Привет… в этом посте я хочу показать вам кое-что о трюке с производительностью на стороне сервера. Я расскажу о пакете systemd в системах Linux, который будет использоваться в процессе разработки приложений или на заказ.

Проверка формы - один из наиболее важных компонентов ввода данных в веб-приложениях. Пользователи могут совершать ошибки, некоторые - злонамеренные. С помощью проверки ввода мы защищаем наше приложение от неверных данных, влияющих на бизнес-логику, и от злонамеренного ввода, предназначенного для нанесения вреда нашим системам.

Попытка обработать вводимые пользователем данные, не прошедшие проверку, может вызвать неожиданные / необработанные ошибки, если не сбой сервера. В этом контексте проверка данных означает проверку входных данных и проверку их соответствия определенным ожиданиям или критериям. Проверка данных может выполняться как на стороне клиента, так и на стороне сервера.

В этом руководстве мы узнаем, как проверить ввод данных пользователем в Flask формах с помощью расширения Flask-WTForms.

Мы живем в мире после Python 2, поскольку большинство компаний адаптировалось к Python 3. Язык становится более зрелым. В последнее время Python перенимает интересные вещи из других языков. Несколько примеров - это подсказки по типам и синтаксис async/await.

По моему опыту, общая проблема с приложениями, управляющими данными с помощью Python - это незнание, какой инструмент использовать для какой работы. Я думаю, что само собой разумеется, что использование правильного инструмента для работы - это большая часть того, что мы делаем. Трудно понять, с чего начать, если можно было начать где угодно. Однако я снова и снова сталкивался с вопросом: «Следует ли мне изучать Flask или Django?» Короткий ответ: и то и другое!

H2 - это легкий сервер баз данных, написанный на Java. Он может быть встроен в приложения Java или работать как отдельный сервер.

В этом руководстве мы рассмотрим, почему H2 может быть хорошим вариантом для ваших проектов. Мы также узнаем, как интегрировать H2 с Python, создав простое Flask API.

С появлением интерфейса командной строки Flask, одна из самых раздражающих вещей, которые вы должны делать во время разработки, - это устанавливать переменные среды каждый раз, когда вы работаете над своим приложением, а именно FLASK_ENV и FLASK_APP. Но, у Flask есть способ справиться с этими вещами так, чтобы сделать это только один раз. И с помощью той же функциональности вы также можете добавить другие переменные окружения для вашего проекта. В этой статье я покажу вам, как использовать python-dotenv для загрузки переменных окружения, готовых к работе при каждом запуске приложения.

В этом уроке мы увидим, как вы можете создать свой первый REST API для модели машинного обучения с использованием FLASK. Начнем с создания модели машинного обучения. Затем мы увидим пошаговую процедуру создания API с помощью Flask и протестируем его с помощью Postman.

В нашем предыдущем посте в блоге мы рассмотрели пользовательские очереди и маршрутизацию задач. Для каждой задачи нам приходилось настраивать, к какой очереди мы хотим, чтобы Celery поставил маршрут. Хотя этот подход хорошо работает для простой настройки, он не подходит для приложений и микросервисов, где многие задачи Celery необходимо направлять в различные рабочие очереди.

По умолчанию Celery направляет все задачи в одну очередь, и все обработчики, по умолчанию, используют эту очередь. С очередями Celery вы можете контролировать, какие задачи выполняются обработчиками Celery. Это может быть полезно, если у вас есть разные по скорости выполнения задачи, и вы хотите, чтобы медленные задачи не мешали выполнению быстрым. Или если вам нужно отправить какуюто задачу из одного микросервиса в другой.

Цепочки Celery позволяют вам модульно оформить ваше приложение и повторно использовать общие задачи. Классическим примером использования является система рыночных данных.