正確讀取和寫入Python專案中的配置的方法是什麼?
1、將組態寫在Python檔中
#這種方法非常簡單,但它有嚴重的安全性問題,我們都知道不應該把配置寫在程式碼中,如果有人把我們的原始碼上傳到了github中,那麼資料庫的配置就相當於向全世界公開了,當然,當設定檔不包含敏感資訊時,也可以才有這種簡單的方法。
2、利用外部設定檔
讓設定檔和程式碼獨立開來,通常使用 json、yaml或ini的檔案格式來儲存設定。
結合環境變數和python 庫讀取外部文件,首先開發通常不會接觸到生成環境,因此生成環境的配置文件由運維來寫,維運將應用所所需的配置寫好後,放到生產伺服器的指定位置,程式碼從指定位置讀取配置。
為了方便程式的統一偵錯,可以事先約定好一個系統環境變數(XXX_CONFIG_PATH)來指定設定檔的存放路徑。
例如:export XXX_CONFIG_PATH =
/home/test/configs/config.ini 此為設定臨時環境變數
linux、ubuntu 環境變數
查看环境变量: env 设置永久环境变量 1.在/etc/profile 的文件下编辑,所改变的环境变量是面向所有用户的 export CLASSPATH = /../...该路径为绝对路径 2.在当前用户目录下./barsh_profile文件中修改 进行修改的话,仅对当前的用户生效 vim /home/wens/.barshc export CLASSPATH = /../...该路径为绝对路径 最后使用source命令 可以直接使环境变量生效 source/home/wens/.barshc //直接跟环境变量的文件
windows 環境變數
查看环境变量: set 查看某个环境变量: set path 修改环境变量 输入 “set 变量名=变量内容”即可。比如将path设置为“d:nmake.exe”,只要输入set path="d:nmake.exe" 注意:所有的在cmd命令行下对环境变量的修改只对当前窗口有效,不是永久性的修改。也就是说当关闭此cmd命令行窗口后,将不再起作用。 永久性修改环境变量的方法有两种: 一种是直接修改注册表 另一种是通过我的电脑-〉属性-〉高级,来设置系统的环境变量(查看详细) 设置了环境变量后,需要重启 pycharm 生效
3、直接使用系統環境變數讀取組態
此方法不使用檔案來儲存設定訊息,將所有的設定資訊儲存到環境變數中,在實務上比較常見,運維透過ansible 部署腳本,在程式運作前將需要設定的資訊匯入到環境變數中。
不利用文件存儲,在一定程度上加強了對密碼等配置資訊的保護,但也增加了維運的工作量,尤其是當需要修改配置時。
4、微服務架構
在一些微服務架構中,會專門開發配置中心,程式直接從線上讀取配置,配置的管理也會開發一套GUI,方便開發與維運。
5、一般專案中建議的設定方式
-app -__init.py -app.py -settings -__init__.py -base.py -dev.py -prod.py
其中 __init__.py 中,新增判斷邏輯,判斷目前環境使用開發環境還是生產環境,從而載入不同的配置參數。
# settings/__init__.py import os # os.environ.get() 用于获取系统中的环境变量,因为在生产环境中,一般都会把一些关键性的参数写到系统的环境中。 # 所以PROFILE的值其实就是我们配置的环境变量的值。如果没有配这个值,默认走dev的配置。 # PYTHON_PRO_PROFILE = os.environ.get("PYTHON_PRO_PROFILE", "dev") PYTHON_PRO_PROFILE = os.environ.get("PYTHON_PRO_PROFILE") print("是开发环境还是生产环境: ", PYTHON_PRO_PROFILE) if PYTHON_PRO_PROFILE == "dev": from .dev import * elif PYTHON_PRO_PROFILE == "prod": from .prod import * else: raise Exception("Not supported runtime profile {}".format(PYTHON_PRO_PROFILE))
其中 base.py 儲存一些公用的配置,然後在開發環境 dev.py 與生產環境 prod. py 中導入 base.py 的變數。
# settings/base.py import os import time # os.path.abspath: 获取完整路径(包含文件名) current_exec_abspath = os.path.abspath(__file__) current_exec_dir_name, _ = os.path.split(current_exec_abspath) current_up_dir, _ = os.path.split(current_exec_dir_name) current_up2_dir, _ = os.path.split(current_up_dir) print('------log dir=------', current_up2_dir) # 日志文件路径设置 log_path = f"{current_up2_dir}/logs" if not os.path.exists(log_path): os.makedirs(log_path) t = time.strftime("%Y_%m_%d") log_path_file = f"{log_path}/interface_log_{t}.log"
其中 dev.py:
## 导入了base下所有参数 from .base import * database = { "protocol": "mysql+mysqlconnector", "username": "xxxxxx", "password": "hash string", "port": 3306, "database": "repo" }
其中 prod.py:
# 导入了base下所有参数 from .base import * database = { "protocol": "xxxxxxxxxxx", "username": "xxxxxxxxxxx", "password": "xxxxxxxxxxx", "port": 3344, "database": "xxxx" } 对于一些敏感信息可在环境变量里设置,通过如下方法获取,例如: MAIL_SERVER = os.environ.get('MAIL_SERVER', 'smtp.163.com') MAIL_USERNAME = os.environ.get('MAIL_USERNAME') or 'test' MAIL_PASSWORD = os.environ.get('MAIL_PASSWORD') or '12345678'
以上是正確讀取和寫入Python專案中的配置的方法是什麼?的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

熱門話題

PHP和Python各有優劣,選擇取決於項目需求和個人偏好。 1.PHP適合快速開發和維護大型Web應用。 2.Python在數據科學和機器學習領域佔據主導地位。

在CentOS系統上高效訓練PyTorch模型,需要分步驟進行,本文將提供詳細指南。一、環境準備:Python及依賴項安裝:CentOS系統通常預裝Python,但版本可能較舊。建議使用yum或dnf安裝Python3併升級pip:sudoyumupdatepython3(或sudodnfupdatepython3),pip3install--upgradepip。 CUDA與cuDNN(GPU加速):如果使用NVIDIAGPU,需安裝CUDATool

Docker利用Linux內核特性,提供高效、隔離的應用運行環境。其工作原理如下:1. 鏡像作為只讀模板,包含運行應用所需的一切;2. 聯合文件系統(UnionFS)層疊多個文件系統,只存儲差異部分,節省空間並加快速度;3. 守護進程管理鏡像和容器,客戶端用於交互;4. Namespaces和cgroups實現容器隔離和資源限制;5. 多種網絡模式支持容器互聯。理解這些核心概念,才能更好地利用Docker。

在CentOS系統上啟用PyTorchGPU加速,需要安裝CUDA、cuDNN以及PyTorch的GPU版本。以下步驟將引導您完成這一過程:CUDA和cuDNN安裝確定CUDA版本兼容性:使用nvidia-smi命令查看您的NVIDIA顯卡支持的CUDA版本。例如,您的MX450顯卡可能支持CUDA11.1或更高版本。下載並安裝CUDAToolkit:訪問NVIDIACUDAToolkit官網,根據您顯卡支持的最高CUDA版本下載並安裝相應的版本。安裝cuDNN庫:前

Python和JavaScript在社區、庫和資源方面的對比各有優劣。 1)Python社區友好,適合初學者,但前端開發資源不如JavaScript豐富。 2)Python在數據科學和機器學習庫方面強大,JavaScript則在前端開發庫和框架上更勝一籌。 3)兩者的學習資源都豐富,但Python適合從官方文檔開始,JavaScript則以MDNWebDocs為佳。選擇應基於項目需求和個人興趣。

在CentOS下選擇PyTorch版本時,需要考慮以下幾個關鍵因素:1.CUDA版本兼容性GPU支持:如果你有NVIDIAGPU並且希望利用GPU加速,需要選擇支持相應CUDA版本的PyTorch。可以通過運行nvidia-smi命令查看你的顯卡支持的CUDA版本。 CPU版本:如果沒有GPU或不想使用GPU,可以選擇CPU版本的PyTorch。 2.Python版本PyTorch

MinIO對象存儲:CentOS系統下的高性能部署MinIO是一款基於Go語言開發的高性能、分佈式對象存儲系統,與AmazonS3兼容。它支持多種客戶端語言,包括Java、Python、JavaScript和Go。本文將簡要介紹MinIO在CentOS系統上的安裝和兼容性。 CentOS版本兼容性MinIO已在多個CentOS版本上得到驗證,包括但不限於:CentOS7.9:提供完整的安裝指南,涵蓋集群配置、環境準備、配置文件設置、磁盤分區以及MinI

在CentOS系統上進行PyTorch分佈式訓練,需要按照以下步驟操作:PyTorch安裝:前提是CentOS系統已安裝Python和pip。根據您的CUDA版本,從PyTorch官網獲取合適的安裝命令。對於僅需CPU的訓練,可以使用以下命令:pipinstalltorchtorchvisiontorchaudio如需GPU支持,請確保已安裝對應版本的CUDA和cuDNN,並使用相應的PyTorch版本進行安裝。分佈式環境配置:分佈式訓練通常需要多台機器或單機多GPU。所
