Nel mio precedente articolo su Pydantic, ti ho presentato Logfire in uno degli esempi di codice come piattaforma di osservabilità progettata per fornire agli sviluppatori approfondimenti sulle applicazioni Python. In questo articolo, approfondirai Logfire e le sue capacità che alla fine semplificheranno il tuo percorso di osservabilità dal tracciamento al debug al logging.
Logfire è una piattaforma di osservabilità innovativa sviluppata dai creatori di Pydantic, progettata per fornire agli sviluppatori potenti approfondimenti sulle loro applicazioni Python. Basato sugli stessi principi che hanno reso Pydantic un successo, Logfire mira a rendere l’osservabilità facile da implementare e comprendere offrendo approfondimenti sul comportamento dell’applicazione.
Caratteristiche principali
Integrazione senza soluzione di continuità
Logfire si integra senza sforzo con i progetti Python esistenti, richiedendo una configurazione minima. Con poche righe di codice, gli sviluppatori possono iniziare a raccogliere dati preziosi sulle prestazioni e il comportamento della loro applicazione.
Integrazione Pydantic
Logfire offre un’integrazione eccezionale con i modelli Pydantic. Questo consente agli sviluppatori di ottenere approfondimenti senza precedenti sulla convalida dei dati e sull’uso dei modelli in tutta l’applicazione.
Strumentazione automatica
Logfire può strumentare automaticamente librerie e framework popolari, riducendo la necessità di logging e tracciamento manuale. Questa funzionalità risparmia tempo e garantisce una copertura completa del comportamento dell’applicazione.
Compatibile con OpenTelemetry
Basato su OpenTelemetry, Logfire garantisce la compatibilità con gli standard del settore e consente opzioni flessibili di esportazione dei dati.
Prerequisiti
- Accedi a Logfire.
- Segui le istruzioni per creare il tuo account. Questo account ti aiuterà a organizzare i tuoi progetti.
- Dalla tua organizzazione, clicca su Nuovo progetto per creare il tuo primo progetto.
Per iniziare
Per iniziare ad utilizzare Logfire, segui questi semplici passaggi:
Passaggio 1. Installa il pacchetto Logfire con il comando qui sotto. Se stai utilizzando Jupyter Notebook, esegui !pip install logfire.
pip install logfire
Passaggio 2. Autentica il servizio Logfire. Questo aprirà un browser e chiederà le credenziali di accesso a Logfire.
logfire auth
3. Configura Logfire nella tua applicazione. Una volta installato il pacchetto, è necessario utilizzare i comandi seguenti per configurare Logfire.
import logfire
logfire.configure()
Puoi seguire i passaggi come parte della configurazione del tuo progetto:
Utilizzo di base
Lo span in Logfire è un elemento essenziale di una traccia. Puoi definire uno span con logfire.span. Nell’esempio sottostante, lo span esterno imposta l’argomento – il compleanno dell’utente. All’utente verrà chiesto di inserire il suo compleanno e catturato tramite il terminale o il prompt dei comandi. Lo spazio cattura la data di nascita inserita dall’utente.
Ecco un semplice esempio di come utilizzare Logfire per il tracciamento manuale:
import logfire
from datetime import date
logfire.configure()
logfire.info('Hello, {name}!', name='world')
with logfire.span('Asking the user their {question}', question='age'):
user_input = input('How old are you [YYYY-mm-dd]? ')
dob = date.fromisoformat(user_input)
logfire.debug('{dob=} {age=!r}', dob=dob, age=date.today() - dob)
Se non vedi l’output DEBUG, clicca su Filtra dati locali –> Livelli –> debug.
Integrazione con Pydantic
Come discusso nel mio articolo precedente, la funzionalità principale di Pydantic è la validazione dei dati. Utilizza suggerimenti di tipo Python per convalidare automaticamente la struttura e i tipi di dati. Quando si definisce un modello Pydantic, ogni campo è annotato con il tipo previsto. Pydantic si assicura quindi che tutti i dati assegnati a questi campi siano conformi ai tipi specificati.
L’integrazione di Logfire con Pydantic è particolarmente potente. Ecco come è possibile utilizzarlo per registrare le validazioni dei modelli Pydantic:
from datetime import date
import logfire
from pydantic import BaseModel
logfire.configure()
logfire.instrument_pydantic()
class User(BaseModel):
name: str
country_code: str
dob: date
User(name='Anne', country_code='USA', dob='2000-01-01')
User(name='Ben', country_code='USA', dob='2000-02-02')
User(name='Charlie', country_code='GBR', dob='1990-03-03')
Questa configurazione registrerà automaticamente i dettagli su tutte le validazioni dei modelli Pydantic, fornendo preziose informazioni sul trattamento dei dati all’interno della tua applicazione.
Integrazioni con Framework
Logfire offre integrazioni con framework e librerie Python popolari. Per l’esempio di codice Python qui sotto, è necessario fornire la chiave API di OpenAI e installare i pacchetti richiesti (FASTAPI, instructor, OpenAI, ecc.).
Per iniziare, FastAPI è un framework web Python che aiuta gli sviluppatori a creare interfacce di programmazione delle applicazioni (API). FastAPI è noto per la sua scalabilità, facilità d’uso e prestazioni elevate.
Instructor è un pacchetto Python che ti aiuta ad estrarre facilmente dati strutturati come JSON dall’output di LLMs.
Ecco un esempio di come integrare Logfire con FastAPI, OpenAI API e Instructor:
from fastapi import FastAPI
from openai import AsyncOpenAI
import os
import instructor
import logfire
from pydantic import BaseModel
app = FastAPI()
openai_client = AsyncOpenAI(
api_key=os.environ.get("OPENAI_API_KEY"))
logfire.configure()
logfire.instrument_pydantic()
logfire.instrument_openai(openai_client)
logfire.instrument_fastapi(app)
client = instructor.from_openai(openai_client)
class UserData(BaseModel):
query: str
class UserDetail(BaseModel):
name: str
age: int
.post("/user", response_model=UserDetail)
async def endpoint_function(data: UserData) -> UserDetail:
user_detail = await client.chat.completions.create(
model="gpt-3.5-turbo",
response_model=UserDetail,
messages=[
{"role": "user", "content": f"Extract: `{data.query}`"},
],
)
return user_detail
Questa configurazione fornisce un registro completo delle richieste FastAPI, delle chiamate API di OpenAI e delle validazioni del modello Pydantic, offrendo una visione olistica del comportamento della tua applicazione.
Conclusione
Logfire rappresenta un passo significativo avanti nel rendere l’osservabilità accessibile e potente per gli sviluppatori Python. Logfire consente agli sviluppatori di comprendere e ottimizzare meglio le loro applicazioni combinando facilità d’uso con approfondite conoscenze. Che tu stia lavorando su un piccolo progetto o su un’applicazione su larga scala, Logfire fornisce gli strumenti per ottenere preziose informazioni sul comportamento e sulle prestazioni del tuo codice.
Per favore condividi il tuo amore con un mi piace e condividi con la tua community di sviluppatori.
Source:
https://dzone.com/articles/logfire-uncomplicated-observability-for-python-app