Używamy cookies, aby ułatwić korzystanie z Portalu. Możesz określić warunki przechowywania, dostępu do plików cookies w Twojej przeglądarce. Dowiedz się więcej.
strona główna Strona główna | Nowości | Promocje | Zapowiedzi Twoje konto | Zarejestruj | Schowek | Kontakt | Pomoc
mapa działów
Szukaj: szukanie zaawansowane
Koszyk
Książki \ Programowanie \ Python

Python dla DevOps. Naucz się bezlitośnie skutecznej automatyzacji Język: 1

978-83-283-6830-9

Cena Brutto: 89.00

Cena netto: 84.76

Ilość:
Wersja: Drukowana
Autor Noah Gift, Kennedy Behrman, Alfredo Deza, Grig Gheorghiu
Liczba_stron 464
Wydawnictwo Helion
Oprawa miękka
Data_Wydania 2020-11-24

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!

    • 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
        • Print
        • 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
powrót
 
Produkty Podobne
Programowanie w Pythonie dla średnio zaawansowanych. Najlepsze praktyki tworzenia czystego kodu
Python. Automatyzacja zadań. Jak efektywnie pracować z danymi, arkuszami Excela, raportami i e-mailami. Wydanie II
Python 3. Projekty dla początkujących i pasjonatów
Czyszczenie danych w Pythonie. Receptury. Nowoczesne techniki i narzędzia Pythona do wykrywania i eliminacji zanieczyszczeń oraz wydobywania kluczowych cech z danych
Python dla testera
Matematyka w Pythonie. Algebra, statystyka, analiza matematyczna i inne dziedziny
Statystyka praktyczna w data science. 50 kluczowych zagadnień w językach R i Python. Wydanie II
Złam ten kod z Pythonem. Jak tworzyć, testować i łamać szyfry
Machine learning, Python i data science. Wprowadzenie
Python. Zadania z programowania. Przykładowe funkcyjne rozwiązania
Więcej produktów