infrastruktury z wykorzystaniem systemu Terraform 259
  
  • Dostarczanie komory S3 259
  • Dostarczanie certyfikatu SSL z usługi AWS ACM 262
  • Dostarczanie dystrybucji Amazon CloudFront 263
  • Dostarczanie rekordu DNS Route 53 265
  • Kopiowanie statycznych plików do usługi S3 267
  • Usuwanie wszystkich zasobów AWS dostarczonych przez Terraform 267
• Zautomatyzowane dostarczanie infrastruktury za pomocą systemu Pulumi 267
  
  • Tworzenie nowego projektu Pythona Pulumi dla usług AWS 268
  • Tworzenie wartości konfiguracyjnych dla stosu staging 272
  • Dostarczanie certyfikatu SSL ACM 273
  • Dostarczanie strefy Route 53 i rekordów DNS 273
  • Dostarczanie dystrybucji CloudFront 275
  • Dostarczanie rekordu DNS Route 53 dla adresu URL witryny 277
  • Tworzenie i wdrażanie nowego stosu 277
• Ćwiczenia 279

11. Technologie kontenerowe: Docker i Docker Compose 281

• Czym jest kontener Dockera? 282
• Tworzenie, budowanie, uruchamianie i usuwanie obrazów i kontenerów Dockera 282
• Publikowanie obrazów Dockera w Rejestrze Dockera 285
• Uruchamianie kontenera Dockera z tego samego obrazu na innym hoście 287
• Uruchamianie wielu kontenerów Dockera za pomocą systemu Docker Compose 289
• Przenoszenie usług docker-compose do nowego hosta i systemu operacyjnego 299
• Ćwiczenia 302

12. Orkiestracja kontenerów: Kubernetes 305

• Przegląd pojęć związanych z systemem Kubernetes 306
• Korzystanie z systemu Kompose do tworzenia manifestów Kubernetesa na podstawie pliku docker-compose.yaml 307
• Instalacja manifestów Kubernetesa w lokalnym klastrze Kubernetesa z wykorzystaniem minikube 308
• Uruchomienie klastra GKE Kubernetes w GCP za pomocą Pulumi 322
• Instalacja przykładowej aplikacji Flask do GKE 324
• Instalacja wykresów Helm Prometheus i Grafana 330
• Niszczenie klastra GKE 334
• Ćwiczenia 335

13. Technologie bezserwerowe 337

• Wdrażanie tej samej funkcji Pythona do chmur dostawców z Wielkiej Trójki 339
  
  • Instalacja frameworka Serverless 340
  • Wdrażanie funkcji Pythona w usłudze AWS Lambda 340
  • Wdrażanie funkcji Pythona na platformie Google Cloud Functions 342
  • Wdrażanie funkcji Pythona w usłudze AWS Lambda 348
• Wdrażanie funkcji Pythona do platform FaaS działających w trybie self-hosted 351
  
  • Wdrażanie funkcji Pythona do usługi OpenFaaS 352
• Konfigurowanie tabeli DynamoDB, funkcji Lambda i metod API Gateway za pomocą AWS CDK 358
• Ćwiczenia 376

14. MLOps i inżynieria uczenia maszynowego 377

• Czym jest uczenie maszynowe? 377
  
  • Nadzorowane uczenie maszynowe 377
  • Modelowanie 380
• Ekosystem uczenia maszynowego w Pythonie 382
  
  • Uczenie głębokie z wykorzystaniem frameworka PyTorch 383
• Platformy uczenia maszynowego w chmurze 386
• Model dojrzałości uczenia maszynowego 387
  
  • Najważniejsza terminologia uczenia maszynowego 388
  • Poziom 1. Formułowanie, identyfikowanie zakresu i definiowanie problemu 389
  • Poziom 2. Ciągłe dostawy danych 389
  • Poziom 3. Ciągłe dostawy oczyszczonych danych 391
  • Poziom 4. Ciągłe dostawy eksploracyjnych analiz danych 392
  • Poziom 5. Ciągłe dostarczania tradycyjnych narzędzi ML i AutoML 393
  • Poziom 6. Operacyjna pętla sprzężenia zwrotnego narzędzi ML 393
• Model Sklearn Flask z wykorzystaniem systemów Kubernetes i Docker 394
• Sklearn Flask z wykorzystaniem Kubernetesa i Dockera 397
  
  • EDA 398
  • Modelowanie 399
  • Dostrajanie skalowanego algorytmu GBM 399
  • Dopasowywanie modelu 400
  • Ocena 401
  • adhoc_predict 401
  • Przepływ pracy JSON 402
  • Skalowanie danych wejściowych 402
  • adhoc_predict z modułu Pickle 403
  • Skalowanie danych wejściowych 404
• Ćwiczenia 404
• Zadanie związane ze studium przypadku 405
• Pytania i zadania kontrolne 405

15. Inżynieria danych 407

• Small data 408
  
  • Obsługa plików typu small data 408
• Zapis do pliku 409
• Odczyt z pliku 409
• Potok generatora używany w celu czytania i przetwarzania wierszy 409
• Korzystanie z formatu YAML 410
• Big Data 411
• Narzędzia Big Data, komponenty i platformy 413
  
  • Źródła danych 413
  • Systemy plików 414
  • Przechowywanie danych 415
• Pobieranie strumieni danych w czasie rzeczywistym 416
• Studium przypadku: budowanie własnego potoku danych 417
• Inżynieria danych w trybie bezserwerowym 418
  
  • Korzystanie z usługi AWS Lambda z wykorzystaniem zdarzeń CloudWatch 418
  • Logowanie z wykorzystaniem usług Amazon CloudWatch i AWS Lambda 419
  • Wykorzystanie usługi AWS Lambda w celu zapełniania kolejki w usłudze Amazon Simple Queue Service 420
  • Konfiguracja mechanizmu wyzwalającego zdarzenie CloudWatch 421
  • Tworzenie funkcji Lambda sterowanych zdarzeniami 422
  • Odczyt zdarzeń Amazon SQS z funkcji AWS Lambda 422
• Wnioski 429
• Ćwiczenia 429
• Zadanie związane ze studium przypadku 430

16. Historie wojenne DevOps i wywiady 431

• Studio filmowe nie może produkować filmów 432
• Studio gier nie może opublikować gry 434
• Uruchomienie skryptów Pythona zajmuje 60 sekund 435
• Gaszenie pożarów za pomocą pamięci podręcznej i inteligentnej instrumentacji 437
• Automatyzacja zabierze Ci pracę! 437
• Antywzorce DevOps 439
  
  • Brak zautomatyzowanego serwera budowania 439
  • "Latanie po omacku" 439
  • Trudności w koordynacji jako stan ciągły 439
  • Brak pracy zespołowej 441
• Wywiady 445
  
  • Glenn Solomon 445
  • Andrew Nguyen 446
  • Gabriella Roman 448
  • Rigoberto Roche 449
  • Jonathan LaCour 450
  • Ville Tuulos 452
  • Joseph Reis 454
  • Teijo Holzer 455
  • Matt Harrison 457
  • Michael Foord 458
• Zalecenia 461
• Ćwiczenia 462
• Wyzwania 462
• Projekt końcowy 462