


Publication de confiance ‐ Il n'a jamais été aussi simple de publier vos packages Python
Publier des packages Python était une tâche ardue, mais ce n'est plus le cas. Mieux encore, il est devenu nettement plus sécurisé. Il est révolu le temps où il fallait jongler avec les noms d'utilisateur, les mots de passe ou les jetons API tout en s'appuyant sur les outils CLI. Avec la publication fiable, vous fournissez simplement à PyPI les détails de votre référentiel GitHub, et GitHub Actions se charge du gros du travail.
Comment publier votre package Python avec Trusted Publishing
Je vais présenter un workflow qui publiera votre package sur TestPyPi lorsqu'une balise est créée (sur la branche de développement), ou sur PyPi lorsque vous fusionnez avec la branche principale.
Préparez votre package pour la publication
Assurez-vous que votre package Python respecte les directives d'emballage de PyPI. Au minimum, vous aurez besoin de :
- Un fichier
setup.py oupyproject.toml définissant les métadonnées de votre package. - Code correctement structuré avec une disposition de répertoire claire.
- Un fichier README pour présenter votre projet sur PyPI.
Pour une liste de contrôle détaillée, reportez-vous au Guide de l'utilisateur de Python Packaging.
Configurez les actions GitHub dans votre référentiel
Commençons par créer une nouvelle action GitHub .github/workflows/test-build-publish.yml.
name: test-build-publish on: [push, pull_request] permissions: contents: read jobs: build-and-check-package: name: Build & inspect our package. runs-on: ubuntu-latest steps: - uses: actions/checkout@v4 - uses: hynek/build-and-inspect-python-package@v2
Cette action construira votre package et téléchargera la roue construite et la distribution source (SDist) en tant qu'artefacts GitHub Actions.
Ensuite, nous ajoutons une étape pour publier sur TestPyPI. Cette étape s'exécutera chaque fois qu'une balise est créée, garantissant ainsi que la construction de l'étape précédente s'est terminée avec succès. Remplacez PROJECT_OWNER et PROJECT_NAME par les valeurs appropriées pour votre référentiel.
test-publish: if: >- github.event_name == 'push' && github.repository == 'PROJECT_OWNER/PROJECT_NAME' && startsWith(github.ref, 'refs/tags') needs: build-and-check-package name: Test publish on TestPyPI runs-on: ubuntu-latest environment: test-release permissions: id-token: write steps: - name: Download packages built by build-and-check-package uses: actions/download-artifact@v4 with: name: Packages path: dist - name: Upload package to Test PyPI uses: pypa/gh-action-pypi-publish@release/v1 with: repository-url: https://test.pypi.org/legacy/
Cette étape télécharge les artefacts créés pendant le processus de construction et les télécharge sur TestPyPI pour les tests.
Dans la dernière étape, nous téléchargerons le package sur PyPI lorsqu'une pull request sera fusionnée dans la branche principale.
publish: if: >- github.event_name == 'push' && github.repository == 'PROJECT_OWNER/PROJECT_NAME' && github.ref == 'refs/heads/main' needs: build-and-check-package name: Publish to PyPI runs-on: ubuntu-latest environment: release permissions: id-token: write steps: - name: Download packages built by build-and-check-package uses: actions/download-artifact@v4 with: name: Packages path: dist - name: Publish distribution ? to PyPI for push to main uses: pypa/gh-action-pypi-publish@release/v1
Configurer les environnements GitHub
Pour garantir que seules des balises spécifiques déclenchent le flux de publication et garder le contrôle sur votre processus de publication.
Créez une nouvelle version de test d'environnement en accédant à Paramètres -> Environnements dans votre référentiel GitHub.
Configurez l'environnement et ajoutez une règle de balise de déploiement.
Limitez les branches et les balises qui peuvent être déployées dans cet environnement en fonction de règles ou de modèles de dénomination.
Limiter les branches et les balises pouvant être déployées dans cet environnement en fonction de modèles de dénomination.
Configurez les balises cibles.
Le modèle [0-9]*.[0-9]*.[0-9]* correspond aux balises de version sémantique telles que 1.2.3, 0.1.0 ou 2.5.1b3, mais il exclut les balises arbitraires comme bugfix-567 ou mise à jour des fonctionnalités.
Répétez ceci pour l'environnement de publication afin de protéger la branche principale de la même manière, mais cette fois en ciblant la branche principale.
Configurez un projet PyPI et liez votre référentiel GitHub
Créez un compte sur TestPyPI si vous n'en avez pas.
Accédez à votre compte, Publication et ajoutez un nouvel éditeur en attente.
Liez votre référentiel GitHub au projet PyPI en fournissant son nom, votre nom d'utilisateur GitHub, le nom du référentiel, le nom du workflow (test-build-publish.yml) et le nom de l'environnement (test-release).
Répétez ce qui précède sur PyPI avec le nom de l'environnement défini sur release.
Testez le flux de travail
Maintenant, chaque fois que vous créez une balise sur votre branche de développement, cela déclenchera le téléchargement d'une version sur TestPyPI et la fusion de la branche de développement dans main téléchargera une version sur PyPI.
Ce qui n'était pas couvert
Bien que ce guide fournisse une introduction aux flux de publication fiables, il existe des étapes supplémentaires et des bonnes pratiques que vous pourriez envisager de mettre en œuvre. Par exemple, la configuration de règles de protection des branches peut garantir que seuls les collaborateurs autorisés peuvent pousser des balises ou fusionner avec des branches protégées, comme main ou development. Vous pouvez également appliquer des contrôles de statut ou exiger des examens de demandes d'extraction avant la fusion, ajoutant ainsi une autre couche d'assurance qualité.
Jetez un œil à mon modèle de référentiel python qui couvre des améliorations supplémentaires de ce flux de travail, telles que l'exigence de réussite des tests unitaires et statiques, la vérification du package avec pyroma et la garantie que votre balise correspond à la version de votre package avec vercheck.
Résumé
Si vous avez hésité à partager votre travail, c'est le moment idéal pour essayer la publication de confiance.
- Présentation des « Éditeurs de confiance » Le blog Python Package Index met en avant une méthode de publication plus sécurisée qui ne nécessite pas le partage de mots de passe à longue durée de vie ou de jetons API avec des systèmes externes
- Publication sur PyPI avec un éditeur de confiance La documentation officielle de PyPI pour commencer à utiliser des éditeurs de confiance sur PyPI.
- Construire et tester Python dans la documentation officielle de GitHub.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds











Python est plus facile à apprendre et à utiliser, tandis que C est plus puissant mais complexe. 1. La syntaxe Python est concise et adaptée aux débutants. Le typage dynamique et la gestion automatique de la mémoire le rendent facile à utiliser, mais peuvent entraîner des erreurs d'exécution. 2.C fournit des fonctionnalités de contrôle de bas niveau et avancées, adaptées aux applications haute performance, mais a un seuil d'apprentissage élevé et nécessite une gestion manuelle de la mémoire et de la sécurité.

Est-ce suffisant pour apprendre Python pendant deux heures par jour? Cela dépend de vos objectifs et de vos méthodes d'apprentissage. 1) Élaborer un plan d'apprentissage clair, 2) Sélectionnez les ressources et méthodes d'apprentissage appropriées, 3) la pratique et l'examen et la consolidation de la pratique pratique et de l'examen et de la consolidation, et vous pouvez progressivement maîtriser les connaissances de base et les fonctions avancées de Python au cours de cette période.

Python est meilleur que C dans l'efficacité du développement, mais C est plus élevé dans les performances d'exécution. 1. La syntaxe concise de Python et les bibliothèques riches améliorent l'efficacité du développement. Les caractéristiques de type compilation et le contrôle du matériel de CC améliorent les performances d'exécution. Lorsque vous faites un choix, vous devez peser la vitesse de développement et l'efficacité de l'exécution en fonction des besoins du projet.

Python et C ont chacun leurs propres avantages, et le choix doit être basé sur les exigences du projet. 1) Python convient au développement rapide et au traitement des données en raison de sa syntaxe concise et de son typage dynamique. 2) C convient à des performances élevées et à une programmation système en raison de son typage statique et de sa gestion de la mémoire manuelle.

PythonlistSaReparmentofthestandardLibrary, tandis que les coloccules de colocède, tandis que les colocculations pour la base de la Parlementaire, des coloments de forage polyvalent, tandis que la fonctionnalité de la fonctionnalité nettement adressée.

Python excelle dans l'automatisation, les scripts et la gestion des tâches. 1) Automatisation: La sauvegarde du fichier est réalisée via des bibliothèques standard telles que le système d'exploitation et la fermeture. 2) Écriture de script: utilisez la bibliothèque PSUTIL pour surveiller les ressources système. 3) Gestion des tâches: utilisez la bibliothèque de planification pour planifier les tâches. La facilité d'utilisation de Python et la prise en charge de la bibliothèque riche en font l'outil préféré dans ces domaines.

Les applications de Python en informatique scientifique comprennent l'analyse des données, l'apprentissage automatique, la simulation numérique et la visualisation. 1.Numpy fournit des tableaux multidimensionnels et des fonctions mathématiques efficaces. 2. Scipy étend la fonctionnalité Numpy et fournit des outils d'optimisation et d'algèbre linéaire. 3. Pandas est utilisé pour le traitement et l'analyse des données. 4.Matplotlib est utilisé pour générer divers graphiques et résultats visuels.

Les applications clés de Python dans le développement Web incluent l'utilisation des cadres Django et Flask, le développement de l'API, l'analyse et la visualisation des données, l'apprentissage automatique et l'IA et l'optimisation des performances. 1. Framework Django et Flask: Django convient au développement rapide d'applications complexes, et Flask convient aux projets petits ou hautement personnalisés. 2. Développement de l'API: Utilisez Flask ou DjangorestFramework pour construire RestulAPI. 3. Analyse et visualisation des données: utilisez Python pour traiter les données et les afficher via l'interface Web. 4. Apprentissage automatique et AI: Python est utilisé pour créer des applications Web intelligentes. 5. Optimisation des performances: optimisée par la programmation, la mise en cache et le code asynchrones
