怎么將你的Python項目全面自動化

這篇文章主要講解了“怎么將你的Python項目全面自動化”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“怎么將你的Python項目全面自動化”吧！

開發環境中可調試的 Docker 容器

有些人不喜歡 Docker，因為容器很難調試，或者構建鏡像需要花很長的時間。那么，就讓我們從這里開始，構建適合開發的鏡像——構建速度快且易于調試。

為了使鏡像易于調試，我們需要一個基礎鏡像，包括所有調試時可能用到的工具，像bash、vim、netcat、wget、cat、find、grep等。它默認包含很多工具，沒有的也很容易安裝。這個鏡像很笨重，但這不要緊，因為它只用于開發。你可能也注意到了，我選擇了非常具體的映像——鎖定了 Python 和 Debian 的版本——我是故意這么做的，因為我們希望最小化 Python 或 Debian 版本更新（可能不兼容）導致“破壞”的可能性。

作為替代方案，你也可以使用基于 Alpine 的鏡像。然而，這可能會導致一些問題，因為它使用musl libc而不是 Python 所依賴的glibc。所以，如果決定選擇這條路線，請記住這一點。至于構建速度，我們將利用多階段構建以便可以緩存盡可能多的層。通過這種方式，我們可以避免下載諸如gcc之類的依賴項和工具，以及應用程序所需的所有庫（來自requirements.txt）。

為了進一步提高速度，我們將從前面提到的python:3.8.1-buster創建自定義基礎鏡像，這將包括我們需要的所有工具，因為我們無法將下載和安裝這些工具所需的步驟緩存到最終的runner鏡像中。說的夠多了，讓我們看看Dockerfile：

# dev.Dockerfile  FROM python:3.8.1-buster AS builder  RUN apt-get update && apt-get install -y --no-install-recommends --yes python3-venv gcc libpython3-dev && \      python3 -m venv /venv && \      /venv/bin/pip install --upgrade pip  FROM builder AS builder-venv  COPY requirements.txt /requirements.txt  RUN /venv/bin/pip install -r /requirements.txt  FROM builder-venv AS tester  COPY . /app  WORKDIR /app  RUN /venv/bin/pytest FROM martinheinz/python-3.8.1-buster-tools:latest AS runner  COPY --from=tester /venv /venv  COPY --from=tester /app /app  WORKDIR /app  ENTRYPOINT ["/venv/bin/python3", "-m", "blueprint"]  USER 1001  LABEL name={NAME}  LABEL version={VERSION}

從上面可以看到，在創建最后的runner鏡像之前，我們要經歷 3 個中間鏡像。首先是名為builder的鏡像，它下載構建最終應用所需的所有必要的庫，其中包括gcc和 Python 虛擬環境。安裝完成后，它還創建了實際的虛擬環境，供接下來的鏡像使用。接下來是build -venv鏡像，它將依賴項列表（requirements.txt）復制到鏡像中，然后安裝它。緩存會用到這個中間鏡像，因為我們只希望在requirement .txt更改時安裝庫，否則我們就使用緩存。

在創建最終鏡像之前，我們首先要針對應用程序運行測試。這發生在tester鏡像中。我們將源代碼復制到鏡像中并運行測試。如果測試通過，我們就繼續構建runner。

對于runner鏡像，我們使用自定義鏡像，其中包括一些額外的工具，如vim或netcat，這些功能在正常的 Debian 鏡像中是不存在的。

•  你可以在 Docker Hub 中找到這個鏡像：https://hub.docker.com/repository/docker/martinheinz/python-3.8.1-buster-tools

•  你也可以在base.Dockerfile 中查看其非常簡單的`Dockerfile`：https://github.com/MartinHeinz/python-project-blueprint/blob/master/base.Dockerfile

那么，我們在這個最終鏡像中要做的是——首先我們從tester鏡像中復制虛擬環境，其中包含所有已安裝的依賴項，接下來我們復制經過測試的應用程序。現在，我們的鏡像中已經有了所有的資源，我們進入應用程序所在的目錄，然后設置ENTRYPOINT，以便它在啟動鏡像時運行我們的應用程序。出于安全原因，我們還將USER設置為1001，因為最佳實踐告訴我們，永遠不要在root用戶下運行容器。最后兩行設置鏡像標簽。它們將在使用make目標運行構建時被替換 / 填充，稍后我們將看到。

針對生產環境優化過的 Docker 容器

當涉及到生產級鏡像時，我們會希望確保它們小而安全且速度快。對于這個任務，我個人最喜歡的是來自 Distroless 項目的 Python 鏡像。可是，Distroless 是什么呢？

這么說吧——在一個理想的世界里，每個人都可以使用FROM scratch構建他們的鏡像，然后作為基礎鏡像（也就是空鏡像）。然而，大多數人不愿意這樣做，因為那需要靜態鏈接二進制文件，等等。這就是 Distroless 的用途——它讓每個人都可以FROM scratch。

好了，現在讓我們具體描述一下 Distroless 是什么。它是由谷歌生成的一組鏡像，其中包含應用程序所需的最低條件，這意味著沒有 shell、包管理器或任何其他工具，這些工具會使鏡像膨脹，干擾安全掃描器（如 CVE），增加建立遵從性的難度。

現在，我們知道我們在干什么了，讓我們看看生產環境的Dockerfile……實際上，這里我們不會做太大改變，它只有兩行：

# prod.Dockerfile  #  1. Line - Change builder image  FROM debian:buster-slim AS builder  #  ...  #  17. Line - Switch to Distroless image  FROM gcr.io/distroless/python3-debian10 AS runner  #  ... Rest of the Dockefile

我們需要更改的只是用于構建和運行應用程序的基礎鏡像！但區別相當大——我們的開發鏡像是 1.03GB，而這個只有 103MB，這就是區別！我知道，我已經能聽到你說：“但是 Alpine 可以更小！”是的，沒錯，但是大小沒那么重要。你只會在下載 / 上傳時注意到鏡像的大小，這并不經常發生。當鏡像運行時，大小根本不重要。

比大小更重要的是安全性，從這個意義上說，Distroless 肯定更有優勢，因為 Alpine（一個很好的替代選項）有很多額外的包，增加了攻擊面。關于 Distroless，最后值得一提的是鏡像調試。考慮到 Distroless 不包含任何 shell（甚至不包含sh），當你需要調試和查找時，就變得非常棘手。為此，所有 Distroless 鏡像都有調試版本。

因此，當遇到問題時，你可以使用debug標記構建生產鏡像，并將其與正常鏡像一起部署，通過 exec 命令進入鏡像并執行（比如說）線程轉儲。你可以像下面這樣使用調試版本的python3鏡像：

docker run --entrypoint=sh -ti gcr.io/distroless/python3-debian10:debug

所有操作都只需一條命令

所有的Dockerfiles都準備好了，讓我們用Makefile實現自動化！我們首先要做的是用 Docker 構建應用程序。為了構建 dev 映像，我們可以執行make build-dev，它運行以下目標:

# The binary to build (just the basename).  MODULE := blueprint  # Where to push the docker image.  REGISTRY ?= docker.pkg.github.com/martinheinz/python-project-blueprint  IMAGE := $(REGISTRY)/$(MODULE)  # This version-strategy uses git tags to set the version string  TAG := $(shell git describe --tags --always --dirty)  build-dev:   @echo "\n${BLUE}Building Development image with labels:\n"   @echo "name: $(MODULE)"   @echo "version: $(TAG)${NC}\n"   @sed                                 \       -e 's|{NAME}|$(MODULE)|g'        \       -e 's|{VERSION}|$(TAG)|g'        \       dev.Dockerfile | docker build -t $(IMAGE):$(TAG) -f- .

這個目標會構建鏡像。它首先會用鏡像名和 Tag（運行git describe創建）替換dev.Dockerfile底部的標簽，然后運行docker build。

接下來，使用make build-prod VERSION=1.0.0構建生產鏡像：

build-prod:   @echo "\n${BLUE}Building Production image with labels:\n"   @echo "name: $(MODULE)"   @echo "version: $(VERSION)${NC}\n"   @sed                                     \       -e 's|{NAME}|$(MODULE)|g'            \       -e 's|{VERSION}|$(VERSION)|g'        \       prod.Dockerfile | docker build -t $(IMAGE):$(VERSION) -f- .

這個目標與之前的目標非常相似，但是在上面的示例1.0.0中，我們使用作為參數傳遞的版本而不是git標簽作為版本 。當你運行 Docker 中的東西時，有時候你還需要在 Docker 中調試它，為此，有以下目標：

# Example: make shell CMD="-c 'date > datefile'"  shell: build-dev   @echo "\n${BLUE}Launching a shell in the containerized build environment...${NC}\n"    @docker run                                                     \     -ti                                                     \     --rm                                                    \     --entrypoint /bin/bash                                  \     -u $$(id -u):$$(id -g)                                  \     $(IMAGE):$(TAG)             \     $(CMD)

從上面我們可以看到，入口點被bash覆蓋，而容器命令被參數覆蓋。通過這種方式，我們可以直接進入容器瀏覽，或運行一次性命令，就像上面的例子一樣。

當我們完成了編碼并希望將鏡像推送到 Docker 注冊中心時，我們可以使用make push VERSION=0.0.2。讓我們看看目標做了什么：

REGISTRY ?= docker.pkg.github.com/martinheinz/python-project-blueprint  push: build-prod   @echo "\n${BLUE}Pushing image to GitHub Docker Registry...${NC}\n"   @docker push $(IMAGE):$(VERSION)

它首先運行我們前面看到的目標build-prod，然后運行docker push。這里假設你已經登錄到 Docker 注冊中心，因此在運行這個命令之前，你需要先運行docker login。

最后一個目標是清理 Docker 工件。它使用被替換到Dockerfiles中的name標簽來過濾和查找需要刪除的工件：

docker-clean:   @docker system prune -f --filter "label=name=$(MODULE)"

你可以在我的存儲庫中找到Makefile的完整代碼清單：https://github.com/MartinHeinz/python-project-blueprint/blob/master/Makefile

借助 GitHub Actions 實現 CI/CD

現在，讓我們使用所有這些方便的make目標來設置 CI/CD。我們將使用 GitHub Actions 和 GitHubPackage Registry 來構建管道（作業）及存儲鏡像。那么，它們又是什么呢？

•  GitHub Actions 是幫助你自動化開發工作流的作業 / 管道。你可以使用它們創建單個的任務，然后將它們合并到自定義工作流中，然后在每次推送到存儲庫或創建發布時執行這些任務。

•  GitHub Package Registry 是一個包托管服務，與 GitHub 完全集成。它允許你存儲各種類型的包，例如 Ruby gems 或 npm 包。我們將使用它來存儲 Docker 鏡像。如果你不熟悉 GitHub Package Registry，那么你可以查看我的博文，了解更多相關信息：https://martinheinz.dev/blog/6 。

現在，為了使用 GitHubActions，我們需要創建將基于我們選擇的觸發器（例如 push to repository）執行的工作流。這些工作流是存儲庫中.github/workflows目錄下的 YAML 文件：

.github  └── workflows      ├── build-test.yml      └── push.yml

在那里，我們將創建兩個文件build-test.yml和push.yml。前者包含 2 個作業，將在每次推送到存儲庫時被觸發，讓我們看下這兩個作業:

jobs:    build:      runs-on: ubuntu-latest      steps:      - uses: actions/checkout@v1      - name: Run Makefile build for Development        run: make build-dev

第一個作業名為build，它驗證我們的應用程序可以通過運行make build-dev目標來構建。

在運行之前，它首先通過執行發布在 GitHub 上名為checkout的操作簽出我們的存儲庫。

jobs:    test:      runs-on: ubuntu-latest      steps:      - uses: actions/checkout@v1      - uses: actions/setup-python@v1        with:          python-version: '3.8'      - name: Install Dependencies        run: |         python -m pip install --upgrade pip          pip install -r requirements.txt      - name: Run Makefile test        run: make test      - name: Install Linters        run: |          pip install pylint          pip install flake8          pip install bandit      - name: Run Linters        run: make lint

第二個作業稍微復雜一點。它測試我們的應用程序并運行 3 個 linter（代碼質量檢查工具）。與上一個作業一樣，我們使用checkout@v1操作來獲取源代碼。在此之后，我們運行另一個已發布的操作setup-python@v1，設置 python 環境。要了解詳細信息，請查看這里：https://github.com/actions/setup-python 我們已經有了 Python 環境，我們還需要requirements.txt中的應用程序依賴關系，這是我們用pip安裝的。

這時，我們可以著手運行make test目標，它將觸發我們的 Pytest 套件。如果我們的測試套件測試通過，我們繼續安裝前面提到的 linter——pylint、flake8 和 bandit。最后，我們運行make lint目標，它將觸發每一個 linter。關于構建 / 測試作業的內容就這些，但 push 作業呢？讓我們也一起看下：

on:    push:      tags:      - '*'  jobs:    push:      runs-on: ubuntu-latest      steps:      - uses: actions/checkout@v1      - name: Set env        run: echo ::set-env name=RELEASE_VERSION::$(echo ${GITHUB_REF:10})      - name: Log into Registry        run: echo "${{ secrets.REGISTRY_TOKEN }}" | docker login docker.pkg.github.com -u ${{ github.actor }} --password-stdin      - name: Push to GitHub Package Registry        run: make push VERSION=${{ env.RELEASE_VERSION }}

前四行定義了何時觸發該作業。我們指定，只有當標簽被推送到存儲庫時，該作業才啟動（*指定標簽名稱的模式——在本例中是任何名稱）。這樣，我們就不會在每次推送到存儲庫的時候都把我們的 Docker 鏡像推送到 GitHub Package Registry，而只是在我們推送指定應用程序新版本的標簽時才這樣做。

現在我們看下這個作業的主體——它首先簽出源代碼，并將環境變量RELEASE_VERSION設置為我們推送的git標簽。這是通過 GitHub Actions 內置的::setenv特性完成的（更多信息請查看這里：https://help.github.com/en/actions/automating-your-workflow-with-github-actions/development-tools-for-github-actions#set-an-environment-variable-set-env ）。

接下來，它使用存儲在存儲庫中的 secretREGISTRY_TOKEN登錄到 Docker 注冊中心，并由發起工作流的用戶登錄（github.actor）。最后，在最后一行，它運行目標push，構建生產鏡像并將其推送到注冊中心，以之前推送的git標簽作為鏡像標簽。

感興趣的讀者可以從這里簽出完整的代碼清單：https://github.com/MartinHeinz/python-project-blueprint/tree/master/.github/workflows

使用 CodeClimate 進行代碼質量檢查

最后但同樣重要的是，我們還將使用 CodeClimate 和 SonarCloud 添加代碼質量檢查。它們將與上文的測試作業一起觸發。所以，讓我們添加以下幾行：

# test, lint...  - name: Send report to CodeClimate    run: |      export GIT_BRANCH="${GITHUB_REF/refs\/heads\//}"      curl -L https://codeclimate.com/downloads/test-reporter/test-reporter-latest-linux-amd64 > ./cc-test-reporter      chmod +x ./cc-test-reporter      ./cc-test-reporter format-coverage -t coverage.py coverage.xml      ./cc-test-reporter upload-coverage -r "${{ secrets.CC_TEST_REPORTER_ID }}"  - name: SonarCloud scanner    uses: sonarsource/sonarcloud-github-action@master    env:      GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}      SONAR_TOKEN: ${{ secrets.SONAR_TOKEN }}

我們從 CodeClimate 開始，首先輸出變量GIT_BRANCH，我們會用環境變量GITHUB_REF來檢索這個變量。接下來，我們下載 CodeClimate test reporter 并使其可執行。接下來，我們使用它來格式化由測試套件生成的覆蓋率報告，而且，在最后一行，我們將它與存儲在存儲庫秘密中的 test reporter ID 一起發送給 CodeClimate。至于 SonarCloud，我們需要在存儲庫中創建sonar-project.properties文件，類似下面這樣（這個文件的值可以在 SonarCloud 儀表板的右下角找到）：

sonar.organization=martinheinz-github  sonar.projectKey=MartinHeinz_python-project-blueprint  sonar.sources=blueprint

除此之外，我們可以使用現有的sonarcloud-github-action，它會為我們做所有的工作。我們所要做的就是提供 2 個令牌——GitHub 令牌默認已在存儲庫中，SonarCloud 令牌可以從 SonarCloud 網站獲得。

感謝各位的閱讀，以上就是“怎么將你的Python項目全面自動化”的內容了，經過本文的學習后，相信大家對怎么將你的Python項目全面自動化這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！