Proyecto base para la creación de una API basada en FastAPI. El proyecto es una adaptación del template proporcionado por nsidnev en su repositorio de Github: GitHub | nsidnev
Se ha optado por una arquitectura basada en microservicios a partir de un clúster de docker swarm. Dicho clúster esta desplegado sobre un servidor Ubuntu 20.04 en una máquina virtual de Digital Ocean. Uno de estos microservicios será la API que actuará como punto de acceso a la aplicación desde el exterior:
Además se ha implementado un microservicio de base de datos postgres con su administrador pgadmin, comunicada directamente con la API, con ello se crea la base de datos necesaria para gestionar todas las peticiones de la API sobre la db.
También se ha añadido el microservicio visualizer que nos permitirá monitorizar los microservicios en ejecución dentro del clúster.
A su vez, se integran también los microservicios de grafana y prometheus, encargados de administrar y generar dashboards dinámicos para mostrar las métricas configuradas del clúster.
Con ello, estaremos desplegando en producción una API basada en microservicios de alta disponibilidad, capaz de hacer frente a un considerable volumen de peticiones HTTP de diferentes clientes. También se dota a esta arquitectura de una alta capacidad de escalamiento, puesto que el clúster de docker swarm nos permite hacer réplicas de cada microservicio en particular.
En el siguiente enlace se explica también como instalar y usar Docker en Ubuntu 20.04.
A continuación se inicia y se hace un pequeño test para validar el correcto funcionamiento de Docker:
# Start Docker service
sudo systemctl start docker
# Validate Docker version
docker --version
# Post installation configuration
# sudo groupadd docker
sudo usermod -aG docker $USER
# Download 'hello-world' docker image
docker pull hello-world
# Create a docker container from 'hello-world' image'
docker run hello-world
# List Docker objects
docker images #Images
docker ps -a #Containers
#Stop Docker service
sudo systemctl stop dockerEn primer lugar, clonamos el repositorio e instalamos todas las dependencias para crear y arrancar el entorno de trabajo, para ello utilizaremos poetry:
git clone https://github.com/jaisenbe58r/iaapi
cd iaapi/
poetry install
poetry shellPosteriormente creamos el archivo .env y añadimos las siguientes variables de entorno:
export POSTGRES_DB=rwdb POSTGRES_PORT=5432 POSTGRES_USER=postgres POSTGRES_PASSWORD=postgres
touch .env
echo DB_CONNECTION=postgresql://$POSTGRES_USER:$POSTGRES_PASSWORD@$POSTGRES_HOST:$POSTGRES_PORT/$POSTGRES_DB >> .env
echo SECRET_KEY=$(openssl rand -hex 32) >> .env
echo PROJECT_NAME=<your proyect name> >> .envPara ejecutar la aplicación en modo debug añade:
echo DEBUG=True >> .envPara el administrador de base de datos pgadmin utilizariamos:
touch .env-pgadmin
echo PGADMIN_DEFAULT_EMAIL=<your email> >> .env-pgadmin
echo PGADMIN_DEFAULT_PASSWORD=<your email password> >> .env-pgadminEl servicio FastAPI se crea a partir de un contenedor Docker y se desplega en el clúster de Docker Swarm dentro del entorno virtual de Producción. Este servicio es la API que recibe las peticiones HTTP de los clientes y se encarga de comunicarse directamente con la base de datos u otros microservicios disponibles y devolver el resultado al cliente.
En primer lugar se crea el archivo Dockerfile en la raiz del proyecto tal que así:
FROM python:3.8.1-slim
ENV PYTHONUNBUFFERED 1
EXPOSE 8000
WORKDIR /app
RUN apt-get update && \
apt-get install -y --no-install-recommends netcat && \
rm -rf /var/lib/apt/lists/* /tmp/* /var/tmp/*
COPY poetry.lock pyproject.toml ./
RUN pip install poetry==1.0.* && \
poetry config virtualenvs.create false && \
poetry install --no-dev
COPY docker/entrypoint.sh docker/entrypoint.sh
COPY . ./
RUN chmod +x ./docker/entrypoint.sh
CMD alembic upgrade head && \
uvicorn --host=0.0.0.0 app.main:appPara crear este servicio Fast API a partir del Dockerfile y subirlo a nuestra cuenta particular de Docker Hub procedemos de la siguiente manera:
docker build -t jaisenbe58r/iaapi:latest .
echo $DOCKER_PASSWORD | docker login -u $DOCKER_USER --password-stdin
docker push jaisenbe58r/iaapi:latestA continuación os dejo un enlace de cómo crear vuestra propia cuenta en Docker Hub.
Docker Swarm es una herramienta integrada en el ecosistema de Docker que permite la gestión de un cluster de servidores. Pone a nuestra disposición una API con la que podemos administrar las tareas y asignación de recursos de cada contenedor dentro de cada una de las máquinas. Dicha API nos permite gestionar el cluster como si se tratase de una sola máquina Docker.
Para nuestro proyecto, se genera un clúster con docker swarm con 1 replica del microservicio de FastAPI jaisenbe58r/iaapi:latest creado en el apartado anterior, 1 base de datos postgress postgres:11.5-alpine, 1 administrador de base de datos pgadmin dpage/pgadmin4, 1 visualizador de contenedores docker en el clúster (visualizer), 1 microservicio de monitoreo de servicios (prometheus) y 1 microservicio de consulta y visualización (grafana):
version: '3'
services:
app:
image: jaisenbe58r/iaapi:latest
ports:
- 8000:8000
env_file:
- .env
depends_on:
- db
command: ['./docker/entrypoint.sh', "db:5432"]
deploy:
replicas: 1
db:
image: postgres:11.5-alpine
ports:
- 5432:5432
env_file:
- .env
volumes:
- ./dbdata:/var/lib/postgresql/data:cached
pgadmin:
image: dpage/pgadmin4
links:
- db
depends_on:
- db
env_file:
- .env-pgadmin
ports:
- 5050:80
visualizer:
image: dockersamples/visualizer
ports:
- 9001:8080
volumes:
- /var/run/docker.sock:/var/run/docker.sock:ro
deploy:
placement:
constraints: [node.role == manager]
prometheus:
image: prom/prometheus
ports:
- 9002:9090
grafana:
image: grafana/grafana:latest
ports:
- 9003:3000
links:
- prometheus:prometheus
environment:
- GF_USERS_ALLOW_SIGN_UP=falsePara poder desplegar el clúster de docker swarm vamos a ejecutar las siguientes lineas de comandos:
# Start docker service
sudo systemctl start docker
# Start Docker Swarm
docker swarm init
docker stack deploy -c docker-compose.yml iaapi-services
# Check services/containers
docker stack ls
docker service ls
docker container ls
# Visualize servicew on web browser (don't forget open port 9001)
http://<public IP>:8000/docsUna vez desplegado el clúster con todos los microservicios vamos a chequear que dichos servicios estén activos. Para ello vamos a ejecutar lo siguiente:
docker stack ls
docker service ls
docker container lsPara acceder al visualizador del clúster, basta con introducir en su navegador predeterminado la siguiente ruta:
http://<public IP>:9001/
Para eliminar el clúster de docker swarm ejecuta lo siguiente:
# Remove stack
docker stack rm PROD-STACK
# Leave docker swarm
docker swarm leave --force
# Stop docker
sudo systemctl stop dockerComo hemos comentado anteriormente, hemos desplegado el microservicio de grafana y prometheus que nos permiten almacenar y visualizar las métricas del clúster en funcionamiento que previamente configuremos.
Para acceder a este microservicio:
#### Monitoring ####
# Prometheus: IP:9002
# Grafana: IP:9003
# >> admin/admin
# Grafana Datasource:
# >> public-ip:9002
# >> server
# Grafana dashboards to import
https://grafana.com/grafana/dashboards?dataSource=prometheus
La rutas de acceso a la documentación de la API son /docs or /redoc, generadas con Swagger o ReDoc.
Los archivos relacionados con la aplicación estan en los directorios app o tests:
app
├── api - web related stuff.
│ ├── dependencies - dependencies for routes definition.
│ ├── errors - definition of error handlers.
│ └── routes - web routes.
├── core - application configuration, startup events, logging.
├── db - db related stuff.
│ ├── migrations - manually written alembic migrations.
│ └── repositories - all crud stuff.
├── models - pydantic models for this application.
│ ├── domain - main models that are used almost everywhere.
│ └── schemas - schemas for using in web routes.
├── resources - strings that are used in web responses.
├── services - logic that is not just crud related.
└── main.py - FastAPI application creation and configuration.
Los Test para este proyecto están definidos en la carpeta test/.
Este proyecto usa pytest para definir las pruebas puesto que nos permite usar el asset para las excepciones.
Para ejecutar todos los tests del proyecto, se ejecuta el comando pytest:
$ pytest
================================================= test session starts ==================================================
platform linux -- Python 3.8.3, pytest-5.4.2, py-1.8.1, pluggy-0.13.1
rootdir: /home/some-user/user-projects/fastapi-realworld-example-app, inifile: setup.cfg, testpaths: tests
plugins: env-0.6.2, cov-2.9.0, asyncio-0.12.0
collected 90 items
tests/test_api/test_errors/test_422_error.py . [ 1%]
tests/test_api/test_errors/test_error.py . [ 2%]
tests/test_api/test_routes/test_articles.py ................................. [ 38%]
tests/test_api/test_routes/test_authentication.py .. [ 41%]
tests/test_api/test_routes/test_comments.py .... [ 45%]
tests/test_api/test_routes/test_login.py ... [ 48%]
tests/test_api/test_routes/test_profiles.py ............ [ 62%]
tests/test_api/test_routes/test_registration.py ... [ 65%]
tests/test_api/test_routes/test_tags.py .. [ 67%]
tests/test_api/test_routes/test_users.py .................... [ 90%]
tests/test_db/test_queries/test_tables.py ... [ 93%]
tests/test_schemas/test_rw_model.py . [ 94%]
tests/test_services/test_jwt.py ..... [100%]
============================================ 90 passed in 70.50s (0:01:10) =============================================
$
Este proyecto no usa su PostgreSQL local por defecto, sino que lo crea en docker como un contenedor (puede verlo si escribe docker ps cuando se ejecutan las pruebas). Pero hay casos en los que no desea utilizar docker para las pruebas como proveedor de base de datos (lo que tarda +/- 5-10 segundos adicionales para su arranque antes de ejecutar las pruebas), puede ejecutar las pruebas utilizando su base de datos en local con el siguiente comando:
$USE_LOCAL_DB_FOR_TEST=True pytestEn nuestro caso, hemos generado un Pipeline de Integración continua y despliegue continuo, tanto para el desarrollo como para el despliege de la aplicación en Producción.
Para la implementación de este workflow CI/CD utilizamos GitHub Actions. Esto nos permite automatizar, personalizar y ejecutar flujos de trabajo de desarrollo de software directamente en el repositorio del proyecto.
Tendremos 4 tipos de workflows:
-
Styles: Se desplegan los test de análisis de código estático con la herramienta
Flake8, con la que verificamospep8, pyflakes and circular complexity. Puede acceder a la documentación a partir del siguiente enlace. Puede utilizar a la herramienta codacy para chequear la calidad de código para el proyecto. -
Tests: Corresponde a la automatización de todos los tests del proyecto, tal y como se ha comentado en el apartado anterior. Puede acceder a la herramienta codecov, para monitorizar la covertura de test a su código.
-
API spec: Test de Integración del servicio de FastAPI. Se desplegan los test de integración implementados en el directorio
./postman/. -
Deploy: Despliegue de la Aplicación en un servidor externo (en nuestro caso
DigitalOcean). Esteworkflowse encarga de construir la imagen docker de nuestra API y posteriormente, crear un clúster de docker swarm en el servidor para desplegar todos los microservicios comentados en el proyecto.
Tanto para conseguir subir la imagen docker a Docker Hub como para la conexión ssh con el servidor, vamos a necesitar crear nuestros secrets en GitHub. Para ello puede consultar el siguiente enlace.
- DOCKER_USER: secrets.DOCKER_USER
- DOCKER_PASSWORD: secrets.DOCKER_PASSWORD
- SSH_USER: secrets.SSH_USER
- SSH_HOST: secrets.SSH_HOST
- SSH_PRIVATE_KEY: secrets.SSH_PRIVATE_KEY
- DB_CONNECTION: secrets.DB_CONNECTION
- SECRET_KEY: secrets.SECRET_KEY
Este proyecto base o Template estàcontruido en base a la disposición de dos branch, una para el desarrollo development y otra master para el despliegue en producción. Por tanto, este Pipeline de CI/CD permitirá realizar todos los test para cualquier push o pull_request de estas dos branch. Pero en el caso de despliegue en producción Deploy, sólo se ejecutaria a partir de un push del master. Esto es muy básico y se podria mejorar, pero con esta solución, podemos trabajar haciendo CI/CD de manera simple y funcional.
Búscame en cualquiera de las siguientes plataformas:
-
Website: jaimesendraberenguer.com
-
LinkedIn: jaisenbe
-
Twitter: @jaime_rafel
-
GitHub: jaisenbe58r
-
Medium: @jaimesendraberenguer
Valencia, España