No meu artigo anterior sobre Pydantic, apresentei o Logfire em um dos exemplos de código como uma plataforma de observabilidade projetada para fornecer aos desenvolvedores insights sobre aplicativos Python. Neste artigo, você terá uma análise aprofundada do Logfire e suas capacidades que eventualmente simplificarão sua jornada de Observabilidade, desde o rastreamento até a depuração e o registro.
O Logfire é uma plataforma inovadora de observabilidade desenvolvida pelos criadores do Pydantic, projetada para fornecer aos desenvolvedores insights poderosos sobre seus aplicativos Python. Construído com os mesmos princípios que fizeram do Pydantic um sucesso, o Logfire tem como objetivo tornar a observabilidade fácil de implementar e entender, oferecendo insights profundos sobre o comportamento do aplicativo.
Recursos Principais
Integração Perfeita
O Logfire se integra perfeitamente a projetos Python existentes, exigindo configuração mínima. Com apenas algumas linhas de código, os desenvolvedores podem começar a coletar dados valiosos sobre o desempenho e o comportamento de seu aplicativo.
Integração com Pydantic
O Logfire oferece integração excepcional com modelos Pydantic. Isso permite aos desenvolvedores obter insights sem precedentes sobre validação de dados e uso de modelos em seus aplicativos.
Instrumentação Automática
O Logfire pode instrumentar automaticamente bibliotecas e frameworks populares, reduzindo a necessidade de registro e rastreamento manual. Essa funcionalidade economiza tempo e garante uma cobertura abrangente do comportamento do aplicativo.
Compatível com OpenTelemetry
Construído em cima do OpenTelemetry, Logfire garante compatibilidade com padrões da indústria e permite opções flexíveis de exportação de dados.
Pré-requisitos
- Acesse o Logfire.
- Siga as instruções para criar sua conta. Esta conta irá ajudá-lo a organizar seus projetos.
- Na sua organização, clique em Novo projeto para criar seu primeiro projeto.
Começando
Para começar a usar o Logfire, siga estes passos simples:
Passo 1. Instale o pacote Logfire com o comando abaixo. Se estiver usando o Jupyter Notebook, execute !pip install logfire.
pip install logfire
Passo 2. Autentique-se no serviço Logfire. Isso abrirá um navegador e solicitará credenciais de login do logfire.
logfire auth
3. Configure o Logfire em sua aplicação. Depois que o pacote estiver instalado, você precisará usar os comandos abaixo para configurar o logfire.
import logfire
logfire.configure()
Você pode seguir os passos como parte da configuração do seu projeto:
Uso Básico
Span no Logfire é um bloco de construção essencial de um rastreamento. Você pode definir um span com logfire.span. No exemplo abaixo, O span externo define o tópico – o aniversário do usuário. O usuário será solicitado a fornecer seu aniversário e capturado por meio do terminal ou prompt de comando. O espaço captura a data de nascimento digitada pelo usuário.
Aqui está um exemplo simples de como usar o Logfire para rastreamento manual:
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 você não estiver vendo a saída DEBUG, clique em Filtrar dados locais –> Níveis –> debug.
Integração com Pydantic
Conforme discutido em meu artigo anterior, a funcionalidade principal do Pydantic é a validação de dados. Ele usa sugestões de tipo em Python para validar automaticamente a estrutura e os tipos de dados. Quando você define um modelo Pydantic, cada campo é anotado com seu tipo esperado. Pydantic então garante que quaisquer dados atribuídos a esses campos estejam em conformidade com os tipos especificados.
A integração do Logfire com Pydantic é particularmente poderosa. Veja como você pode usá-la para registrar validações de modelos 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')
Esta configuração registrará automaticamente detalhes sobre todas as validações de modelos Pydantic, fornecendo informações valiosas sobre o processamento de dados dentro de sua aplicação.
Integrações de Framework
O Logfire oferece integrações com frameworks e bibliotecas populares em Python. Para o exemplo de código Python abaixo, você precisa fornecer a chave da API da OpenAI e instalar os pacotes necessários (FASTAPI, instructor, OpenAI, etc.).
Para começar, FastAPI é um framework web em Python que ajuda os desenvolvedores a criar interfaces de programação de aplicativos (APIs). O FastAPI é conhecido por sua escalabilidade, facilidade de uso e alto desempenho.
Instructor é um pacote Python que ajuda a extrair facilmente dados estruturados como JSON da saída LLMs.
Aqui está um exemplo de como integrar Logfire com 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
Essa configuração fornece registro abrangente para solicitações FastAPI, chamadas de API OpenAI e validações de modelo Pydantic, oferecendo uma visão holística do comportamento de sua aplicação.
Conclusão
O Logfire representa um avanço significativo para tornar a observabilidade acessível e poderosa para os desenvolvedores Python. O Logfire permite que os desenvolvedores entendam e otimizem melhor suas aplicações, combinando facilidade de uso com insights profundos. Se você está trabalhando em um projeto pequeno ou em uma aplicação em grande escala, o Logfire fornece as ferramentas para obter insights valiosos sobre o comportamento e desempenho do seu código.
Por favor, mostre seu apoio com um curtir e compartilhe com sua comunidade de desenvolvedores.
Source:
https://dzone.com/articles/logfire-uncomplicated-observability-for-python-app