|
||
Strona główna > opis książki
• wydawnictwa polskie
• Zamów informacje o nowościach z wybranego tematu • kontakt
• Cookies na stronie |
PYTHON DLA DEVOPSGIFT N. BEHRMAN K. DEZA A. GHEORGHIU G.wydawnictwo: HELION , rok wydania 2020, wydanie Icena netto: Python dla DevOpsNaucz się bezlitośnie skutecznej automatyzacji 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:
Przedmowa Co DevOps oznacza dla autorów? Jak korzystać z tej książki? Tematy Konwencje używane w tej książce Korzystanie z przykładów kodu Podziękowania Noah Kennedy Alfredo Grig Rozdział 1. Podstawy Pythona dla DevOps Instalowanie i uruchamianie Pythona Powłoka Pythona Skrypty Pythona IPython Jupyter Notebooks Programowanie proceduralne Zmienne Podstawowe operacje arytmetyczne Komentarze Funkcje wbudowane Range Sterowanie przepływem kodu If-elif-else Pętle for Instrukcja continue Pętle while Obsługa wyjątków Obiekty wbudowane Czym jest obiekt? Metody i atrybuty obiektu Sekwencje Operacje na sekwencjach Listy Ciągi znaków Słowniki Funkcje Anatomia funkcji Funkcje jako obiekty Funkcje anonimowe Korzystanie z wyrażeń regularnych Wyszukiwanie Zbiory znaków Klasy znaków Grupy Grupy nazwane Znajdź wszystko Iterator wyszukiwania Podstawianie Kompilowanie Leniwe wartościowanie Generatory Generatory składane Dodatkowe funkcjonalności IPythona Korzystanie z IPythona do uruchamiania poleceń powłoki Unix Korzystanie z magicznych poleceń IPythona Ćwiczenia Rozdział 2. Automatyzacja zadań dotyczących plików i systemu plików Odczytywanie i zapisywanie plików Korzystanie z wyrażeń regularnych do wyszukiwania tekstu Przetwarzanie dużych plików Szyfrowanie tekstu Haszowanie z wykorzystaniem pakietu hashlib Szyfrowanie z wykorzystaniem biblioteki cryptography Moduł os Zarządzanie plikami i katalogami za pomocą modułu os.path Przeglądanie drzew katalogów za pomocą funkcji os.walk Ścieżki jako obiekty modułu pathlib Rozdział 3. Praca w wierszu polecenia Praca w środowisku powłoki Komunikacja z interpreterem za pomocą modułu sys Wykonywanie zadań w systemie operacyjnym z wykorzystaniem modułu os Inicjowanie procesów za pomocą modułu subprocess Tworzenie narzędzi wiersza polecenia Atrybut sys.argv argparse Pakiet click Moduł fire Implementowanie wtyczek Studium przypadku: Turbodoładowanie Pythona za pomocą narzędzi wiersza polecenia Kompilator Just-in-Time (JIT) Numba Korzystanie z GPU w Pythonie za pomocą frameworka CUDA Uruchamianie w Pythonie kodu na wielu rdzeniach i w wielu wątkach z wykorzystaniem modułu Numba Klasteryzacja z wykorzystaniem modułu KMeans Ćwiczenia Rozdział 4. Przydatne narzędzia systemu Linux Narzędzia dyskowe Pomiar wydajności Dokładne testy z fio Partycje Odczytywanie specyficznych informacji o urządzeniu Narzędzia sieciowe Tunelowanie SSH Pomiar wydajności HTTP za pomocą Apache Benchmark (ab) Testowanie obciążenia za pomocą narzędzia molotov Narzędzia do badania CPU Przeglądanie procesów za pomocą htop Korzystanie z Bash i ZSH Personalizacja powłoki Pythona Rekurencyjny globbing Wyszukiwanie i zamiana z pytaniami o potwierdzenie Usuwanie tymczasowych plików Pythona Wyświetlanie listy procesów i jej filtrowanie Uniksowe znaczniki czasu Łączenie możliwości Pythona z powłoką Bash i ZSH Generator losowych haseł Czy mój moduł istnieje? Zmiana katalogów na ścieżki do modułów Konwersja pliku CSV na JSON Jednowierszowe skrypty w Pythonie Debugery Jak szybko działa ten fragment kodu? strace Ćwiczenia Zadanie związane ze studium przypadku Rozdział 5. Zarządzanie pakietami Dlaczego tworzenie pakietów jest ważne? Kiedy tworzenie pakietu może być niepotrzebne? Wytyczne dotyczące tworzenia pakietów Opisowe wersjonowanie Rejestr zmian Wybór strategii Sposoby tworzenia pakietów Natywny pakiet Pythona Dodawanie plików do pakietów Skorowidz PyPI Hosting wewnętrznego repozytorium PyPI Pakiety w stylu Debiana Dodawanie plików do pakietów Generowanie binariów Repozytoria Debiana Pakiety RPM Plik spec Generowanie binariów Repozytoria RPM Zarządzanie za pomocą systemd Procesy długotrwałe Konfiguracja Plik modułu systemd Instalacja modułu Obsługa logów Ćwiczenia Zadanie związane ze studium przypadku Rozdział 6. Continuous Integration i Continuous Deployment Studium przypadku: konwersja źle utrzymywanej witryny bazującej na WordPressie do Hugo Konfigurowanie Hugo Konwersja witryny WordPress na posty Hugo Utworzenie indeksu Algolia i jego uaktualnienie Automatyzacja za pomocą Makefile Instalacja z wykorzystaniem AWS CodePipeline Studium przypadku: instalacja aplikacji Python App Engine za pomocą mechanizmu Google Cloud Build Studium przypadku: NFSOPS Rozdział 7. Monitorowanie i logowanie Kluczowe pojęcia dotyczące budowania niezawodnych systemów Niezmienne zasady DevOps Centralne logowanie Studium przypadku: produkcyjna baza danych zabija dyski twarde Zbudować czy kupić? Odporność na błędy Monitorowanie Graphite StatsD Prometheus Oprzyrządowanie Konwencje nazewnictwa Logowanie Dlaczego konfigurowanie logowania jest trudne? basicconfig Głębsza konfiguracja Powszechne wzorce Stos ELK Logstash Elasticsearch i Kibana Ćwiczenia Zadanie związane ze studium przypadku Rozdział 8. Pytest dla DevOps Testowanie za pomocą frameworka pytest Pierwsze kroki z pytest Testowanie z wykorzystaniem pytest Układ plików i obowiązujące konwencje Różnice w stosunku do unittest Cechy frameworka pytest conftest.py Niezwykła funkcja assert Parametryzacja Fikstury Pierwsze kroki Fikstury wbudowane Testowanie infrastruktury Co to jest walidacja systemowa? Wprowadzenie do projektu Testinfra Nawiązywanie połączeń ze zdalnymi węzłami Funkcje i fikstury specjalne Przykłady Testowanie notatników Jupyter Notebooks z wykorzystaniem frameworka pytest Ćwiczenia Zadanie związane ze studium przypadku Rozdział 9. Chmura obliczeniowa Podstawy chmury obliczeniowej Rodzaje chmur obliczeniowych Rodzaje usług chmury obliczeniowej IaaS MaaS PaaS Przetwarzanie bezserwerowe SaaS Infrastruktura jako kod Ciągłe dostawy Wirtualizacja i kontenery Wirtualizacja sprzętowa Sieci SDN Magazyny SDS Kontenery Wyzwania i możliwości przetwarzania rozproszonego Współbieżność, wydajność i zarządzanie procesami w dobie chmury obliczeniowej Zarządzanie procesami Zarządzanie procesami z wykorzystaniem modułu subprocess Unikaj instrukcji shell=True Ustaw limity czasu i obsługuj je w razie potrzeby Problem z wątkami w Pythonie Korzystanie z modułu multiprocessing do rozwiązywania problemów Rozwidlanie procesów za pomocą funkcji pool() FaaS i tryb bezserwerowy Wysokowydajny Python z wykorzystaniem pakietu Numba Korzystanie z kompilatora Just in Time biblioteki Numba Korzystanie z wysokowydajnych serwerów Wniosek Ćwiczenia Studia przypadków Rozdział 10. Infrastruktura jako kod Klasyfikacja narzędzi automatyzacji infrastruktury Dostarczanie ręczne Automatyczne dostarczanie infrastruktury z wykorzystaniem systemu Terraform Dostarczanie komory S3 Dostarczanie certyfikatu SSL z usługi AWS ACM Dostarczanie dystrybucji Amazon CloudFront Dostarczanie rekordu DNS Route 53 Kopiowanie statycznych plików do usługi S3 Usuwanie wszystkich zasobów AWS dostarczonych przez Terraform Zautomatyzowane dostarczanie infrastruktury za pomocą systemu Pulumi Tworzenie nowego projektu Pythona Pulumi dla usług AWS Tworzenie wartości konfiguracyjnych dla stosu staging Dostarczanie certyfikatu SSL ACM Dostarczanie strefy Route 53 i rekordów DNS Dostarczanie dystrybucji CloudFront Dostarczanie rekordu DNS Route 53 dla adresu URL witryny Tworzenie i wdrażanie nowego stosu Ćwiczenia Rozdział 11. Technologie kontenerowe: Docker i Docker Compose Czym jest kontener Dockera? Tworzenie, budowanie, uruchamianie i usuwanie obrazów i kontenerów Dockera Publikowanie obrazów Dockera w Rejestrze Dockera Uruchamianie kontenera Dockera z tego samego obrazu na innym hoście Uruchamianie wielu kontenerów Dockera za pomocą systemu Docker Compose Przenoszenie usług docker-compose do nowego hosta i systemu operacyjnego Ćwiczenia Rozdział 12. Orkiestracja kontenerów: Kubernetes Przegląd pojęć związanych z systemem Kubernetes Korzystanie z systemu Kompose do tworzenia manifestów Kubernetesa na podstawie pliku docker-compose.yaml Instalacja manifestów Kubernetesa w lokalnym klastrze Kubernetesa z wykorzystaniem minikube Uruchomienie klastra GKE Kubernetes w GCP za pomocą Pulumi Instalacja przykładowej aplikacji Flask do GKE Instalacja wykresów Helm Prometheus i Grafana Niszczenie klastra GKE Ćwiczenia Rozdział 13. Technologie bezserwerowe Wdrażanie tej samej funkcji Pythona do chmur dostawców z Wielkiej Trójki Instalacja frameworka Serverless Wdrażanie funkcji Pythona w usłudze AWS Lambda Wdrażanie funkcji Pythona na platformie Google Cloud Functions Wdrażanie funkcji Pythona w usłudze AWS Lambda Wdrażanie funkcji Pythona do platform FaaS działających w trybie self-hosted Wdrażanie funkcji Pythona do usługi OpenFaaS Konfigurowanie tabeli DynamoDB, funkcji Lambda i metod API Gateway za pomocą AWS CDK Ćwiczenia Rozdział 14. MLOps i inżynieria uczenia maszynowego Czym jest uczenie maszynowe? Nadzorowane uczenie maszynowe Pobieranie danych (ang. ingest) Eksploracyjna analiza danych (ang. Explorative Data Analysis EDA) Statystyki opisowe Rozkład gęstości jądra Modelowanie Model regresji sklearn Ekosystem uczenia maszynowego w Pythonie Uczenie głębokie z wykorzystaniem frameworka PyTorch Regresja z wykorzystaniem PyTorch Platformy uczenia maszynowego w chmurze Model dojrzałości uczenia maszynowego Najważniejsza terminologia uczenia maszynowego Poziom 1. Formułowanie, identyfikowanie zakresu i definiowanie problemu Poziom 2. Ciągłe dostawy danych Poziom 3. Ciągłe dostawy oczyszczonych danych Poziom 4. Ciągłe dostawy eksploracyjnych analiz danych Poziom 5. Ciągłe dostarczania tradycyjnych narzędzi ML i AutoML Poziom 6. Operacyjna pętla sprzężenia zwrotnego narzędzi ML Model Sklearn Flask z wykorzystaniem systemów Kubernetes i Docker Sklearn Flask z wykorzystaniem Kubernetesa i Dockera EDA Modelowanie Podział danych Dostrajanie skalowanego algorytmu GBM Dopasowywanie modelu Ocena adhoc_predict Przepływ pracy JSON Skalowanie danych wejściowych Serializacja sklearn Deserializacja i prognozowanie adhoc_predict z modułu Pickle Skalowanie danych wejściowych Ćwiczenia Zadanie związane ze studium przypadku Pytania i zadania kontrolne Rozdział 15. Inżynieria danych Small data Obsługa plików typu small data Zapis do pliku Odczyt z pliku Potok generatora używany w celu czytania i przetwarzania wierszy Korzystanie z formatu YAML Big Data Narzędzia Big Data, komponenty i platformy Źródła danych Systemy plików Przechowywanie danych Pobieranie strumieni danych w czasie rzeczywistym Studium przypadku: budowanie własnego potoku danych Inżynieria danych w trybie bezserwerowym Korzystanie z usługi AWS Lambda z wykorzystaniem zdarzeń CloudWatch Logowanie z wykorzystaniem usług Amazon CloudWatch i AWS Lambda Wykorzystanie usługi AWS Lambda w celu zapełniania kolejki w usłudze Amazon Simple Queue Service Konfiguracja mechanizmu wyzwalającego zdarzenie CloudWatch Tworzenie funkcji Lambda sterowanych zdarzeniami Odczyt zdarzeń Amazon SQS z funkcji AWS Lambda Wnioski Ćwiczenia Zadanie związane ze studium przypadku Rozdział 16. Historie wojenne DevOps i wywiady Studio filmowe nie może produkować filmów Studio gier nie może opublikować gry Uruchomienie skryptów Pythona zajmuje 60 sekund Gaszenie pożarów za pomocą pamięci podręcznej i inteligentnej instrumentacji Automatyzacja zabierze Ci pracę! Antywzorce DevOps Brak zautomatyzowanego serwera budowania Latanie po omacku Trudności w koordynacji jako stan ciągły Brak pracy zespołowej Jasno sformułowany, wzniosły cel Struktura sterowana wynikami Kompetentni członkowie zespołu Ogólne zaangażowanie Klimat współpracy Standardy doskonałości Zewnętrzne wsparcie i uznanie Pryncypialne zarządzanie Wywiady Glenn Solomon Andrew Nguyen Gabriella Roman Rigoberto Roche Jonathan LaCour Ville Tuulos Joseph Reis Teijo Holzer Matt Harrison Michael Foord Zalecenia Ćwiczenia Wyzwania Projekt końcowy O autorach Kolofon 464 stron, Format: 17.0x24.0cm, oprawa miękka
Po otrzymaniu zamówienia poinformujemy, |
