第3章

輕量級自動化運維工具Fabric詳解

近期公司的業務系統代碼發布頻繁，筆者同時在幾個項目組里面穿插工作，發現發布和運維的工作都相當機械，加上頻率比較高，導致時間的浪費也比較多。很多測試工作，例如通過SSH登錄到測試環境，推送代碼，然后修改Bug進行測試，這些操作都是非常機械并且具有重復性的。更讓人郁悶的是，每次的操作都是相同的，命令基本上都是一樣的，并且是在多臺機器上執行，很難在本機上以一個腳本來搞定，主要時間都浪費在使用SSH登錄和輸入命令上了。這個時候需要一個輕量級的自動化運維工具，來幫助我們解決這些問題，Fabric就順應這個需求而出現了，它非常適合于這些簡單的、重復性的遠程操作。Fabirc是基于Python語言開發的，前文2.1節就提到過，Python應用非?；鸨?#xff0c;接下來看看Python的應用領域及其流行的原因。

3.1　Python語言的應用領域

1.云計算基礎設施

云計算平臺分為私有云和公有云。私有云平臺如大名鼎鼎的OpenStack，就是以Python語言編寫的。公有云，無論是AWS、Azure、GCE（Google Compute Engine）、阿里云還是青云，都提供了Python SDK，其中GCE只提供了Python和JavaScript的SDK，青云只提供了Python SDK。由此可見各家云平臺對Python的重視。

軟件開發工具包（Software Development Kit，SDK）一般是一些開發工具的集合，用于為特定的軟件包、軟件框架、硬件平臺、操作系統等創建應用軟件。

2. DevOps

DevOps，中文名譯作開發型運維。在互聯網時代，只有能夠快速試驗新想法，并在第一時間，安全、可靠地交付業務價值，才能保持競爭力。DevOps推崇的自動化構建、測試、部署及系統度量等技術實踐，在互聯網時代是尤其重要的。

自動化構建是因應用而異的，如果是Python應用，因為有setuptools、pip、virtualenv、tox、flake8等工具的存在，所以自動化構建非常簡單。而且，因為幾乎所有的Linux版本都內置了Python解釋器，所以用Python做自動化，系統不需要預安裝什么軟件。

自動化測試方面，目前流行的自動化測試框架有Robot Framework、Cucumber、Lettuce三種?；赑ython的Robot Framework是企業級應用最喜歡的自動化測試框架，而且和語言無關。Cucumber也有很多支持者。基于Python的Lettuce可以實現完全一樣的功能。此外，Locust（一個基于Python開發的開源負載測試工具）也開始在自動化性能測試方面受到越來越多的關注。

自動化配置管理工具，老牌的如Chef和Puppet，是基于Ruby語言開發設計的，目前仍保持著強勁的勢頭。不過，新生代Ansible、SaltStack，以及輕量級的自動化運維工具Fabric，均為Python語言開發。由于它們較前兩者的設計更為輕量化，因此受到越來越多開發者的歡迎，并且已經給Chef和Puppet制造了不少的競爭壓力。

3.網絡爬蟲

大數據的數據從哪里來？除了部分企業有能力自己產生大量的數據，大部分時候，是需要依靠網絡爬蟲來抓取互聯網數據進行分析的。

網絡爬蟲是Python的傳統強勢領域，最流行的爬蟲框架Scrapy、HTTP工具包urlib2、HTML解析工具Beautiful Soup、XML解析器lxml等，都是能夠獨當一面的類庫。筆者公司的分布式網絡爬蟲程序也是基于Scrapy開發的。不過，網絡爬蟲并不僅僅是打開網頁，解析HTML這么簡單。高效的爬蟲要能夠支持大量靈活的并發操作，常常要能夠同時抓取幾千甚至上萬個網頁，使用傳統的線程池方式資源浪費比較大，線程數上千之后系統資源基本上就全浪費在線程調度上了。由于Python能夠很好地支持協程（Coroutine）操作，因此基于Python發展了很多并發庫，如Gevent、Eventlet，還有Celery之類的分布式任務框架等。被認為是比AMQP更高效的ZeroMQ最早提供的也是Python版本。有了對高并發的支持，網絡爬蟲才可以真正達到大數據規模。

4.數據處理

從統計理論，到數據挖掘、機器學習，再到最近幾年提出來的深度學習理論，數據科學正處于百花齊放的時代。數據科學家們都用什么語言編程呢？Python是數據科學家最喜歡的語言之一。和R語言不同，Python本身就是一門工程性語言，數據科學家用Python實現的算法，可以直接用在產品中，這對于初創的大數據公司來說，是非常有利于節省成本的。正是基于數據科學家對Python和R的熱愛，Spark為了“討好”數據科學家，對這兩種語言都提供了非常好的支持。

Python的數據處理相關類庫非常多。比如，高性能的科學計算類庫NumPy和SciPy，給其他高級算法打下了非常好的基礎；Matplotlib讓Python畫圖變得像Matlab一樣簡單；Scikit-learn和Milk實現了很多機器學習算法，基于這兩個庫實現的Pylearn2，是深度學習領域的重要成員；Theano利用GPU加速，實現了高性能數學符號計算和多維矩陣計算。當然，還有Pandas，一個在工程領域已被廣泛使用的大數據處理類庫，其DataFrame的設計借鑒自R語言，后來又啟發Spark項目實現了類似機制。

除了這些領域以外，Python還被廣泛應用于Web開發、游戲開發、手機開發、數據庫開發等眾多領域。

總結

以上是生活随笔為你收集整理的Linux集群和自动化维3.1　Python语言的应用领域的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。