How to Run Python in Production
a year ago
- #Production
- #Python
- #MachineLearning
- Python在数据分析和机器学习生产环境中占据主导地位
- 推荐的包管理工具：poetry和uv（uv速度快但尚未稳定）
- 使用autoflake、flake8、ruff、isort和pylint等linter工具检测动态类型Python代码的错误
- 通过gitguardian、gitleaks或noseyparker等工具防止密钥泄露
- 使用pre-commit钩子强制执行代码质量规范
- 对于Web服务，FastAPI + gunicorn的吞吐量是Flask + gunicorn的3倍
- 使用数据类或pydantic处理数据，辅助类实现纯函数
- 因GIL限制避免使用Python的async和多线程，改用多进程方案
- 使用pip-audit和deptry进行依赖项管理与清理
- 通过licensecheck确保法律合规性，避免有问题的库许可证
- 部署时使用Docker，但避免基于Alpine的镜像（glibc与musl兼容问题）
- 非GPU部署场景使用仅CPU版本的PyTorch以减小体积
- 在Docker构建阶段编译代码以加快启动速度
- 构建时下载外部依赖以避免延迟并确保密闭构建
- 以非root用户身份运行Docker容器来减少攻击面