Aller au contenu principal

88 articles tagués avec « DevOps »

Voir tous les tags

Python : uv

· 6 minutes de lecture

uv est un gestionnaire de paquets et de projets Python développé par Astral (également éditeur de Ruff). Écrit en Rust, il remplace dans un seul binaire pip, pip-tools, virtualenv, pipx, pyenv et une bonne partie de Poetry, avec des temps d'installation et de résolution de l'ordre de dix à cent fois inférieurs à ceux de pip selon les mesures de ses auteurs.

Python : Ruff

· 4 minutes de lecture

Ruff est un linter et formateur Python écrit en Rust, développé par Astral. Il réimplémente les règles de flake8 (et de nombreux plugins), isort, pyupgrade et une partie de pylint, ainsi qu'un formateur compatible avec black, avec des temps d'exécution de l'ordre de 10 à 100 fois inférieurs selon ses auteurs. Un seul outil et un seul fichier de configuration remplacent ainsi plusieurs dépendances de la chaîne de qualité du code.

Ansible : Vault

· 7 minutes de lecture

Un dépôt Ansible décrit l'intégralité d'une infrastructure, y compris les mots de passe de bases de données, les clés d'API et les certificats nécessaires aux services. Ansible Vault chiffre ces données sensibles pour qu'elles puissent être versionnées avec le reste du code, puis les déchiffre en mémoire au moment de l'exécution des playbooks.

Kubernetes : kubectl

· 6 minutes de lecture

Kubectl est l'outil en ligne de commande officiel pour interagir avec les clusters Kubernetes. Chaque commande se traduit par une ou plusieurs requêtes REST vers l'API server (visibles avec -v=6) : kubectl ne dialogue jamais directement avec les nœuds. Il couvre l'intégralité des opérations courantes : déploiement, débogage, inspection, mise à l'échelle.

Loki

· 11 minutes de lecture

Sur une infrastructure de dizaines de conteneurs répartis sur plusieurs nœuds, retrouver les lignes de logs liées à un incident impose de les consulter machine par machine, et les logs d'un conteneur supprimé disparaissent avec lui. Un visualiseur en temps réel comme Dozzle affiche le flux docker logs dans un navigateur, mais il ne stocke rien : une fois le conteneur recréé, il n'y a plus rien à interroger, et rien à agréger ni sur quoi alerter. Centraliser les logs dans un moteur à indexation plein texte règle la dispersion, mais le coût de l'index, en disque comme en mémoire, augmente avec le volume ingéré. Loki, créé par Grafana Labs sur le modèle de Prometheus, fait un autre choix : il n'indexe que les métadonnées des logs, leurs labels, et parcourt le contenu au moment de la requête.

Prometheus

· 13 minutes de lecture

Détecter une dégradation (latence qui augmente, disque qui se remplit, taux d'erreur qui grimpe) avant qu'elle n'atteigne les utilisateurs suppose de mesurer en continu l'état de dizaines de services et de machines, puis d'interroger ces mesures dans le temps pour les comparer et les agréger. Prometheus, système de monitoring et d'alerting open source, est le standard de fait pour ces métriques dans l'écosystème Cloud Native. Conçu initialement chez SoundCloud en 2012, il est aujourd'hui un projet gradué de la Cloud Native Computing Foundation (CNCF). Cet article couvre son architecture, son installation, son modèle de données et les bases du langage de requête PromQL.

Python : async/await

· 12 minutes de lecture

Une application qui passe l'essentiel de son temps à attendre des entrées/sorties (réponses réseau, requêtes de base de données, lectures de fichiers) gaspille ce temps si elle les traite l'une après l'autre. La programmation asynchrone en Python, avec async/await et la bibliothèque standard asyncio, permet de mener ces attentes de front dans un seul thread. Cet article en présente les mécanismes et les cas d'usage, notamment avec FastAPI.

API : REST vs GraphQL

· 4 minutes de lecture

Un écran qui affiche un utilisateur, ses derniers articles et leurs commentaires enchaîne, face à une API REST, plusieurs requêtes vers des endpoints distincts et reçoit au passage des champs dont il n'a pas l'usage. GraphQL inverse ce rapport en laissant le client décrire, en une seule requête, la forme exacte des données attendues. Les deux approches reposent sur des choix architecturaux distincts : leurs différences portent sur la manière d'adresser les données, sur la répartition du contrôle entre client et serveur, et sur la gestion du cache et des erreurs.

GraphQL : FastAPI & Strawberry

· 9 minutes de lecture

Une API REST fixe côté serveur la forme des réponses de chaque endpoint : le client enchaîne plusieurs requêtes pour assembler une vue, ou reçoit des champs dont il n'a pas l'usage. GraphQL déplace ce choix vers le client, qui décrit les données attendues à partir d'un schéma typé exposé sur un seul endpoint. En Python, FastAPI assure le transport HTTP et WebSocket et Strawberry décrit ce schéma à partir de classes annotées ; leur assemblage couvre les trois opérations de GraphQL : queries, mutations et subscriptions.