فرادرسرویههای پایتون برای کد نویسی کارآمد: عملکرد، حافظه و قابلیت استفاده
کدی که از بهترین رویه‌ها استفاده میکند در دنیای امروز مورد احترام همه قرار می‌گیرد. اگر یک پروژه به صورت اوپن‌سورس باشد، این کار باعث جذب بسیاری از توسعهدهندگان میشود. ما به عنوان توسعه‌دهنده می‌خواهیم کدی بنویسیم که کارآمد و بهینه باشد یعنی
کدی که کمترین مقدار حافظه را اشغال کند، سریع اجرا شود، به طور صحیحی مستندسازی شده باشد، از سبک استاندارد استفاده کرده باشد، و درک آن برای یک توسعه‌دهنده تازه‌کار، آسان باشد.
رویه‌هایی که در این نوشته با هم مرور خواهیم کرد، به شما کمک می‌کنند تا در یک کد اوپن‌سورس مشارکت کنید، راه‌حل خود را در معرض داوری آنلاین قرار دهید، بر روی مسائل مربوط به پردازش داده‌های بزرگ با استفاده از یادگیری ماشینی کار کنید و حتی پروژه خاص خودتان را توسعه دهید.
رویه اول: سعی کنید حافظه را منفجر نکنید!
یک برنامه ساده پایتون احتمالاً مشکل زیادی با حافظه نخواهد داشت، اما وقتی با پروژه‌هایی که به حافظه بالایی نیاز دارند سروکار داریم، مسئله استفاده از حافظه بسیار مهم میشود. همواره توصیه میشود که وقتی بر روی یک پروژه بزرگ کار می‌کنیم، میزان استفاده از حافظه را از همان آغاز کار، در ذهن داشته باشیم.
برخلاف زبان ++C/C، مفسر پایتون مدیریت حافظه را خود بر عهده می‌گیرد و کاربر کنترلی بر روی آن ندارد. مدیریت حافظه در پایتون به وسیله یک هیپ (heap) خصوصی انجام میشود که همه اشیا و ساختارهای داده پایتون در آن قرار دارند.
مدیر حافظه پایتون به صورت داخلی مسئله مدیریت این هیپ اختصاصی را تضمین میکند. زمانی که یک شی ایجاد میشود، ماشین مجازی پایتون حافظه مورد نیاز را مدیریت میکند و تصمیم می‌گیرد که این شی باید در کجای چیدمان حافظه قرار بگیرد.
با این وجود داشتن بینشی از نحوه عملکرد پایتون و روش‌های مختلف انجام کارها، کمک میکند که استفاده برنامه از حافظه را تا حد امکان، کاهش دهیم.
از تولیدکننده‌ها استفاده کنید
از تولیدکننده‌ها (generator) برای محاسبه مجموعه‌های بزرگی از نتایج استفاده کنید. تولیدکننده‌ها امکان ارزیابی کُند را به ما می‌دهند. میتوان با استفاده از تکنیک‌های تکرار، از آن‌ها استفاده کرد. مثلاً میتوان آن‌ها را به طور صریح با استفاده از «for» یا از طریق ارسال به تابع یا سازه‌ای که تکرار میشود، مورد استفاده قرار داد. تولیدکننده‌ها چند آیتم را درست مانند یک فهرست بازمی‌گردانند، با این تفاوت که این آیتم‌ها را یک‌به‌یک برمی‌گردانند. تابع تولیدکننده تا زمانی که آیتم دیگری تقاضا شود، مکث میکند.
از کتابخانه هایی مانند NumPy استفاده کنید
برای خردکردن اعداد یا داده‌های بزرگ میتوان از کتابخانه‌هایی مانند Numpy استفاده کرد که به خوبی حافظه را مدیریت میکند.
برای ایجاد رشته‌های بزرگ از عملگر (+) استفاده نکنید
از آنجا که در پایتون str یک شی غیر قابل‌تغییر است استفاده از عملگر (+) توصیه نمی‌شود. چون در این صورت رشته‌های چپ و راست این عملگر باید به یک رشته جدید کپی شوند تا یک رشته جدید ساخته شود. اگر بخواهیم ۴ رشته به طول ۱۰ کاراکتر را به هم الحاق کنیم باید (10+10) + ((10+10)+10) + (((10+10)+10)+10) = 90 کاراکتر را به جای ۴۰ کاراکتر کپی کنیم. وقتی اندازه و تعداد رشته‌ها افزایش یابد، این وضعیت به صورت تابع درجه دوم، وخیم‌تر میشود.
در جاوا این حالت به وسیله تبدیل سری الحاق‌ها با استفاده از StringBuilder بهینه‌سازی میشود اما CPython چنین حالتی ندارد، بنابراین توصیه میشود که از عملگرهای Format. و % استفاده شود. هرچند این عملگرها برای رشته‌های کوتاه کمی کندتر از + عمل می‌کنند. گزینه بهتر این است که اگر محتوایی که می‌خواهیم الحاق کنیم به شکل یک شی قابل تکرار باشد در این صورت میتوان از Join(iterable_object)." استفاده کرد که بسیار سریع‌تر است.
Def Add_string_with_plus(iters):
s = ""
For i In range(iters):
s += "xyz"
Assert len(s) == 3*iters
Def Add_string_with_format(iters):
fs = "{}"*iters
s = fs.Format(*(["xyz"]*iters))
Assert len(s) == 3*iters
Def Add_string_with_join(iters):
l = []
For i In range(iters):
l.Append("xyz")
s = "".Join(l)
Assert len(s) == 3*iters
Def Convert_list_to_string(l, iters):
s = "".Join(l)
Assert len(s) == 3*iters
خروجی:
>>> timeit(add_string_with_plus(10000)) 100 loops, best of 3: 9.73 ms per loop >>> timeit(add_string_with_format(10000)) 100 loops, best of 3: 5.47 ms per loop >>> timeit(add_string_with_join(10000)) 100 loops, best of 3: 10.1 ms per loop >>> l = ["xyz"]*10000 >>> timeit(convert_list_to_string(l, 10000)) 10000 loops, best of 3: 75.3 µs per loop
هنگام تعریف کردن یک کلاس پایتون از slots استفاده کنید
به این ترتیب به پایتون می‌گوییم که از یک dict دینامیک استفاده نکند و تنها به مجموعه ثابتی از خصوصیات، فضا اختصاص دهد. بنابراین سربار استفاده از یک dict برای هر شی‌ء با تعیین __slots__ بر روی کلاس به فهرست ثابتی از نام خصوصیات کاهش می‌یابد. Slots همچنین از انتساب خصوصیات دلخواه بر روی یک شی جلوگیری میکند و بنابراین شکل شی در همه جا یکسان باقی می‌ماند.
استفاده از ماژول‌های داخلی
با استفاده از ماژول‌های داخلی پایتون مانند Resource و Objgraph میتوان استفاده از حافظه را در سطح شی پیگیری کرد.
ابزارهای مدیریت حافظه
مدیریت حافظه در پایتون میتواند کار دشواری باشد، اما خوشبختانه ابزارهای مانند Heapy برای دیباگ کردن نشت حافظه وجود دارند. Heapy را میتوان همراه با objgraph برای مشاهده رشد تخصیص اشیای diff در طی زمان استفاده کرد. Heapy میتواند نشان دهد که کدام یک از اشیا بیشترین مقدار حافظه را مصرف می‌کنند. objgraph میتواند به یافتن مجدد ارجاع‌ها کمک کند تا بدین ترتیب مشخص شود که چرا حافظه یک شی نمی‌تواند آزاد شود.
رویه دوم: کد زیبا بنویسید چون «اولین تأثیر، آخرین تأثیر است»
به اشتراک گذاشتن کد در واقع یک تلاش برای دریافت پاداش است. انگیزه شما از اشتراک کد هر چه که باشد، در صورتی که افراد نتوانند کد شما را درک کنند، این حسن نیت شما خروجی مطلوب نخواهد داشت. تقریباً هر سازمانی یک راهنمای خاص در مورد سبک کد نویسی دارد که توسعهدهندگان آن به منظور انسجام، دیباگ کردن و همکاری بهتر می‌بایست از آن تبعیت کنند. سبک Zen of Python یک راهنمایی فشرده برای سبک و طراحی کد نویسی پایتون محسوب میشود. برخی از راهنماهای محبوب برای سبک کد نویسی پایتون موارد زیر هستند:
در این راهنماها در مورد نحوه استفاده از فواصل، کاما و آکولاد و همچنین نام‌گذاری اشیا توضیح داده شده است. با اینکه ممکن است در مواردی این راهنماها با همدیگر تعارض داشته باشند، اما همه آن‌ها یک هدف مشخص دارند: «یک استاندارد تمیز، خوانا و قابل دیباگ برای کد».
چه از یک راهنما پیروی کنید، یا سبک شخصی خودتان را داشته باشید، در هر صورت رویه کد نویسی شما نمی‌بایست تفاوت زیادی با استانداردهایی که به صورت عمومی پذیرفته شده‌اند، داشته باشد.
استفاده از ابزارهای استاتیک تحلیل کد
ابزارهای اوپن‌سورس زیادی وجود دارند که میتوان برای هماهنگ ساختن کد با سبک‌های استاندارد و رویه‌های بهینه کد نویسی استفاده کرد.
Pylint یک ابزار پایتون است که استانداردهای کد نویسی یک ماژول را بررسی میکند. Pylint یک روش سریع و آسان برای بررسی مطابقت با سبک کد نویسی PEP-8 محسوب میشود. بدین ترتیب تضمین میکند که کد شما برای کاربران دیگر خوانا است.
این ابزار همچنین گزارشهایی به همراه آمارها و معیارهای مفید ارائه می‌دهد که به وسیله آن میتوان در مورد کیفیت کد داوری کرد. همچنین میتوان یک فایل Pylintrc. سفارشی ایجاد کرد و از آن استفاده نمود.
Pylint تنها گزینه موجود نیست، ابزارهای دیگری مانند PyChecker, PyFlakes و بسته‌هایی مانند pep8 و flakes8 نیز وجود دارند.
یکی از بهترین چهارچوب‌های تحلیل استاتیک و منسجم کد، کوآلا (Coala) است. هدف کوآلا ارائه یک تحلیل خارج از زبان در قالب یک چهارچوب منفرد است. کوآلا از همه ابزارهای linting که در بالا معرفی کردیم، پشتیبانی میکند و تا حد زیادی قابل سفارشی‌سازی است.
مستندسازی صحیح کد
این جنبه از کد نویسی برای حفظ قابلیت استفاده و خوانایی کد بسیار حائز اهمیت است. همواره توصیه میشود که تا بیشترین حد ممکن برای کد، مستندات تهیه شود تا دیگر توسعهدهندگان برای درک کد با دشواری کمتری مواجه شوند.
به طور معمول مستندات درون‌خطی یک تابع باید شامل موارد زیر باشد:
- یک خلاصه یک‌خطی از کاری که تابع انجام می‌دهد.
- در صورت نیاز ارائه مثال‌های تعاملی، مناسب است. به این ترتیب توسعهدهندگان جدید میتوانند نحوه استفاده و خروجی تابع را به سرعت مشاهده کنند. همچنین میتوان از ماژول doctest برای تضمین صحیح بودن این مثال‌ها استفاده کرد. برای توضیحات بیشتر به مستندات آن مراجعه کنید.
- مستندسازی پارامترها معمولاً به صورت توضیح یک‌خطی در مورد پارامتر و نقش آن در تابع صورت می‌گیرد.
- مستندسازی نوع بازگشتی، مگر در مواردی که تابع مقداری بازنمی‌گرداند، مناسب خواهد بود.
Sphinx ابزاری است که به صورت گسترده برای ایجاد و مدیریت مستندات پروژه استفاده میشود. این ابزار خصوصیات مناسب زیادی دارد که باعث میشود زحمت نوشتن مستندات استاندارد کاهش یابد. به‌علاوه میتوان مستندات را به طور رایگان در وب‌سایت Read the Docs منتشر کرد. این وب‌سایت یکی از متداول‌ترین روش‌ها برای میزبانی مستندات پروژه‌ها محسوب میشود.
راهنمای هیچهایکر برای مستندسازی پایتون اطلاعات جالبی در خود دارد که میتواند در زمان تهیه مستندات کد مفید باشد.
رویه سوم: عملکرد کد را افزایش دهید
چند پردازشی، نه چند رشته‌ای
زمانی که با موضوع بهبود زمان اجرای کدهای چندوظیفه‌ای مواجه می‌شویم، ممکن است بخواهیم از چند هسته‌ی CPU برای اجرای همزمان وظایف مختلف استفاده کنیم. میتوان به عنوان یک روش ابتکاری چند رشته ایجاد کرد و اجازه داد به صورت همزمان اجرا شوند. اما به دلیل اینکه در پایتون یک قفل مفسر سراسری وجود دارد، هر کاری که بکنید رشته‌ها به ترتیب بر روی یک هسته اجرا خواهند شد.
برای رسیدن به موازی‌سازی واقعی در پایتون می‌بایست از ماژول چندپردازشی استفاده کرد. یک روش دیگر هم این است که از طریق روش‌های زیر وظایف را به منابع خارجی سپرد:
1. سیستم‌عامل (با انجام وظایف چند پردازشی)
2. یک برنامه خارجی که کد پایتون شما را فراخوانی میکند (مانند Spark یا Hadoop).
3. نوشتن کد دیگری که کد پایتون شما، آن را فراخوانی کند (برای مثال می‌توانید کد پایتون خود را طوری بنویسید که یک تابع C را فراخوانی کند و این تابع کارهای سنگین چند رشته‌ای را انجام دهد)
جدا از بحث کد نویسی چند برنامه‌ای، روش‌های دیگری هم برای بهبود عملکرد وجود دارد. برخی از آن‌ها را در ادامه فهرست کرده‌ایم.
استفاده از آخرین نسخه پایتون
این یکی از سرراست‌ترین کارها محسوب میشود. چون به‌روزرسانی‌های جدید، معمولاً شامل بهبودهایی برای کارکردهای موجود پایتون هستند که جهت افزایش عملکرد مفید محسوب میشوند.
استفاده از تابع‌های درونی، هر جا که ممکن باشد
تابع‌های درونی به دقت طراحی شده‌اند و از سوی برخی از بهترین توسعهدهندگان پایتون در سراسر جهان بازبینی شده‌اند. بنابراین در اغلب موارد بهترین روش انجام کارها محسوب میشوند.
از Ctypes استفاده کنید
Ctypes واسطی برای فراخوانی تابع‌های مشترک C از داخل کد پایتون ارائه می‌دهد. C زبانی است که به سطح ماشین نزدیک‌تر است و باعث میشود اجرای کد در مقایسه با پیاده‌سازی مشابه در پایتون سریع‌تر اجرا شود.
از Cython استفاده کنید
Cython یک مجموعه بزرگ‌تر از زبان پایتون است که امکان فراخوانی تابع‌های C و داشتن اعلان‌های نوع استاتیک را فراهم میکند و بدین ترتیب کد نهایی ساده‌تر خواهد بود و احتمالاً بسیار سریع‌تر اجرا میشود.
از PyPy استفاده کنید
PyPy یک پیاده‌سازی دیگر از پایتون است که یک کامپایلر JIT (درجا) دارد. به این ترتیب باعث میشود که سریع‌تر اجرا شود. این پیاده‌سازی همچنین ادعا میکند که مصرف حافظه برنامه را کاهش می‌دهد. شرکت‌هایی مانند Quora در عمل از PyPy استفاده می‌کنند.
به طراحی و ساختار داده‌ها دقت کنید
این توصیه در مورد هر زبانی صدق میکند. مطمئن شوید که از ساختار داده درستی استفاده می‌کنید، متغیرها را در محل صحیح اعلان کنید، از حوزه تعریف معقولی استفاده کنید و هر جا که ممکن باشد نتایجتان را کَش کنید.
به طور مشخص در مورد زبان پایتون میتوان گفت که این زبان معمولاً در زمان دسترسی به متغیرهای سراسری و شناسایی آدرس‌های توابع، کند عمل میکند، بنابراین تعریف متغیرهای محلی، باعث میشود دسترسی به آن‌ها در حوزه مربوطه‌شان و اجرای برنامه سریع‌تر شود.
رویه چهارم: نسخه صحیح را انتخاب کنید
پایتون ۲ یا پایتون ۳
ازیک سو پایتون ۳ برخی خصوصیات جدید و عالی در خود دارد. از سوی دیگر ممکن است بخواهید از بسته‌ای استفاده کنید که تنها پایتون 2 از آن پشتیبانی میکند. برنامه پایتون ۳ با نسخه‌های قبلی سازگاری ندارد. این بدین معنی است که اجرای کد پایتون ۲ بر روی مفسر پایتون 3 احتمالاً با خطا مواجه خواهد شد.
توصیه میشود که هنگام آغاز یک پروژه از جدیدترین نسخه پایتون استفاده کنید، اما اگر بنا به دلایلی مجبور شدید از پایتون 2 استفاده کنید در این صورت بهتر است کدتان را طوری بنویسید که بر روی مفسر پایتون 2 و همچنین پایتون ۳ کار کند. متداول‌ترین روش بدین منظور استفاده از بسته‌های مانند future, builtins, و six است که یک کد تمیز و سازگار با پایتون 3 تولید می‌کنند که از هر دو پایتون نسخه ۲ و ۳ با کمترین سربار اضافی پشتیبانی می‌کنند.
Python-future بسته‌ای است که لایه سازگاری مفقود بین پایتون ۲ و پایتون ۳ را برقرار میکند. این بسته در واقع دو بسته future و past به همراه پورت‌های قبلی و بعدی ارائه میکند که از امکانات پایتون ۳ و ۲ پشتیبانی می‌کنند. این بسته همچنین دو امکان futurize و pasteurize را دارد که در واقع اسکریپت‌های قابل سفارشی‌سازی تبدیل نسخه ۲ به ۳ هستند و با استفاده از آن‌ها میتوان کدهای پایتون ۲ و پایتون ۳ را به هم تبدیل کرد. به این ترتیب یک کد منفرد با سبک پایتون ۳ خواهیم داشت.
اِد اِسکوفیلد یک راهنمایی عالی برای نوشتن کدهای سازگار با پایتون ۲ و ۳ ارائه کرده است.
مدیریت الزامات pip (مدیر بسته پایتون)
به طور کلی همه وابستگی‌های pip برای یک پروژه در یک فایل به نام requirements.txt مشخص میشوند که در ریشه پروژه قرار دارد. اگر فرد دیگری سعی کند پروژه شما را اجرا کند میتواند به‌سادگی با استفاده از این فایل و فرمان pip install-r requirements.txt همه پیش‌نیازها را نصب کند. همچنین توصیه میشود که وابستگی‌های لازم برای اجرای تست‌ها در یک فایل جداگانه به نام test-requirements.txt قرار گیرند.
توجه داشته باشید که وقتی پروژه شما به عنوان یک وابستگی برای پروژه دیگر نصب میشود، pip از فایل requirements.txt استفاده نمی‌کند. برای حل این مشکل معمولاً وابستگی‌ها در آرگومان‌های install_requires و tests_require تابع setuptools.Setup در فایل setup.py پروژه تعیین میشود. اگر بخواهید یک فایل تعیین وابستگی‌های مشترک برای بسته‌بندی و توسعه داشته باشید می‌توانید مانند زیر عمل کنید.
Import os
from setuptools import setup
With open('requirements.Txt') as f:
required = f.Read().Splitlines()
Setup(...
install_requires=required,
...)
همچنین گاهی اوقات یک به‌روزرسانی جدید در هریک از وابستگی‌ها ممکن است باعث خراب شدن پروژه شود. بنابراین رویه مطمئن این است که نسخه وابستگی‌ها را فریز کنید. به عنوان راهنمایی می‌توانید به این نوشته کِنِت ریتز مراجعه کنید که در آن روش ساده و جالبی برای مدیریت نسخه‌های وابستگی پروژه‌های پایتون معرفی کرده است.
از محیط‌های مجازی استفاده کنید
به همان دلیلی که در بخش فوق اشاره کردیم، ممکن است تغییر در نسخه وابستگی‌ها باعث ازکارافتادن بخشهای خاصی از پروژه شما شود. بنابراین غالباً توصیه میشود که از محیط‌های مجازی (نصب‌های سبک و از پیش موجود پایتون) استفاده کنید تا از تعارض بین نسخه‌های وابستگی‌ها بر روی پروژه‌های مختلف در هنگام توسعه جلوگیری کنید. جدا از این مسئله نصب این محیط‌ها آسان است و برخی استفاده‌های اولیه آن‌ها در اینجا بررسی شده است.
نسخه بندی پروژه
برای نسخه بندی پروژه بهتر است از روش نسخه بندی معنایی استفاده کنید. در راهنمای فوق روش‌های مختلف ذخیره نسخه پروژه در بسته نرم‌افزاری مطرح شده است.
رویه پنجم: کد خود را تحلیل کنید
تحلیل کد برای بررسی پوشش، کیفیت و عملکرد غالباً عمل مفیدی است. پایتون یک ماژول به نام CProfile دارد که به ارزیابی عملکرد کد کمک میکند. این ماژول نه تنها زمان اجرای کل برنامه را نشان می‌دهد، بلکه زمان‌های اجرای هر یک از تابع‌ها را به طور جداگانه مشخص میکند.
این ماژول همچنین مشخص میکند که هر تابع چند بار فراخوان شده است و بدین ترتیب محل‌هایی که باید بهینه‌سازی شوند به آسانی مشخص میشوند. یک تحلیل ساده با استفاده از cProfile چیزی مانند زیر خواهد بود:
- memory_profiler یک ماژول پایتون برای نظارت بر مصرف حافظه در پردازش‌ها و همچنین تحلیل خط به خط مصرف حافظه در برنامههای پایتون است.
- Objgraph امکان نمایش N شیئی که بیشترین مقدار حافظه را در پایتون اشغال کرده‌اند، فراهم کرده است. این ماژول همچنین اشیایی که حذف یا اضافه شده‌اند و همه ارجاع‌ها به اشیای مفروض را در کد شما مشخص میکند.
- resource سازوکار اولیه‌ای برای اندازه‌گیری و کنترل منابع مورد استفاده برنامه ارائه می‌دهد. دو استفاده مقدماتی از این ماژول، شامل محدودسازی تخصیص منابع و کسب اطلاعات در مورد استفاده کنونی از منابع است.
رویه ششم: تست کردن و یکپارچه‌سازی مداوم
تست کردن
نوشتن تست‌های یونیت، رویه خوبی محسوب میشود. اگر فکر می‌کنید که نوشتن این تست‌ها به زحمتش نمی‌ارزد، نگاهی به این صفحه StackOverflow بیندازید. بهتر است که تست‌ها قبل از کدنویسی یا همزمان با آن نوشته شوند. پایتون ماژول‌های Unittest در خود دارد که میتوان برای نوشتن تست تابع‌ها و کلاس‌ها استفاده کرد. فریمورک‌های زیر نیز به این منظور وجود دارند:
- Nose میتواند تست‌های unittest را اجرا کند و به کد نویسی زیادی نیاز ندارد.
- Pytest هم تست‌های unittest را اجرا میکند و کدهای تکراری کمی دارد. این ماژول گزارش دهی بهتری دارد و امکانات اضافی و جالب زیادی در خود جای داده است. برای داشتن یک مقایسه خوب در میان این ماژول‌ها می‌توانید به این نوشته مراجعه کنید.
البته ماژول doctest را نیز نباید فراموش کنیم که کد شما را با استفاده از مثال‌های تعاملی که در مستندات درون‌خطی توضیح داده شده‌اند، تست میکند.
اندازه‌گیری پوشش
Coverage ابزاری است که پوشش کد برنامه پایتون شما را اندازه‌گیری میکند. این ابزار برنامه را رصد میکند و توجه میکند که کدام بخش‌ها اجرا شده‌اند، و کد منبع را برای شناسایی بخش‌هایی که می‌توانستند اجرا شوند اما نشده‌اند، تحلیل میکند.
اندازه‌گیری پوشش معمولاً برای سنجش کارآمدی تست‌ها مورد استفاده قرار می‌گیرد. این ابزار همچنین نشان می‌دهد که کدام بخشهای کد به وسیله تست‌ها آزموده شده‌اند و کدام بخش‌ها نشده‌اند. معمولاً توصیه میشود که برنامه به پوشش ۱۰۰ درصدی دست یابد. این بدین معنی است که تست‌ها باید بتوانند خروجی همه بخشهای پروژه را اجرا و تأیید کنند.
یکپارچه‌سازی پیوسته
یکپارچه‌سازی پیوسته (CI) یک سرویس برای پروژه است که از همان ابتدای آغاز به کار مورد توجه قرار می‌گیرد و در بلند‌مدت برای پروژه مفید خواهد بود. با استفاده از سرویس CI میتوان جنبه‌های مختلف کد را به راحتی مورد تست قرار داد. برخی از بررسی‌های معمولی که در CI انجام میشوند شامل موارد زیر هستند:
- اجرای تست در محیط دنیای واقعی. مواردی وجود دارند که تست‌ها بر روی برخی معماری‌ها با موفقیت همراه هستند، ولی بر روی برخی دیگر شکست می‌خورند. سرویس CI میتواند تست‌های شما را بر روی معماری سیستم‌های مختلف اجرا کند.
- سرویس CI میتواند پوشش کامل کد شما را تضمین کند.
- CI کد پروژه را در محیط عملی ساخته و توزیع میکند (این کار در پلتفرم‌های مختلف انجام میشود).
امروزه چند سرویس مختلف CI وجود دارند. برخی از رایج‌ترین آن‌ها شامل Travis، Circle (برای OSX و لینوکس) و Appveyor (برای ویندوز) هستند. موارد جدیدتر شامل Semaphore CI نیز دست‌کم در استفاده‌های ابتدایی پایدار به نظر می‌رسند. Gitlab (که یک پلتفرم مدیریت ریپازیتری Git مانند گیتهاب است) نیز از سرویس CI پشتیبانی میکند، گرچه مجبور هستید مانند سرویس‌های دیگر آن را به طور مشخص پیکربندی کنید.
در این نوشته تلاش کردیم برخی رویه‌های کدنویسی کارآمد برای زبان برنامه‌نویسی پایتون را با شما به اشتراک بگذاریم. در طی این مسیر 6 رویه صحیح را با ذکر مثال و ارجاع به راهنماهای مختلف بررسی کردیم. اگر این نوشته برای شما مفید بوده است احتمالاً مطالب زیر نیز مورد توجه شما واقع خواهند شد:
==
