Devops With Exo

14/11/2022 17:46 Exporter tout le contenu
Retour au site
Uptime Formation - Formations Uptime

Supports de formation : Elie Gavoty, Alexandre Aubin et Hadrien Pélissier
Sous licence CC-BY-NC-SA - Formations Uptime
Table des matières :

Introduction DevOps
Introduction DevOps
Introduction DevOps
Correction - Exercice 2
Exercice 2.1 - Fichiers, JSON et dictionnaires
Exercice 2.2 - Utilisation de la librairie XML intégrée ElementTree
Flask
L'architecture MVC
Cours 1 - Présentation
Git 1 - Introduction
Cours 2 - Les playbooks Ansible, modules de base, variables et structures de contrôle
Git 1 - Exercices
Cours 3 - Organiser un projet modulariser son code avec les roles
Cours 4 - Ansible en production, sécurité et Cloud
0. Setup de développement Python
1. Les variables
13. POO - Classes, attributs et méthodes
14. Héritage et polymorphisme
15. Encapsulation et attributs statiques
16. Stockage de données et ORM
17. Python Object Model et sujets avancés
19. Organiser son code en modules, packages et librairies
19. Tester son code
2. Chaînes de caractères
3. Les fonctions
4. Conditions et branchements conditionnels
5. Les boucles
6. Principes de développement - Partie 1
7. Structures de données
8. Programmation et algorithmique - récapituler
9. Erreurs et exceptions
Correction 3.1 - Cercles et Cylindres
Correction exercice 3.2 - Jeu de carte
Correction exercice 3.3 - Introduction aux ORM avec ActiveAlchemy
Corrections 1
Exercice 2.3 - Lecture itérative avec la library externe lxml
Exercice 3.1 - Cercles et Cylindres
Exercice 3.2 - Jeu de carte
Exercice 3.3 - Introduction aux ORM avec ActiveAlchemy
Exercice 4.1 - Un paquet pythonique
Exos 1
10. Fichiers
Exercice 4.2 - Un itérateur de cartes
TP1 - Mise en place et Ansible ad-hoc
11. Librairies
Exercice 4.3 - fancy operations - Packages, scripts et tests
Exercice 4.4 - Application du design pattern observateur
TP2 - Créer un playbook de déploiement d'application web flask
TP3 - Structurer le projet avec des roles
TP4 Ansible - Découvrir Jenkins et lancer des jobs Ansible
Bonus. ArgParse, utiliser des arguments en ligne de commande
TP5 Bonus - Orchestration, Serveur de contrôle et Cloud
Bonus. Manipuler du XML en Python
Correction 4.1 - Un paquet pythonique
Correction 4.2 - Un itérateur de cartes
Correction 4.4 - Application du design pattern observateur
Corrections exercices partie 1
Bibliographie
Bilan compétences Linux
Git 2 - Explorer un dépôt
Git 2 - Exercices
Git 3 - Les branches
Git 3 - Exercices
Git 4 - Forges Git
Git 4 - Exercices
Git 5 - Les pipelines avec Gitlab CI
Git 5 - Exercices
Memento des commandes
0 - Introduction à Docker
Bibliographie
https://supports.uptime-formation.fr/all_content/ 1/210
1 - Manipulation des conteneurs
TP 1 - Installer Docker et jouer avec
2 - Images et conteneurs
QCM
TP 2 - Images et conteneurs
3 - Volumes et réseaux
TP 3 - Réseaux
TP 3bis - Volumes
4 - Créer une application multiconteneur
TP 4 - Créer une application multiconteneur
5 - Orchestration et clustering
TP 5 - Orchestration et clustering
Conclusion
TP 6 (bonus) - Intégration continue avec Gitlab
TP 7 (bonus) - Docker et les reverse proxies
QCM Docker
Bibliographie
01 - Cours - Présentation de Kubernetes
02 - Cours - Mettre en place un cluster Kubernetes
03 - TP1 - Installation et configuration de Kubernetes
04 - Cours - Objets Kubernetes - Partie 1
05 - TP 2 - Déployer en utilisant des fichiers ressource et Lens
06 - Rappels Docker
07 - TP 3 - Déployer des conteneurs de A à Z
08 - Cours - Le réseau dans Kubernetes
09 - TP 4 - Déployer Wordpress Avec une base de donnée persistante
10 - Cours - Objets Kubernetes Partie 2.
11 - Cours - Helm, le gestionnaire de paquets Kubernetes et les Opérateurs
12 - TP 5 - Déployer Wordpress avec Helm et ArgoCD
TP optionnel - Exposer une application en HTTPS via certmanager et un ingress nginx
TP opt. - Le RBAC
TP optionnel - Installer un registry privé d'images dans votre cluster
TP opt. - CI/CD avec Gitlab et ArgoCD
Bibliographie
1 - Découverte de l'écosystème Elastic
1 - Installation
2 - Elasticsearch
2 - Elasticsearch - Exercices
3 - Kibana
3 - Kibana - Exercices
4 - Beats
4 - Beats - Exercices
5 - Logstash
5 - Logstash - Exercices bonus
6 - Conclusion
6 - Elastic APM dans Flask - Exercice bonus
7 - Bibliographie
API Elasticsearch memento - Version 7.14 de l'API
TP optionnel - Stratégies de déploiement et monitoring
Environnement de travail
Pour cette formation en distanciel nous utiliserons les outils suivants:
L’espace de travail Teams fournis pour la formation dans lequel a lieu les conférences Videos/Audio. Il permet également de faire des remarques
et partager des fichier entre nous.
Ce site internet qui contient tout le contenu de la formation. Le site internet est maintenu à jour tout au long de la formation (pensez à recharger
les pages régulièrement) vous pourrez l’imprimer en PDF à la fin.
Pour toute la partie pratique nous utiliserons des serveurs distants accessibles en mode graphique(VNC) via le site guacamole.formation.dopl.uk
Serveurs distants
L’intérêt des serveurs distant est double:
L’environnement est fiable et identique pour tout le monde ce qui évitera les bugs spécifiques en fonction des environnements de chacun.
Ils facilite le travail à distance car tous les stagiaires peuvent voir l’écran du formateur et inversement le formateur peut intervenir rapidement sur
les machines de tous les stagiaires.
Connexion à Guacamole
Connectez-vous à guacamole.dopl.uk avec comme login votre prenomnom (sans point ni tirets) et comme mot de passe devops101.
Normalement vous devriez avoir deux connexions disponibles:
Ouvrez chacune des connexions dans un nouvel onglet ou une nouvelle fenêtre.
Vous pouvez désormais suivre les actions du formateur et les reproduire de votre côté sur le serveur.
Pour la sauvegarde de votre code nous créerons un dépôt git sur github au cours de la formation.
Introduction
Introduction
DevOps
Le nouveau paradigme de l’informatique
Introduction DevOps
A propos de moi
A propos de vous
Attentes ?
Début du cursus :
Est-ce que ça vous plait ?
Quels modules avez vous déjà fait ?
Le mouvement DevOps
Le DevOps est avant tout le nom d’un mouvement de transformation professionnelle et technique de l’informatique.
Ce mouvement se structure autour des solutions humaines (organisation de l’entreprise et des équipes) et techniques (nouvelles technologies de
rupture) apportées pour répondre aux défis que sont:
L’agrandissement rapide face à la demande des services logiciels et infrastructures les supportant.
La célérité de déploiement demandée par le développement agile (cycles journaliers de développement).
Difficultées à organiser des équipes hétérogènes de grande taille et qui s’agrandissent très vite selon le modèle des startups.et
Il y a de nombreuses versions de ce que qui caractérise le DevOps mais pour résumer:
Du côté humain:
Application des process de management agile aux opérations et la gestion des infrastructures (pour les synchroniser avec le développement).
Remplacement des procédés d’opérations humaines complexes et spécifiques par des opérations automatiques et mieux standardisées.
Réconciliation de deux cultures divergentes (Dev et Ops) rapprochant en pratique les deux métiers du développeur et de l’administrateur système.
Du côté technique:
L’intégration et le déploiement continus des logiciels/produits.

L’infrastructure as code: gestion sous forme de code de l’état des infrastructures d’une façon le plus possible déclarative.
Les conteneurs (Docker surtout mais aussi Rkt et LXC/LXD): plus léger que la virtualisation = permet d’isoler chaque service dans son “OS”
virtuel sans dupliquer le noyau.
Le cloud (Infra as a service, Plateforme as a Service, Software as a service) permet de fluidifier l’informatique en alignant chaque niveau
d’abstraction d’une pile logicielle avec sa structuration économique sous forme de service.
L’agilité en informatique
Traditionnellement la qualité logicielle provient :
d’une conception détaillée en amont = création d’un spécification détaillée

d’un contrôle de qualité humain avant chaque livraison logicielle basé sur une processus = vérification du logiciel par rapport à la
spécification
Problèmes historiques posé par trop de spécification et validation humaine :
Lenteur de livraison du logiciel (une version par an ?) donc aussi difficulté de fixer les bugs et problèmes de sécurité a temps
Le Travail du développeur est dominé par des process formels : ennuyeux et abstrait
difficulté commerciale : comment répondre à la concurence s’il faut 3 ans pour lancer un produit logiciel.
Solution : développer de façon agile c’est à dire itérative
Sortir une version par semaine voir par jour

Créer de petites évolution plutôt que de grosses évolution
Confronter en permanence le logiciel aux retours clients et utilisateurs
Mais l’agilité traditionnelle ne concerne pas l’administration système.
La motivation au coeur du DevOps : La célérité
La célérité est : la rapidité (itérative) non pas seulement dans le développement du logiciel mais plus largement dans la livraison du service au
client:
Exemple : Netflix ou Spotify ou Facebook etc. déploient une nouvelle version mineure de leur logiciel par jour.
Lorsque la concurrence peut déployer des innovations en continu il devient central de pouvoir le faire.
Le problème que cherche à résoudre le DevOps
La célérité et l’agrandissementest sont incompatibles avec une administration système traditionnelle:
Dans un DSI (département de service informatique) on organise ces activités d’admin sys en opérations:
On a un planning d’opération avec les priorités du moment et les trucs moins urgents
On prépare chaque opération au minimum quelques jours à l’avance.
On suit un protocole pour pas oublier des étapes de l’opération (pas oublier de faire une sauvegarde avant par exemple)
La difficulté principale pour les Ops c’est qu’un système informatique est:
Un système très complexe qu’il est quasi impossible de complètement visualiser dans sa tête.
Les évènements qui se passe sur la machines sont instantanés et invisibles
L'état actuel de la machine n’est pas ou peu explicite (combien d’utilisateur, machine pas connectée au réseau par exemple.)
Les interractions entre des problèmes peu graves peuvent entrainer des erreurs critiques en cascades.
On peut donc constater que les opérations traditionnelles implique une culture de la prudence
On s’organise à l’avance.
On vérifie plusieurs fois chaque chose.
On ne fait pas confiance au code que nous donnent les développeurs.
On suit des procédures pour limiter les risques.
On surveille l’état du système (on parle de monitoring)
Et on reçoit même des SMS la nuit si ya un problème :S
Bilan
Les opérations “traditionnelles”:
Peuvent pas aller trop vite car il faut marcher sur des oeufs.
Les Ops veulent pas déployer de nouvelles versions trop souvent car ça fait plein de boulot et ils prennent des risques (bugs / incompatilibités).
Quand c’est mal organisé ou qu’on va trop vite il y a des catastrophes possibles.
L’objectif technique idéal du DevOps : Intégration et déploiement continus (CI/CD)
Du côté des développeurs avec l’agilité on a déjà depuis des années une façon d’automatiser pleins d’opérations sur le code à chaque fois qu’on valide
une modification.
Chaque modification du code est validée dans le gestionnaire de version Git.

Ensuite est envoyée sur le dépot de code commun.
Des tests logiciels se lancent automatiquement pour s’assurer qu’il n’y a pas de bugs ou de failles.
Le développeurs est averti des problèmes.
C’est ce qu’on appelle l’intégration continue.
Le principe central du DevOps est d’automatiser également les opérations de déploiement et de maintenance en se basant sur le même modèle.
Mais pour que ça fonctionne il faut résoudre des défi techniques nouveau => innovations
Les innovations techniques du DevOps

Le Cloud
Le cloud techniquement c’est l’ensemble des trois :
Infrastructure as a Service (IaaS): on commande du linux, du réseau et des loadbalancer etc. à la demande
Exemple: Amazon Web Services, DigitalOcean, Azure etc
Plateforme as a Service (PaaS): on commande directement un environnement PHP ou NodeJS pour notre application
Exemple: heroku, netlify,
Software as a service (SaaS): des services web à la demande pour des utilisateurs finaux
Exemple: Netflix plutôt que VLC, Spotify vs Itunes, etc.
On peut dire que chaque couche (d’abstraction) de l’informatique est commandable à la demande.
Nous utiliserons surtout l’IaaS avec DigitalOcean dans le module Docker.
Les conteneurs (Docker et Kubernetes)

Faire des boîtes isolées avec nos logiciels:
Un façon standard de packager un logiciel

Cela permet d’assembler de grosses applications comme des legos
Cela réduit la complexité grâce:
à l’intégration de toutes les dépendance déjà dans la boîte
au principe d’immutabilité qui implique de jeter les boîtes ( automatiser pour lutter contre la culture prudence). Rend l’infra prédictible.
L’infrastructure as code (IaC)
Il s’agit comme son nom l’indique de gérer les infrastructures en tant que code c’est-à-dire des fichiers textes avec une logique algorithmique/de
données et suivis grâce à un gestionnaire de version (git).
Le problème identifié que cherche a résoudre l’IaC est un écheveau de difficulées pratiques rencontrée dans l’administration système traditionnelle:
1. Connaissance limité de l’état courant d’un système lorsqu’on fait de l'administration ad-hoc (manuelle avec des commandes unix/dos).
Dérive progressive de l’état des systèmes et difficultés à documenter leur états.

Fiabilité limitée et risques peu maîtrisés lors de certaines opérations transversales (si d’autres méchanismes de fiabilisation n’ont pas été mis en
place).
Problème de communication dans les grandes équipes car l’information est détenue implicitement par quelques personnes.
2. Faible reproductibilité des systèmes et donc difficultée/lenteur du passage à l’échelle (horizontal scaling).
Multiplier les serveurs identiques est difficile si leur état est le résultat d’un processus manuel partiellement documenté.
Difficulté à reproduire/simuler l’état précis de l’infrastructure de production dans les contextes de tests logiciels.
3. Difficultés du travail collaboratif dans de grandes équipes avec plusieurs culture (Dev vs Ops) lorsque les rythmes et les modes de travail
diffèrent
L’IaC permet de tout gérer avec git et des commits.

L’IaC permet aux Ops qui ne le faisait pas de se mettre au code et aux développeur de se confronter plus facilement.
L’IaC permet d’accélérer la transformation des infrastructures pour l’aligner sur la livraison logicielle quotidienne (idéalement ;) )
Notre programme
Docker : les conteneurs et l’infra as code
Ansible : couteau suisse de l’infra as code
Kubernetes : infrastructure de conteneurs (iac et cloud)
Jenkins : CI/CD pour intégrer ensemble le dev et les opérations
Aller plus loin

La DevOps roadmap: https://github.com/kamranahmedse/developer-roadmap#devops-roadmap
Linux - Intro, Admin, Réseau et scripting

Linux - Intro, Admin, Réseau et scripting
Découvrir le système d’exploitation open source - pour les particuliers et les serveurs !
Slides de cours
1. Introduction à Linux
2. Linux administration
3. Linux admin avancée et réseau
4. Shell scripting
Feuilles d’exercices
1. Feuille d’exercices 1 partie 1
2. Feuille d’exercices 1 partie 2
3. Feuille d’exercices 2 admin et réseau
4. Feuille d’exercices 3 scripting
Corrections des exercices et bilan compétences

Pour quelques autres éléments et supports voir
formationLinux

Correction des exercices
6. Permissions
6.1 : Faire touch xwing.conf puis ls -l xwing.conf pour analyser les proprietaires et permissions actuelles. Changer le proprietaire/groupe si
necessaire avec chown padawan:padawan xwing.conf. Reverifier les modifications avec ls -l xwing.conf
6.2 : touch private, puis chmod ugo-rwx private par exemple (on peut aussi le faire en plusieurs étapes)
6.3 : chmod u+r private, puis chmod ug+w private, puis chmod +x private
6.4 : chmod ugo-rwx private (ou chmod 000 private)
6.5 : chmod 731 private (car rwx-wx--x s’écrit 731 en octal)
6.6 : chmod go-rx /home/padawan
6.7 : chmod -R o-rwx ~/documents par exemple
6.8 : en tant que root : mkdir /home/r2d2, puis en tant que root : chown r2d2 /home/r2d2 puis chmod go-rx /home/r2d2 devrait suffir
(eventuellement enlever le w aussi)
6.9 : touch /home/r2d2/droid.conf puis par exemple cd /home/r2d2 et chown r2d2:droid ./droid.conf
6.10 : (en étant dans /home/r2d2/) touch beep.wav boop.wav blop.wav puis chown r2d2 *.wav et, par exemple, chmod go-x *.wav et chmod u+x
*.wav
6.11 : mkdir secrets puis touch secrets/nsa.pdf (eventuellement mettre du texte dans secrets/nsa.pdf). Ensuite : chmod -r secrets/ desactive
le listage des fichiers dans secrets/ … pourtant, il est possible de faire cat secrets/nsa.pdf !
6.12 : Si l’on essaye de faire un chown en tant que padawan, le système refusera ! (On ne peut pas donner ses fichiers à quelqu’un d’autre)
6.13 : setfacl g:droid:r-x /home/padawan puis faire ls -l sur le dossier et constater le + à la fin des permissions. On peut regarder le détails des
ACL avec getfacl /home/padawan
6.14 : setfacl u:padawan:r-x /home/r2d2
7. Processus
7.1 : Faire sleep 30 puis Ctrl+Z et bg pour mettre la commande en arrière plan. Constater que vous pouvez de nouveau taper des commandes.
Faire jobs dans les secondes qui suivent et constater que la commande est toujours ‘Running’. Appuyer sur ‘Entrée’ régulièrement pendant les
secondes qui suivent jusqu’à ce que ‘Done’ s’affiche.
7.2 : Faire sleep 30 puis Ctrl+Z et bg pour mettre la commande en arrière plan. Constatez que vous pouvez de nouveau taper des commandes.
Avant que la commande ne se termine (au bout des 30 secondes), faire fg pour récupérer la main sur le sleep puis faites Ctrl+C.
7.3 : Faire sleep 30 & et constater que vous pouvez taper des commandes. Noter aussi que la console a affiché le PID du programme
correspondant au sleep. Utiliser ce PID pour tuer le programme avec kill <PID>.
7.4 : Lancer sleep 700000 (par exemple) puis faire ps -ef dans un autre terminal et constater que le processus est bien listé (vous pouvez aussi
utiliser ‘top’ et les fleches)
7.5 : Dans le ps -ef utiliser précédemment, vous pouvez trouver le PPID (parent PID) à côté du PID. Vous pouvez regarder dans le reste de la
liste pour checher le programme correspondant à ce PPID (apriori il s’apelle ‘bash’).
7.6 - Connaissant le PID du parent, utiliser kill <PID> ou kill -9 <PID> pour tuer le shell. Vous devriez constater que la session est détruite.
7.7 - Lancez screen et dedans, sleep 30. Faites Ctrl+A puis D pour détacher la session. Eventuellement screen -list pour lister les sessions
screen. Depuis un autre terminal, faites screen -r et constatez que vous récupérez bien le shell ou vous aviez lancé sleep 30.
7.8 - Avec ps -ef ou ps -ef --forest, vous devriez voir le processus sleep 30 (ou relancez le si il a déjà terminé). Son parent devrait être un
bash. Après avoir trouvé le PID de ce parent, faites kill -9 <PID> pour tuer cette session. Vous deviez constater que la session est détruite.
7.9 - Lancer top : celui tout en haut consomme actuellement le plus de CPU. Si vous appuyez sur Shift+M, les programmes seront maintenant trié
par utilisation de la RAM.
7.10 - Lancer la commande openssl speed -multi 4, puis relancer top : vous devriez voir que 4 processus consomment maintenant beaucoup de
CPU
7.11 - Lancer nice -n 19 ls /bin : vous devriez voir que cette commande est trèèèès longue.
7.12 - Identifier le PID des différent process openssl. Utiliser renice +10 <PID> pour changer leur niceness. En utilisant top, la colonnee ‘NI’
devrait maintenant indiquer une niceness différente de 0. Après avoir réduit la niceness de ces processus, relancer nice -n 19 ls /bin devrait
être un peu plus rapide.
7.13 - pkill openssl
8. Personnaliser son environnement

8.1 : Un exemple de personnalisation de PS1 est :
PS1="[\033[01;32m\u on \h\033[0m:\033[01;34m\w\033[0m] \n> "
8.2 : Ajouter la ligne précédente en bas de ~/.bashrc à l’aide de nano puis recharger avec source ~/.bashrc
8.3 : Même chose que 8.2 mais en rajoutant une ligne comme :
echo "May the source be with you
8.4 : Ouvrir /root/.bashrc avec nano (et possiblement sudo) puis rajouter une ligne pour modifier le PS1, comme :
PS1="[\033[01;31m\u on \h\033[0m:\033[01;34m\w\033[0m] \n> "
(noter la couleur ‘31’ = rouge)
8.5 : Taper ll pour tester si la commande existe. Si elle n’existe pas, rajouter alias ll='ls -l' dans le bashrc puis le recharger avec source. Pour
s’assurer que ls utiliser --color=auto par défaut, taper alias ls.
8.6 : Taper alias suls='sudo ls -la' (par exemple) et alias sucat='sudo cat'. Tester en tant que padawan de taper suls /root et sucat
/etc/shadow (ou d’autres dossiers / fichiers accessibles uniquement par root).
8.7 : alias r2d2="sudo su r2d2" puis tester de taper r2d2.
8.8 : Se renseigner sur Internet ;P (question un peu ‘extra’)
8.9 : alias ls="echo 'G pas envie'"
9 partie 1 - redirections et assemblages

9.1 : echo "hello, howdy ?!" > hello.txt
9.2 : ls /usr/bin/ > files.tmplist puis less files.tmplist
9.3 : (depuis votre home) mkdir ./dev; mkdir ./dev/bash; echo "Je fais du bash !" > ./dev/bash/intro
9.4 : Mettre des calculs comme 6*7 ligne par ligne dans un fichier comme calc.txt puis lancer bc < calc.txt. On peut aussi faire bc <<< "6*7"
9.5 : curl -L fr.wikipedia.org > wikipedia.html >/dev/null 2>&1 || echo "ça n'a pas marché !"
9.6 :
touch /tmp/chat
chmod +w /tmp/chat
tail -f /tmp/chat &
puis faire echo "beep boop" >> /tmp/chat depuis d’autres terminaux (attention, il y a deux chevrons !).
Il est possible de créer l’alias say qui parle dans le chat avec :
alias say="echo [$USER] >> /tmp/chat"
9 partie 2 - pipes et boîte à outils

9.7 : utiliser alias grep pour verifier que l’alias existe, sinon ajouter alias grep="grep --color=auto" au .bashrc et le recharger.
9.8 : cat /etc/passwd | grep "/bin/bash"
9.9 : cat /etc/passwd | grep "/bin/bash" | tr ':' ' ' | awk '{print $1}' (on peut aussi utiliser awk -F:, ou la commande cut)
9.10 : cat /etc/passwd | grep "nologin$" | tr ':' ' ' | awk '{print $1}'
9.11 : Les utilisateurs n’ayant pas de mot de passe sont typiquement caractérisés par un :x: sur la ligne (ou eventuellement un :!:) dans
/etc/shadow. On utilise alors un grep ‘inversé’ (-v) pour obtenir les lignes des utilisateurs qui ont vraiment un mot de passe. On utilise aussi un
“ou” dans grep (avec \|) pour ignorer à la fois les lignes contenant :!: et :x:.
sudo cat /etc/shadow | grep -v ":\!:\|:x:" | awk -F: '{print $1}'
9.12 :
alias esquecestleweekend='date | grep "^Sat \|^Sun " >/dev/null && echo "Cest le weekend" && echo "Cest le weekend" || echo "Il faut encore taff
9.13 : Les lignes vides correspondent à ^$ (début de ligne suivi de fin de ligne) donc : cat /etc/login.defs | grep -v "^$" Pour enlever
également les commentaires, on utilise un “ou” dans grep (\|), ce qui donne : cat /etc/login.defs | grep -v "^$\|^#"
9.14 : dpkg-query --status vim | grep -q 'Status: install ok installed' && echo Oui || echo Non
9.15 : grep -nr "daemon" /etc/
9.16 : Similaire à la question 9.14 : who | grep -q r2d2 && echo "R2d2 est là !" || echo "Mais que fais r2d2 ?!"
9.17 : ps -ef | grep -v "UID" | awk '{print $1}' | sort | uniq -c
9.18 : cat loginattempts.log | awk '{print $9}' | sort | uniq -c | sort -n
9.19 : Il s’agit d’un exercice un peu avancé avec plusieurs solutions possibles (qui ne sont pas trop robuste, mais peuvent dépanner). En voici une
qui envoie les adresses des images dans un fichier img.list :
curl yoloswag.team \
| grep "img src" \
| sed 's/img src/\n[img]/g' \
| grep "\[img\]" \
| tr '<>"' ' ' \
| awk '{print $2}' \
> img.list

Gestion des archives
1.20 - Créez une archive (non-compressée !) de votre répertoire personnel avec tar.
tar -cvf monhome.tar /home/mon_utilisateur
1.21 - En utilisant gzip, produisez une version compressée de l’archive de la question précédente
gzip monhome.tar
# Ensuite on trouve monhome.tar.gz qui a une taille reduite
# comparé à avant
1.22 - Recommencez mais produisant une version compressée directement

tar -cvzf monhome.tar.gz /home/mon_utilisateur
1.23 - En fouillant dans les options de tar, trouvez un moyen de lister le contenu de l’archive
tar -tvf monhome.tar
1.24 - Créez un dossier test_extract dans /tmp/, déplacez l’archive dans ce dossier puis décompressez-là dedans.
mkdir /tmp/test_extract
mv monhome.tar.gz /tmp/test_extract
cd /tmp/test_extract
tar -xvzf monhome.tar.gz ./
1.25 - TODO
1.26 - Il existe des fichiers de logs g-zippés comme /var/log/apt/history.log.1.gz (si vous avez fait quelques commandes avec apt). Il contient
l’historique des opérations récentes effectuées avec apt. Ou encore : /var/log/dmesg.1.gz (si votre machine a déjà démarré plusieurs fois) qui
contient les historiques de démarrage du système. On peut faire find /var/log -name "*.gz" pour trouver tous les fichiers de log zippés. Si l’on
utilise uniquement cat /var/log/apt/history.log.1.gz, le résultat n’est pas lisible car il s’agit d’un flux binaire. Il est néanmoins possible de le
dézipper “à la volée” en pipant le résultat dans gzip :
cat /var/log/apt/history.log.1.gz | gzip -d
Ou bien il existe une commande zcat qui fait cette opération directement :
zcat /var/log/apt/history.log.1.gz

Partie 1 - les variables
#!/bin/bash
DISTRIB=$(cat /etc/os-release \
| grep PRETTY_NAME \
| awk -F= '{print $2}' \
| tr -d '"')
NB_PROCESS=$(ps -ef --no-headers \
| wc -l)
RAM_TOTALE=$(free -h | grep "^Mem" | awk '{print $2}')
RAM_DISPO=$(free -h | grep "^Mem" | awk '{print $7}')
UPTIME=$(uptime --pretty)
IP_LOCALE=$(ip a | grep "inet " | grep -v "127.0.0.1" | awk '{print $2}' | awk -F/ '{print $1}')
IP_GLOBALE=$(curl --silent ip.yunohost.org)
echo "La distribution est $DISTRIB"
echo "Il y a $NB_PROCESS process actuellement lancés"
echo "Il reste $RAM_DISPO RAM dispo sur $RAM_TOTALE total"
echo "La machine est up depuis $UPTIME"
echo "L'IP locale est $IP_LOCALE"
echo "L'IP globale est $IP_GLOBALE"
RED="\033[31m"
GREEN="\033[32m"
PURPLE="\033[35m"
echo -e "${RED}How ${GREEN}are ${PURPLE}you?"
2 - Paramétrabilité, interactivité
2.2 (add)
#!/bin/bash
RESULTAT=$(($1 + $2))
echo $RESULTAT
### 2.3 (age)
#!/bin/bash
CURRENT_YEAR=$(date +%Y)
echo -e "En quelle année est-tu né ? "
read YEAR
AGE=$(($CURRENT_YEAR-$YEAR))
echo "Tu as $AGE ans!"
2.4 (check_user)
#!/bin/bash
USER="$1"
HOME_USER=$(cat /etc/passwd | grep "^$USER:" | awk -F: '{print $6}')
ESPACE_DISQUE=$(du -hs $HOME_USER | cut -f1)
NB_PROCESS=$(ps au -u $USER --no-headers | wc -l)
NB_TERM=$(ps au -u $USER | grep bash | wc -l)
echo "L'utilisateur utiliser $ESPACE_DISQUE pour son home $HOME_USER"
echo "L'utilisateur a $NB_PROCESS processus en cours"
echo " dont $NB_TERM terminaux bash"

Utilisation du terminal
Savoir taper une commande, identifier les morceaux importants : nom de commande, options, arguments
Savoir identifier dans quel répertoire on se trouve actuellement, avec quel user, et sur quelle machine
Savoir utiliser l’auto-complétion et l’historique
Savoir obtenir de l’aide sur une commande
Savoir relire attentivement sa commande pour vérifier les typos
Savoir lire attentivement ce que la commande renvoie pour valider qu’elle a fonctionné … ou bien qu’il y a une erreur à debugger
Fichiers
Comprendre la notion de chemin relatif et de chemin absolu pour désigner un fichier
Où sont stockés les fichiers de configuration
Où sont stockés les programmes
Où sont stockés les logs
Où sont les répertoires utilisateurs
Savoir afficher ou éditer un fichier depuis la ligne de commande
Users
Savoir lister les users et groupes

Savoir créer un user
Savoir ajouter un user dans un groupe et listers les groupes dans lequel un user est
Savoir lire les permissions r/w/x d’un fichier, et les modifier
Savoir identifier le propriétaire + groupe propriétaire d’un fichier, et le modifier
Savoir changer son mot de passe
Savoir executer des taches d’administration avec sudo
Savoir changer de compte utilisateur avec su
Processus
Voir les processus qui tournent actuellement
Savoir identifier le proprietaire d’un process et son PID
Comprendre les relations de parentés entre process
Savoir tuer un process
Comprendre qu’il existe un process “originel” nommé “init”
Installation de Linux
Avoir compris la procédure d’installation de linux :

téléchargement d’une ISO,
boot sur l’ISO,
configuration des partitions et points de montage
Comprendre la notion de point de montage d’une partition
Savoir monter manuellement un périphérique de stockage externe
Gestionnaire de paquet
Savoir installer un paquet

Savoir mettre à jour le système
Savoir ce qu’est un dépot de logiciel
Savoir ajouter un dépot de logiciel (et clef de signature associée)
Réseau (IP)
Comprendre que l’acheminement des paquets sur le réseau se fait par des routeurs qui discutent entre eux pour optimiser les trajets
Comprendre la notion de réseau local
Savoir qu’il y a l’IPv4 … mais aussi l’IPv6 !
Savoir identifier son IPv4 locale
Savoir identifier son IPv4 globale
Savoir pinger une autre machine
Réseau (TCP)
Comprendre que TCP est une couche réseau qui permet d’introduire de la fiabilité dans les communications à l’aide d’accusé de réceptions
Comprendre qu’il est nécessaire d’introduire la notion de port (en plus de l’IP) pour spécifier entre quelles programmes se fait une
communication TCP
Savoir lister les process qui écoutent sur un port
Savoir ce qu’est un firewall et de quoi il protège
Réseau (DNS)
Savoir ce qu’est un nom de domaine

Savoir résoudre un nom de domaine
Savoir ce qu’est un résolveur DNS, et où il est configuré sur le système
Réseau (web)
Comprendre ce qu’il se passe au niveau réseau lorsqu’on visite une page web (résolution DNS, établissement d’une communication TCP, envoi
d’une requête GET /)
Savoir télécharger des pages web ou fichiers sur le web avec wget ou curl
Notions de sécurité
Connaître les bonnes pratiques de base : tenir son serveur raisonnablement à jour, utiliser des mots (ou phrases) de passes raisonnablement forts
Comprendre pourquoi il ne faut pas faire chmod 777, ou chmod +r, notamment sur des fichiers contenant des informations privées (données
personnelles) ou critique (mot de passe de base de donnée)
Comprendre qu’un serveur sur internet est sujet à des attaques automatiques, et qu’il est possible de mettre en place des contre-mesures
Comprendre le principe de la cryptographie asymétrique : notion de clef publique, clef privée
(idéalement : comprendre la notion d’authenticité et de signature cryptographique)
Infrastructure
Savoir qu’il est possible d’acheter des serveurs (VPS) en ligne (infrastructure as a service)
SSH
Savoir se connecter à une machine SSH, avec password ou clef

Savoir générer une clef publique / privée, et comment donner sa clef publique à un collègue
(idéalement : avoir compris l’intérêt d’utiliser une clef plutôt qu’un mot de passe)
Savoir jongler mentalement entre plusiers terminaux, possiblement connectés sur des machines différentes
Services
Savoir ce qu’est un service (au sens de l’administration système)
Savoir lancer / arrêter / redémarrer un service
Savoir afficher l’état d’un service
Savoir trouver et lire les logs d’un service
Comprendre que le déploiement d’une application implique généralement d’installer et configurer un écosystème de services qui travaillent
ensemble : serveur web, “l’app”, et le serveur de base de donnée
Commandes “avancées”
Comprendre la notion de code de retour, d’entrée standard, sortie standard et erreur standard
Savoir rediriger les sorties des commandes
Savoir enchainer des commandes (;, &&, ||, |)
Savoir utiliser grep, awk, cut, sort, uniq, wc, … pour filtrer ou faire des calculs sur les sorties des commandes
Scripting bash
Savoir modifier et afficher une variable

Avoir compris le rôle du fichier ~/.bashrc
Avoir compris comment le shell sais où trouver les programmes correspondants aux commandes tapées (variable PATH)
Savoir écrire un script et le lancer
Savoir utiliser les arguments fourni dans un script
Savoir mettre la sortie d’une commande dans une variable
Savoir comment écrire un bloc de condition
Savoir écrire des fonctions, des boucles
Savoir ajouter une tâche planifiée sur le système (cron)
Savoir ne pas partir en courant à la vue d’une regex
Git et Gitlab
Git
Collaborer dans des dépôts de code efficacement.
Git 1 - Exercices
Git 2 - Exercices
Git 3 - Exercices
Git 4 - Forges Git
Git 4 - Exercices
Git 5 - Exercices
Bibliographie
QCM
GIT = Des dépôts de code à partager
Comment gérer du code logiciel ?
Plusieurs difficultés :
1. Suivre le code avec précision :
Comme on l’a vu chaque lettre compte : une erreur = un bug qui peut être grave et nous faire perdre plusieurs heures
Mémoire : comment savoir ou l’on en était quand on revient sur le projet d’il y a deux mois
2. Collaboration : Si on travaille à 15 sur un même programme :
Comment partager nos modifications ?
Comment faire si deux personnes travaillent sur le même fichier => conflits
3. Version du logiciel :
Le développement est un travail itératif = contruction petit à petit => plein de versions !
On veut ajouter une nouvelle fonctionnalité à un logiciel, mais continuer à distribuer l’ancienne version et l’améliorer.
On veut créer une version de test pour que des utilisateur·trices avancé·es trouvent des bugs
Solution : un gestionnaire de versions

1. Suit chaque modification faite à des fichiers, en général des fichiers texte (souvent de code mais peut être autre chose : de la documentation,
par exemple en format Markdown comme ce cours, plus rarement d’autres fichiers, comme des documents Word).
2. Permet de stocker plusieurs versions des mêmes fichiers et passer d’une version à l’autre.
Un peu comme la fonctionnalité “Historique” de Google Docs ou de Framapad en beaucoup plus avancé.
3. Permet de suivre qui a fait quelle modification, partager les modifications avec les autres, régler les conflits d’édition
Git !
git est un petit programme en ligne de commande. Qui fait tout ce dont on vient de parler :
Suit les fichiers

Gère les modifications successives et leurs auteurs/autrices
Fait cohabiter plusieurs versions
Aide à résoudre les conflits de code
Pour la petite histoire, Git a été inventé en 2005 par Linus Torvalds, le créateur de Linux, pour garder la trace des propositions de modification du code
de Linux !
Écosystème Git :
⚠️A ne pas confondre !!!
le programme git : le gestionnaire de version = le coeur de l’écosystème => en ligne de commande
les interfaces graphique de git : VSCode et ses extensions, tig, meld, GitKraken, etc.
Pour faciliter l’utilisation de git et visualiser plus facilement
communique avec git sans le remplacer (ne fait que traduire vos clics de souris en commandes Git)
les forges logicielles basées sur Git comme github ou framagit:
des plateformes web pour accéder au dépôt de code (dossier) / mettre son code sur les internets.
faciliter la collaboration sur un projet
tester et déployer le code automatiquement comme dans la démarche DevOps (plus avancé)
On va utiliser les trois car c’est nécessaires pour bien comprendre comment on travaille avec git sur un projet.
On va utiliser :
git en ligne de commande souvent : il faut absolument connaître les fonctions de base pour travailler sur un projet de code aujourd’hui
VSCode : un éditeur de texte qui a des fonctions pratiques pour visualiser les modifications git et l’historique d’un projet, afficher les conflits
d’édition.
Gitlab sur l’instance framagit.org : une forge logicielle open-source. On va l’utiliser pour collaborer sur du code existant. Framagit est l’instance
de l’association Framasoft qui milite pour le libre et un Internet décentralisé.
Git, fonctionnement de base

Git est très simple d’utilisation pour les cas les plus simples, mais il a parfois un comportement inattendu car il utilise certains concepts parfois
contre-intuitifs._
Mémoriser les commandes prend du temps

Utilisez votre memento !
On va utiliser les commandes de base durant les prochains jours pour se familiariser avec le fonctionnement normal.
En entreprise on utilise tout le temps git avec une routine simple. On y reviendra.
Même les ingénieur·es avec de l’expérience se trompent dans le comportement d’une commande Git et ne connaissent pas forcément les
fonctions avancées.
1. Créer un nouveau dépôt git, valider une première version du code

Vous êtes dans un dossier avec du code :
git init crée un dépôt dans ce dossier (transforme un dossier simple en un dossier avec git d’initialisé)
git add permet de suivre certains fichiers (dire à git qu’il faut inclure la version actuelle de ce fichier dans git)
git commit permet de valider vos modifications pour créer ce qu’on appelle un commit, c’est-à-dire une étape validée du code.
git status et git log permettent de suivre l’état du dépôt et la liste des commits.
Le commit
Un commit est composé :
d’un message de commit
d’un instantané du code auquel on se réfère via un identifiant unique (une empreinte ou un hash)
d’un auteur / une autrice
de référence par rapport à un (ou des) commit parent (ce qui nous permet de faire des branches de l'arbre de Git)
to commit signifier s’engager
Idéalement, lorsque vous faites un commit, le code devrait être dans un état à peu près cohérent et le commit devrait rassembler des
modifications qui ont du sens pour atteindre un objectif (par exemple : résoudre un bug, rajouter une fonctionnalité, modifier de la
documentation…)
Toujours mettre un message de commit
Les commits sont des étapes du développement du logiciel. Lire la liste de ces étapes devrait permettre à un·e developpeur / développeuse de
comprendre l’évolution du code.
un commit est toujours une référence à une version précise de l’ensemble du code par rapport à l’arbre Git, c’est n’est pas juste des ajouts et
des suppressions par rapport au code du commit précédent
Créer un nouveau dépot : Démonstration !

Cycle des fichiers
arbres :
l’espace de travail : ce sont les fichiers qu’il y a réellement dans votre dossier
l'index ou staging : un espace où l’on prépare son futur commit
et enfin l’arbre des commits définitif, avec HEAD qui fait référence au tout dernier commit
Premiers exercices
Git 1 - Exercices
Créer un projet git
Durant ces exercices nous allons utiliser Git en ligne de commande (sans interface graphique) : l’objectif est de pratiquer les différentes commandes de
base git
Installer Git
git est souvent déjà installé sur Linux. Mais si ce n’est pas le cas, il suffit d’installer le paquet git, par exemple avec apt install git.
Initialiser le dépôt
En ligne de commande créez le dossier de code tp1_git.
Chargez ce dossier avec VSCode. Si VSCode n’est pas installé : snap install --classic code
Pour lancer VSCode : code ou code mondossier/
Créez un nouveau fichier Python dans ce dossier appelé multiplication.py. Copiez-y le code suivant :
Cliquer pour afficher `multiplication.py` :
Lancez git status. Quel est le problème ?

Initialisez le dépot de code avec la commande git init.
Utilisez ensuite git status pour voir l’état de votre dépôt.
Dire à Git de suivre un fichier
Pour le moment Git ne versionne aucun fichier du dépôt comme le confirme la commande git status.
Utilisez git add <nom_fichier> sur le fichier. Puis faites à nouveau git status. Le fichier est passé à l’état suivi (tracked).
Créez un nouveau fichier et écrivez quelque chose à l’intérieur (ou copiez un fichier situé en dehors de ce dossier vers ce dossier).
Faites git status à nouveau. Que s’est-il passé ?
Lancez le script multiplication.py pour vérifier
Faire votre premier commit

Faites git status pour constater que tous les fichiers sont non suivis sauf un.
Un commit est une version du code validée par un·e développeur/développeuse. Il faut donc que git sache qui vous êtes avant de faire un commit.
Pour ce faire, utilisez :
git config --global user.name "<votre nom>"
git config --global user.email "<votre email>"
Pour créer un commit on utilise la commande git commit -m "<message_de_commit>" (commit signifie s’engager alors réfléchissez avant de
lancer cette commande !). Utilisons le message "Ceci est mon premier commit" pour le premier commit d’un dépôt. Valider la version courante.
Lancez un git status pour voir l’état du dépôt. Que constate-t-on ?
Lancez git log pour observer votre premier commit.
Commit de tous les fichiers

Si le dossier __pycache__ n’a pas été créé, créez manuellement juste pour le TP un fichier : touch __pycache__
Utiliser git add avec l’option -A pour ajouter tous les fichiers actuels de votre projet.
Qu’affiche git status ?
Lancez à nouveau git commit avec un message adéquat.
A quoi sert le dossier __pycache__ ? Que faire avec ce dossier ?
Supprimer un fichier
Oh non ! Vous avez ajouté le dossier __pycache__ dans votre commit précédent 🙃
Ce ne serait pas correct de pousser sur Internet votre code en l’état !
Supprimez le suivi du dossier __pycache__ avec la commande git rm:

Quelles options sont nécessaires ? utilisez git rm --help pour les trouver.
Ignorer un fichier
Maintenant que nous avons supprimé ce dossier nous voulons éviter de l’ajouter accidentellement à un commit à l’avenir. Nous allons ignorer ce
dossier.
Ajoutez un fichier .gitignore et à la première ligne ajoutez __pycache__

Ajoutez ce fichier au suivi.
Ajoutez un commit avec le message “ignore __pycache__”
Lancez le programme multiplication.py à nouveau.
Lancez status. Que constate-t-on ?
Annuler un ou plusieurs commit
Le problème avec la suppression de __pycache__ de la partie précédente est qu’elle n’affecte que le dernier commit. Le dossier inutile __pycache__
encombre encore l’historique de notre dépôt.
Pour le constater, installez l’extension Git Graph de VSCode.
Explorer la fenêtre git graph en cliquant sur Git Graph en haut à gauche de la fenêtre des fichiers.
Regardez successivement le contenu des deux commits.
Pour corriger l’historique du dépôt nous aimerions revenir en arrière.
Utilisez git reset avec HEAD~2 pour revenir deux commits en arrière (nous parlerons de HEAD plus tard).
Faites git status. Normalement vous devriez avoir un seul fichier non suivi .gitignore. Git vient de réinitialiser les ajouts des deux commits
précédents.
Constatez dans Git Graph que seul reste le premier commit qui est toujours là.
Ajouter et committez tous les fichiers non suivis du dépôt.
Vérifier que __pycache__ n’apparaît pas dans l’historique.
Exercices supplémentaires
“1: Séquence d’introduction et Montée en puissance” sur Learn Git branching
gitexercises.fracz.com
1. https://gitexercises.fracz.com/exercise/master
2. https://gitexercises.fracz.com/exercise/commit-one-file
3. https://gitexercises.fracz.com/exercise/commit-one-file-staged
4. https://gitexercises.fracz.com/exercise/ignore-them
5. https://gitexercises.fracz.com/exercise/remove-ignored

Il s’agit de télécharger le dépôt d’un logiciel depuis Internet en créant un dossier contenant le code ainsi que son historique Git:
git clone <url dépot> puis cd <dépôt> pour aller dans le dossier du dépôt.
par exemple git clone https://github.com/YunoHost/gertrude/ et cd gertrude,
ou bien https://github.com/spring-projects/spring-petclinic et cd spring-petclinic
ou encore https://github.com/miguelgrinberg/microblog et cd microblog
git log pour voir la liste des commits
git checkout <commit num> pour vous déplacer au niveau d’un commit : le code dans le dépôt change.
git diff <commit_1> <commit_2> pour voir ce qui a changé entre deux commits.
Plus pratique : apt install tig et tig pour explorer chaque commit ou alors utilisez VSCode et GitLens
Un dépôt Git téléchargé depuis Internet peut être privé : il faut alors se connecter avant à son compte (en HTTP ou SSH) pour le télécharger. Quand on
veut modifier le dépôt distant (ajouter des commits), il faut de toute façon se connecter à un compte.
L’historique d’un dépôt
master et les branches d’un dépôt
Un dépôt git permet d’avoir plusieurs historiques en parallèle qu’on appelle des branches. Un dépôt git ressemble à un arbre.
La branche principale s’appelle master dans git (par convention), parfois main.
Ça commence à devenir compliqué ! Mais on va souvent travailler avec seulement deux branches 😌
master + une branche pour votre travail en cours.
Remonter le temps, déplacer HEAD

Si git mémorise les commits successifs du dépôt c’est en particulier pour permettre de “remonter le temps”, c’est-à-dire remettre le code du
dépôt dans un état antérieur.
git checkout <commit>. L’historique se met également à jour.

git diff permet à tout moment d’afficher les différences entre deux points du dépôt.
Dans git, HEAD désigne un curseur qui indique dans quel état est le dépôt actuellement.
par défaut HEAD pointe sur le dernier commit de la branche (master s’il n’y en a qu’une).
remonter le temps cela signifie déplacer HEAD.
git reflog affiche l’historique des déplacements de HEAD.
Déplacer HEAD dans l’historique
Interface graphique pour explorer l’historique d’un dépôt.

Plusieurs éditeurs de code proposent des interfaces graphique pour :
naviguer dans les modifications d’un dépôt.

comparer plusieurs états du dépôt.
C’est le cas de VSCode, en particulier avec les extensions Git Graph et GitLens.
D’autres interfaces pratiques et indépendantes de l’éditeur : tig, meld, …
Installer GitLens dans VSCode si ce n’est pas déjà fait
Utiliser les commandes git reset et git reset --hard

Attention: git reset --hard peut vous faire perdre votre travail s’il n’est pas dans un commit !!!
git reset : réinitialiser le HEAD au commit indiqué en gardant les modifications.

git reset --hard : réinitialiser le HEAD au commit indiqué en perdant les modifications
Deuxième partie des exercices

Git 2 - Exercices
Durant cette partie nous allons explorer un dépôt git existant grâce aux commandes git de base mais également grâce au GUI (interface graphique) de
VSCode.
Récupérer un dépôt de code

Récupérez le dépôt https://github.com/miguelgrinberg/microblog/ sur votre Bureau à l’aide de la commande git clone.
Ouvrez le projet dans VSCode.
Il s’agit d’un dépôt exemple d’une application de microblogging (comme Twitter) codée en Python avec le framework Flask.
Explorer le dépôt
Installez ce qui est nécessaire pour l’application avec les commandes :
sudo apt install python3-pip
pip3 install -r requirements.txt
echo "PATH=~/.local/bin:$PATH" >> ~/.bashrc
source ~/.bashrc
flask db init
flask db upgrade
Lancez l’application avec la commande flask run.
Utilisez l’application en visitant l’adresse http://localhost:5000/, puis créez-vous un compte et postez un message.
Tentez d’exporter vos posts
Tenter de faire une recherche sur un post
Plutôt que d’utiliser la version finale de l’application, remontons l’historique du dépôt pour retrouver un état plus simple de l’application.
Quel est le premier commit du dépôt ? A quoi sert-il ?
Utilisez la commande git blame sur le fichier app/main/routes.py. Cette commande est très utile quand on travaille à plusieurs car elle permet de
savoir à qui s’adresser lorsqu’on cherche à comprendre le code ou qu’on a trouvé un bug.
Installez tig qui est un utilitaire pour explorer un dépôt depuis le terminal.
Installez les extensions VSCode suivantes pour explorer le dépôt depuis VSCode :
GitLens
Git Graph.
À l’aide de tig ou des extensions VSCode cherchez le premier commit de l’historique qui ne fasse pas référence à Redis : c’est le commit de la
version v0.21 avant la version v0.22
Déplacez vous au niveau de ce commit avec git checkout <num_commit>. Votre dépôt est en mode “HEAD détaché” c’est à dire que le pointeur
HEAD se balade le long de l’historique.
C’est un état anormal dans lequel il ne faut généralement pas modifier le code. Il est très facile de se
perdre dans un dépôt git (le cas échéant utilisez git reflog pour bien comprendre les opérations qui vous ont amené dans l’état courant).
Lancez à nouveau l’application avec la commande flask run
Utilisez l’application en visitant l’adresse http://localhost:5000/
On observe que la fonctionnalité d’export de posts qui était cassée n’existe plus
Utilisez git reflog pour observer les déplacement de votre pointeur HEAD.
Créer une branche pour étendre l’application

Nous allons maintenant créer une branche en repartant du début du projet pour étendre l’application avec une page supplémentaire “A propos”.
Installez dans VSCode l’extension GitLens.
Retournez à la fin de l’historique du projet comme précédemment (master).
Nous allons expérimenter de réinitialiser (violemment) le projet au début de son historique avec git reset --hard. Réinitialisez au niveau du
commit identifié précédemment. Constatez sur GitLens ou Git Graph que les commits on été effacés et les fichiers également (sans le --hard les
commits auraient disparu mais les fichiers et leur contenus auraient été gardés et désindexés comme dans la partie 1).
La commande précédente a effacé toutes les modifications du dépôt des 106 derniers commits. Faites bien attention avec cette commande git
reset --hard ! Dans notre cas ce n’est pas un problème car ces commits sont disponibles sur le serveur. Pour récupérer les commits effacés
utilisez git pull. pull va récupérer les modifications depuis le serveur.
Créez une nouvelle branche avec git checkout -b <nom branche> appelez-la about-page.
Trouvez comment ajouter une page A propos à l’application Flask (indice : il faut ajouter une route, un template et un lien dans le menu).
Solution :
Une fois vos modifications ajoutées, faites simplement git diff. Cette fonction affiche en vert le code que vous venez d’ajouter, et en rouge celui
que vous avez retiré, si jamais.
Ajoutez les fichiers modifiés (git add) et committez toutes ces nouvelles modifications.
Maintenant que les modifications sont engagées (commitées) refaites git diff. Que se passe-t-il ?
Trouvez comment faire pour comparer avec un autre commit pris au hasard en utilisant git diff.
Avec git diff toujours, comparez maintenant deux branches.
Utilisez git reset HEAD~1 pour annuler le dernier commit puis refaites-le en utilisant l’interface graphique de VSCode.
“Déplacer le travail + Un assortiment + Sujets avancés” sur Learn Git branching
gitexercises.fracz.com
https://gitexercises.fracz.com/exercise/fix-typo
https://gitexercises.fracz.com/exercise/commit-lost

Collaborer à l’aide des branches
Nous avons pour l’instant utilisé Git sur une seule branche : nos commits représentent une ligne qui va du commit le plus ancien au commit le plus
récent.
Mais la force de Git est le concept d’arborescence (d’arbre) constituée de branches.
Théoriquement, une branche n’est qu’un pointeur vers un commit, une sorte de raccourci vers un commit particulier, qui est mise à jour à chaque
fois que l’on crée un nouveau commit sur telle branche.
Créer une branche et basculer sur une branche
Créer une branche se fait avec la sous-commande checkout et l’option -b :

git checkout -b <nom_de_branche>
Si la branche existe déjà, il suffit
d’utiliser git checkout suivi du nom de branche :
git checkout <nom_de_branche>
Les tags
Les tags sont comme des raccourcis vers un commit précis.
En général on ne les modifie pas après les avoir créés.
Ils servent souvent pour faire référence au commit précis qui définit la version du code.
Cycles de développement
Il existe plusieurs méthodes d’organisation dans Git par rapport à l’utilité des branches
parfois il y a une branche stable et une branche development qui représente une version plus beta de l’application
il y a souvent des branches pour chaque fonctionnalité ajoutée, appelées feature branch

git-flow, le workflow le plus ancien, un peu trop complexe
L’exemple du GitHub flow
c’est le Git flow le plus simple, on a :

une branche master
des feature branch pour chaque fonctionnalité en développement
Git pour collaborer…
Merge et rebase
Parfois il faut donc utiliser quelques commandes plus avancées de Git pour expliquer aux gens lisant l’historique Git quand on a voulu raconter que :
deux versions du code ont été fusionnées (merge, fusion en anglais)

ou bien des modifications doivent être ajoutées (“rebasées”) sur la dernière version du code (rebase)
Réécrire l’historique
L’historique Git, c’est un peu raconter une histoire de comment on est arrivé à ce bout de code, ajouté pour telle fonctionnalité à telle version du
logiciel.
Pour arriver à cela il y a 2 outils importants :
git cherry-pick <commit> : prend un commit et l’ajoute à la branche actuelle

le rebase interactif
Le rebase interactif
Le rebase interactif est un outil un peu compliqué à manipuler, qui nous permet de réécrire l’historique d’une branche en choisissant quels commits
on va fusionner ensemble, effacer, ou réordonner. C’est la commande git rebase -i
L’article suivant, extrêmement riche, est une référence à laquelle on peut revenir en cas de doute sur le choix de merge ou de rebase :
Bien utiliser Git
merge et rebase, par Delicious Insights
Git 3 - Exercices
Les branches
Maîtriser les commandes Git
Learn Git branching
Merge
Les fusions de branche peuvent s’effectuer en local sur la machine ou sur la forge logicielle.
Prendre le TP microblog et localiser la branche qui ajoute une page “A propos”. Faire un merge de cette branche avec master en local.
Rebase
Prendre le TP microblog et localiser la branche qui ajoute une page “A propos”.
Faire un rebase de cette branche sur master ou sur la branche de votre choix.
Faire un rebase de cette branche (ou d’une autre) sur master en mode interactif.
1. https://gitexercises.fracz.com/exercise/chase-branch
2. https://gitexercises.fracz.com/exercise/change-branch-history
3. https://gitexercises.fracz.com/exercise/merge-conflict
4. https://gitexercises.fracz.com/exercise/save-your-work
5. https://gitexercises.fracz.com/exercise/fix-old-typo
6. https://gitexercises.fracz.com/exercise/commit-parts
7. https://gitexercises.fracz.com/exercise/pick-your-features
Interactive rebase
1. https://gitexercises.fracz.com/exercise/split-commit
2. https://gitexercises.fracz.com/exercise/too-many-commits
3. https://gitexercises.fracz.com/exercise/rebase-complex
4. https://gitexercises.fracz.com/exercise/invalid-order
Bisect (avancé)
https://gitexercises.fracz.com/exercise/find-bug
Git 4 - Forges Git

Collaborer à l’aide de gitlab
Git pour collaborer…

Git devient indispensable lorsque :
L’équipe avec laquelle vous collaborez est grande…

Changeante…
Le logiciel évolue dans le temps et en taille.
La forge logicielle
Github.com
… est une forge logicielle en forme de réseau social.
Gitlab
… est une forge logicielle concurrente, et qui est open source : on peut en installer sa propre instance (ex: framagit.org). La plus grosse
instance Gitlab est gitlab.com.
La merge request / pull request

merge requests : valider du code à plusieurs
git fetch : récupérer la dernière version du dépôt distant (sans rien changer à son dépôt local)
git pull : récupérer la dernière version de la branche actuelle depuis le dépôt distant (bouge le HEAD)
git push : envoyer la dernière version locale de la branche actuelle jusqu’au dépôt distant (bouge le HEAD distant, en d’autres termes modifie
origin/HEAD)
CI/CD
L’intégration continue : s’assurer automatiquement de la qualité du code, à chaque commit poussé sur une forge.
Le déploiement continu : déployer
automatiquement une nouvelle version du code quand un commit est poussé sur une forge (sur la branche master ou deploy en général).
Gitlab a sa version intégrée de la CI, Gitlab CI

Github a sa version intégrée de la CI, Github Actions, mais historiquement on devait plutôt se baser sur un outil de CI séparé (Jenkins, Travis CI,
etc.)
Git 4 - Exercices
Développer de façon collaborative avec la forge logicielle Gitlab
Créer un compte sur Gitlab et pousser un projet
Rendez-vous sur https://gitlab.com/users/sign_up pour créer un compte.
Sauf si nous décidons ensemble d’un autre projet, nous allons contribuer sur ce projet : https://gitlab.com/ketsapiwiq/exercice-gitlab-workflow
Rendez-vous dans le dossier du projet en terminal et suivez les instructions gitlab pour pousser votre dépôt existant
Workflow
Pour chaque ajout le code sera :
Ajouté dans une nouvelle branche.
Poussé sur un projet Gitlab partagé.
Le code sera revu par la personne qui n’a pas codé grâce à une merge request puis sera fusionnée (merged) dans la branche master.
La personne qui n’a pas codé récupère la dernière version du code grâce à git pull
Merge
Les fusions de branche peuvent s’effectuer en local sur la machine ou sur la forge logicielle.
Faire une merge request de notre branche avec master…
Exercices sur Learning Git Branching

Sur Learn Git branching, cherchez la section “Remote” et lancez “Push & Pull – dépôts gits distants !” (ou bien level remote1)
Ressources
https://github.com/KTH-dESA/centralized-workflow-exercise

La CI/CD
(intégration continue et déploiement continu)
Accélérer la livraison des nouvelles versions du logiciel.
Des tests systématiques et automatisés pour ne pas se reposer sur la vérification humaine.
Un déploiement progressif en parallèle (Blue/Green) pour pouvoir automatiser le Rollback et être serein.
A chaque étape le code passe dans un Pipeline de validation automatique.
La CI/CD fait partie de l’approche DevOps dont fait aussi partie les concepts de cloud (Infrastructure-as-a-Service, IaaS), d’Infrastructure-as-
Code et les conteneurs.
Le Cloud (plus précisément : Infrastructure-as-a-Service, ou IaaS)

Plutôt que d'installer manuellement de nouveaux serveurs linux pour faire tourner des logiciels
on peut utiliser des outils pour faire apparaître de
nouveaux serveurs à la demande.
Du coup on peut agrandir sans effort l’infrastructure de production pour délivrer une nouvelle version
C’est ce qu’on appelle le IaaS (Infrastructure as a service)
Cloud et API
Dans le cloud, à la demande signifie que les vendeurs de cloud fournissent une API (REST généralement) Pour contrôler leur infrastructure.
Une API est un ensemble de fonctions qu’on peut appeler en codant.
Une API REST (assez simple et très populaire depuis) est une API qui permet de discuter sur le web avec des informations décrite dans le format
JSON.
Exemple pour Scaleway: https://developer.scaleway.com/
Infrastructure As Code
Avantages :
On peut multiplier les machines (une machine ou 100 machines identiques c’est pareil).
Git ! gérer les version de l’infrastructure et collaborer facilement comme avec du code.
Tests fonctionnels (pour éviter les régressions/bugs)
Pas de surprise = possibilité d’agrandir les clusters sans soucis !
Les conteneurs
La nature facile à déployer des conteneurs et l’intégration du principe d’Infrastructure-as-Code les rend indispensable dans de la CI/CD
(intégration continue et déploiement continu).
Les principaux outils de CI sont Gitlab, Jenkins, Github Actions, Travis CI…
Gitlab propose par défaut des runners préconfigurés qui utilisent des conteneurs Docker et tournent en général dans un cluster Kubernetes.
Gitlab propose aussi un registry d’images Docker, privé ou public, par projet.
Ressources
Essentiel :
Get started with GitLab CI/CD : https://docs.gitlab.com/ee/ci/quick_start/
La syntaxe Gitlab CI
Documentation de référence de .gitlab-ci.yml : https://docs.gitlab.com/ee/ci/yaml/
Exemples
Exemple de pipeline :
build-job:
stage: build
script:
- echo "Hello, $GITLAB_USER_LOGIN!"
test-job1:
stage: test
script:
- echo "This job tests something"
test-job2:
stage: test
script:
- echo "This job tests something, but takes more time than test-job1."
- echo "After the echo commands complete, it runs the sleep command for 20 seconds"
- echo "which simulates a test that runs 20 seconds longer than test-job1"
- sleep 20
deploy-prod:
stage: deploy
script:
- echo "This job deploys something from the $CI_COMMIT_BRANCH branch."
Exemple avec du code Ruby :
stages:
- build
- test
build-code-job:
stage: build
script:
- echo "Check the ruby version, then build some Ruby project files:"
- ruby -v
- rake
test-code-job1:
stage: test
script:
- echo "If the files are built successfully, test some files with one command:"
- rake test1
test-code-job2:
stage: test
script:
- echo "If the files are built successfully, test other files with a different command:"
- rake test2
Exemple réaliste avec Maven :
# Build JAVA applications using Apache Maven (http://maven.apache.org)
# For docker image tags see https://hub.docker.com/_/maven/
# For general lifecycle information see https://maven.apache.org/guides/introduction/introduction-to-the-lifecycle.html
# This template will build and test your projects
# * Caches downloaded dependencies and plugins between invocation.
# * Verify but don't deploy merge requests.
# * Deploy built artifacts from master branch only.
variables:
# This will suppress any download for dependencies and plugins or upload messages which would clutter the console log.
# `showDateTime` will show the passed time in milliseconds. You need to specify `--batch-mode` to make this work.
MAVEN_OPTS: "-Dhttps.protocols=TLSv1.2 -Dmaven.repo.local=$CI_PROJECT_DIR/.m2/repository -Dorg.slf4j.simpleLogger.log.org.apache.maven.cli.tra

# As of Maven 3.3.0 instead of this you may define these options in `.mvn/maven.config` so the same config is used
# when running from the command line.
# ìnstallAtEnd` and `deployAtEnd` are only effective with recent version of the corresponding plugins.
MAVEN_CLI_OPTS: "--batch-mode --errors --fail-at-end --show-version -DinstallAtEnd=true -DdeployAtEnd=true"
# This template uses jdk8 for verifying and deploying images
image: maven:3.3.9-jdk-8
# Cache downloaded dependencies and plugins between builds.
# To keep cache across branches add 'key: "$CI_JOB_NAME"'
cache:
paths:
- .m2/repository
# For merge requests do not `deploy` but only run `verify`.
# See https://maven.apache.org/guides/introduction/introduction-to-the-lifecycle.html
.verify: &verify
stage: test
script:
- 'mvn $MAVEN_CLI_OPTS verify'

except:
variables:
- $CI_COMMIT_BRANCH == $CI_DEFAULT_BRANCH
# Verify merge requests using JDK8

verify:jdk8:
<<: *verify
# To deploy packages from CI, create a ci_settings.xml file
# For deploying packages to GitLab's Maven Repository: See https://docs.gitlab.com/ee/user/packages/maven_repository/index.html#create-maven-pac

# Please note: The GitLab Maven Repository is currently only available in GitLab Premium / Ultimate.
# For `master` branch run `mvn deploy` automatically.
deploy:jdk8:
stage: deploy
script:
- if [ ! -f ci_settings.xml ];
then echo "CI settings missing\! If deploying to GitLab Maven Repository, please see https://docs.gitlab.com/ee/user/packages/maven_repo
fi
- 'mvn $MAVEN_CLI_OPTS deploy -s ci_settings.xml'
only:
variables:
- $CI_COMMIT_BRANCH == $CI_DEFAULT_BRANCH
Git 5 - Exercices
A l’aide des ressources suivantes, créez une pipeline (un fichier .gitlab-ci.yml) qui :
1. build votre app (conteneurisée avec Docker ou non)

2. (sans Docker) sauvegarde l’artefact dans Gitlab et/ou utilise le Package Registry de Gitlab
3. (avec Docker) pousse l’image créée dans le Container Registry de Gitlab
4. Fait un test sur votre app
5. (optionnel) Grâce à un secret Gitlab, déploie l’app sur un serveur distant (via l’exécution de commandes SSH)
Ressources
Documentation
Get started with GitLab CI/CD : https://docs.gitlab.com/ee/ci/quick_start/
Documentation de référence de .gitlab-ci.yml : https://docs.gitlab.com/ee/ci/yaml/
Vidéos
Issues, Merge Requests and Integrations in GitLab:

https://www.youtube.com/watch?v=raXvuwet78M
Tutoriels
TP Docker : Gitlab CI
Code Refinery :
https://coderefinery.github.io/testing/continuous-integration/
https://coderefinery.github.io/testing/full-cycle-ci/
Cloud Consultancy Team :
https://tsi-ccdoc.readthedocs.io/en/master/ResOps/2019/Gitlab.html

Creation d’un dépôt et ajout d’un commit
Commande Effet
git init <directory> Créer un dépôt git vide dans le répertoire spécifié ou initialise le répertoire courant en tant que dépôt git.
git config --global user.name <name> Définir le nom de l’auteur/autrice à utiliser pour les nouveaux commits.
git status Afficher l’état du dépôt et la liste des fichiers inclus ou non pour le prochain commit.
git add <dossier> Inclure (stage) tous les changement dans <dossier> pour le commit
git add <fichier> Inclure les changement du <fichier> pour le commit
git add -A Inclure tous les changements pour le commit
git rm <fichier> Enlever (unstage) <fichier> du prochain commit.
git diff Afficher les lignes modifiées depuis le dernier commit.
Valider les modifications sélectionnées (staged) pour créer un nouveau commit avec le message
git commit -m "<message>"
<message>.
git log ou git log --oneline --all --
Afficher l’historique des commits
graph
git remote add <name> <url> Ajouter une connexion de votre dépôt courant à un dépôt sur un serveur.
git push Pousser les nouveau commits sur le serveur (principal).
Téléchargement et exploration d’un dépôt simple
Commande Effet
git clone <url> Cloner en local un dépot depuis l’adresse <url> généralement un serveur ou un forge.
git pull Récupérer les dernières modification (#réflexe).
git log --oneline Afficher l’historique avec une ligne par commit.
tig Un outil plus sympa que git log pour explorer l’historique.
git diff HEAD <num_commit> Affiche la différence entre le commit actuel (HEAD) et le commit <num_commit>.
git diff HEAD HEAD~1 Affiche la différence entre le commit actuel (HEAD) et le précédent (HEAD~1).
Commande Effet
Charge la version du code au niveau du commit <num_commit>. La “tête” se déplace au niveau de ce commit
git checkout <num_commit>
(HEAD détachée).
git checkout master ou
Positionne HEAD au niveau du dernier commit de la branche.
<nom_branch>
git reflog Affiche une liste des dernières positions de HEAD. (quand on est perdu !!! )
Les branches et les merges
Commande Effet
git branch Affiche la liste des branches
git checkout <nom_branche> Basculer sur la branche <nom_branche>
git checkout -b <nom_branche> Créer une nouvelle branche et basculer dessus
git diff <branche_1> <branche_2> Comparer deux branches pour voir les différences
git merge <nom_branche> Fusionner la branche <nom_branche> avec la branche courante.
Corriger ses erreurs
Commande Effet
git commit --amend Ajouter des modifications au commit précédent pour le corriger ou simplement changer le message du commit précédent.
git reset <commit> Réinitialiser le HEAD au commit indiqué en gardant les modifications.
git reset --hard
Réinitialiser le HEAD au commit indiqué en perdant les modifications.
<commit>
(plus complexe) Reconstruire l’historique de la branche courant à partir d’une autre branche en résolvant les conflits à
git rebase <branche>
chaque commit
Lexique git
Concept Explication
Un commit Une version validée du code avec un auteur / une autrice, un message et un identifiant unique.
Une branche Une suite de commits avec un nom contenant une version du logiciel.
HEAD Le commit actuellement sélectionné dans le dépôt.
remote Un dépôt git sur un serveur par exemple la forge framagit.
origin Le nom du remote par défaut.
master La branche par défaut, généralement la branche principale.
Bibliographie
Liens
Ressources
git - petit guide (en français)

Et merde, Git!?! (en français)
Une Référence Visuelle de Git (en français)
Documentation
Livre officiel Pro Git (en français)

Documentation officielle
W3schools Git Tutorial
Théorie
The missing CS semester - Version Control (Git)

How to explain git in simple words?
Git from the Bottom Up
Points précis
Bien utiliser Git merge et rebase (en français)
4 branching workflows for Git
Git Submodules vs Git Subtrees
Extensions VSCode
GitLens
Git Graph
Exercices
https://learngitbranching.js.org/?locale=fr_FR
https://gitexercises.fracz.com/
https://www.w3schools.com/git/exercise.asp
QCM
Initiation à Git : questionnaire
Entourez la ou LES bonnes réponses.
Question 1
Qu’est-ce qu’un commit ?
A. Une étape validée du code qui apparaît dans l’historique du dépôt.

B. L’un des multiples historiques contenus dans un dépôt git.
C. N’importe quelle modification récente faite sur un des fichiers du dépôt.
Question 2
Comment connaître l’état courant d’un dépôt ?
A. git add
B. git checkout
C. git status
D. git branch
Question 3
Qu’est-ce que HEAD ?
A. Le serveur où on pousse son code.

B. Un curseur pointant sur un commit qu’on peut déplacer avec git checkout.
C. Une interface pour utiliser git.
Question 4
Une forge logicielle comme framagit est :
A. Une plateforme alternative qui remplace git.

B. Une plateforme pour partager du code en ligne.
C. Une plateforme de tutoriels pour apprendre la programmation.
D. Une plateforme utile pour collaborer en entreprise.
Question 5
Git permet de :
A. Gérer plusieurs versions du code d’un logiciel/script

B. Corriger automatiquement du code
C. Explorer l’historique du code d’un logiciel
D. Obtenir de l’aide sur la syntaxe en Python
Question 6
Où sont cachés les versions précédentes des fichiers dans git ?
A. Dans Gitlens.
B. Dans un dossier invisible .git pour chaque dépôt.
C. Dans le dossier /etc.
Question 7
Pour changer de branche on utilise:
A. git reflog <nom de la branche>

B. git checkout <nom de la branche>
C. git clone <nom de la branche>
Question 8
Habituellement, quel est le nom de la branche principale d’un dépôt ?
A. master
B. feature
C. main
Question 9
Une branche est :
A. Une nouvelle modification ajoutée à un dépôt

B. Une ligne d’historique du dépôt
C. Une opération de fusion
Question 10
Comment savoir quelles modifications ont été apportées lors du dernier commit ?
A. Utiliser git diff HEAD HEAD~1.

B. Utiliser gitLens dans VSCode avec la vue historique.
C. Utiliser Thonny pour debugger le code.
Question 11
Une merge request sert à :
A. Créer une discussion avec des collègues sur le code d’une fonction.
B. Faciliter la vérification collaborative du code.
C. Corriger automatiquement le code de votre nouvelle fonction.
D. Tester automatiquement le code ajouté.
Python
Bienvenue !
Vous trouverez sur ce site les supports de formations pour un module Python réalisé pour une POE à Rouen en juillet 2021.
Vous pouvez imprimer son contenu (page par page) en PDF à l’aide de la fonction d’impression de chromium qui donne de bons résultats.
Sans plus attendre vous pouvez démarrer par la page de mise en place de outils pour la formation
Introduction
Plan
Partie 1 : Notions de “base”
Variables, fonctions
Structures de contrôle (conditions, boucles)
Structures de données (listes, dictionnaires, …)
Debugging avec pdb/ipdb
Partie 2 : Notions avancés
Fichiers
Exceptions
Librairies
Bonne pratiques
Partie 3 : Programmation Orientée Objet
Classes et méthodes
Héritage et Polymorphisme
Encapsulation
Stockage de données?
Partie 4 : Python Object Model
Python Object Model, méthodes spéciales

Itérateurs, Décorateurs, Design Patterns
Modules et Packages, script CLI, documentation
Testing
Flask
Bonus
Regexp
Méthode
Alternance entre :
Des explications théoriques sur une notion donnée et présentation de syntaxes Python
Exercices pratiques que nous ferons ensemble pas à pas.
Tous est décrit sur le site.
Votre profil et vos attentes ?
Langage Python et programmation.

« L’Informatique »
Cuisiner de l’information
Préparer des outils et des ingrédients

Donner des instructions
… parfois en utilisant des “fonctions”
« monter des oeufs en neige »
« cuire à thermostat 6 pendant 20 minutes »
Langage de programmation
Comme un vrai langage !
0. Concepts (mots, verbes, phrases …)

1. Grammaire et syntaxe
2. Vocabulaire
3. Organiser sa rédaction et ses idées : structurer correctement son code et ses données
Le langage Python
“Moyen-niveau” : équilibre entre performance, flexibilité et simplicité d’écriture

Syntaxe légère, lisible, facile à prendre en main
Interprété, “scripting”, prototypage rapide
Flexible (typage dynamique, …)
Grande communauté, de plus en plus répandu…
Nous récapitulerons en conclusion les caractéristiques du langage, ses avantages et ses inconvénients.
Python history
« … In December 1989, I was looking for a “hobby” programming project that would keep me occupied during the week around
Christmas. My office … would be closed, but I had a home computer, and not much else on my hands.
I decided to write an interpreter for
the new scripting language I had been thinking about lately: a descendant of ABC that would appeal to Unix/C hackers.
I chose Python as a
working title for the project, being in a slightly irreverent mood (and a big fan of Monty Python’s Flying Circus). »
— Guido van Rossum
Some programming mindset

Remarque Meme
La programmation c’est compliqué
Il n’y a pas de honte à prendre du temps pour

comprendre
Cassez des trucs !
Remarque Meme
Explorez !
Développement Logiciel
Jusqu’ici nous avons parlé du langage python et de la façon dont il permet d’exprimer un programme. Il s’agit donc de programmation.
Mais l’activité de coder va au delà de l’expression d’une logique dans un langage. Il s’agit d’organiser la production d’un ensemble d’élément de
programme, un logiciel et pour cela on parle plutôt de développement logiciel.
Quatre grands thèmes de l’activité de développement

Algorithme / Langage / Architecture / Qualité Logicielle
Algorithme vs Langage
Lorsqu’on programme il est utile de faire la distinction en ce qui relève de :
L’algorithme c’est à dire de la logique de résolution de problème (indépendant du langage).

L’expression élégante de cet algorithme dans le langage qu’on veut utiliser.
Pour trouver un algorithme il vaut mieux dessiner et écrire sur un papier ce que l’on cherche à faire !
Architecture
Attitude du développeur
Il est important avoir des connaissances fondamentales (ce que je vous raconte ici notamment) et des connaissances techniques.
Il faut également avoir la recherche web facile pour pouvoir faire le tri dans la junglede tétails techniques.
Deux sources web classiques de l’information pertinente
github
stackoverflow.
Lire des livres

Lire des (bons) livres plutôt que des (mauvais) tutoriels. Cf Bibliographie
Communauté
Bonne nouvelle le Python est un écosystème informatique plutôt sain: culture libriste et passion de l’informatique dans la communauté python.
N’hésitez pas à aller rencontrer d’autre développeurs.
Après cette formation
Le sujet est très vaste, le métier de développeur est long à intégrer. Il faut “passer plusieurs couches de peintures”.
Nous allons parcourir pas mal de
distance (en profondeur) et vous pourrez (devriez ?) creuser en largeur par la suite grâce aux références indiquées.
Mémo Syntaxe Python

Récapitulation des principales syntaxes Python
Demander et afficher des informations
Syntaxe Description
print("message") Affiche “message” dans la console
v = input("message") Demande une valeur et la stocke dans v
Calculs
Syntaxe Description
a + b Addition de a b
a - b Soustraction de a et b
a / b Division de a par b
a * b Multiplication de a par b
a % b Modulo (reste de division) de a par b
a ** b Exponentiation de a par b
Toutes ces opérations peuvent être appliquées directement sur une variable via
la syntaxe du type a += b (additionner b à a et directement modifier la
valeur
de a avec le résultat).
Types de variable et conversion
Syntaxe Description
type(v) Renvoie le type de v
int(v) Converti v en entier
float(v) Converti v en float
str(v) Converti v en string
Chaînes de caractères
Syntaxe Description
chaine1 + chaine2 Concatène les chaînes de caractères chaine1 et chaine2
chaine[n:m] Retourne les caractères de chaine depuis la position n à m
chaine * n Retourne chaine concaténée n fois avec elle-meme
len(chaine) Retourne la longueur de chaine
chaine.replace(a, b) Renvoie chaine avec les occurences de a remplacées par b
chaine.split(c) Créé une liste à partir de chaine en la séparant par rapport au caractère c
chaine.strip() “Nettoie” chaine en supprimant les espaces et \n au début et à la fin
\n Représentation du caractère ‘nouvelle ligne’
Fonctions
def ma_fonction(toto, tutu=3):
une_valeur = toto * 6 + tutu
return une_valeur
Cette fonction :
a pour nom ma_fonction ;

a pour argument toto et tutu ;
tutu est un argument optionnel avec comme valeur par défaut l’entier 3 ;
une_valeur est une variable locale à la fonction ;
elle retourne une_valeur ;
Conditions
if condition:
instruction1
instruction2
elif autre_condition:
instruction3
elif encore_une_autre_condition:
instruction4
else:
instruction5
instruction6
Opérateurs de conditions
Syntaxe Description
a == b Egalité entre a et b
a != b Différence entre a et b
a > b a supérieur (strictement) à b
a >= b a supérieur ou égal à b
a < b a inférieur (strictement) à b
a <= b a inférieur ou égal à b
cond1 and cond2 cond1 et cond2
cond1 or cond2 cond1 ou cond2
not cond négation de la condition cond
a in b a est dans b (chaîne, liste, set..)
Inline ifs
parite = "pair" if n % 2 == 0 else "impair"
Exception, assertions
try/except permettent de tenter des instructions et d’attraper les

exceptions qui peuvent survenir pour ensuite les gérer de manière spécifique :
try:
instruction1
instruction2
except FirstExceptionTime:
instruction3
except Exception as e:
print("an unknown exception happened ! :" + e.str)
Les assertions permettent d’expliciter et de vérifier des suppositions faites

dans le code :
def une_fonction(n):
assert isinstance(n, int) and is_prime(n), "Cette fonction fonctionne seulement pour des entiers premiers !"
Boucles
Syntaxe Description
for i in range(0, 10) Itère sur i de 0 à 9
for element in iterable Itère sur tous les elements de iterable (liste, set, dict, …)
for key, value in d.items() Itère sur toutes les clefs, valeurs du dictionnaire d
while condition Répète un jeu d’instruction tant que condition est vraie
break Quitte immédiatement une boucle
continue Passe immédiatement à l’itération suivante d’une boucle
Structures de données
Syntaxe Description
L = ["a", 2, 3.14 ] Liste (suite ordonnée d’éléments)
S = { "a", "b", 3 } Ensemble (éléments unique, désordonné)
D = { "a": 2, "b": 4 } Dictionnaire (ensemble de clé-valeurs, avec clés uniques)
T = (1,2,3) Tuple (suite d’élément non-mutables)
Syntaxe Description
L[i] i-eme element d’une liste ou d’une tuple
L[i:] Liste de tous les éléments à partir du i-eme
L[i] = e Remplace le i-eme element par e dans une liste
L.append(e) Ajoute e à la fin de la liste L
S.add(e) Ajoute e dans le set S
L.insert(i, e) Insère e à la position i dans la liste L
chaine.join(L) Produit une string à partir de L en intercallant la string chaine entre les elements
Fichiers
Ouvrir et lire un fichier :
# Créé un contexte dans lequel le fichier
# est ouvert en lecture en tant que 'f',
# et met son contenu dans 'content'
with open("/un/fichier", "r") as f:
content = f.readlines()
Ecrire dans un fichier :
# Créé un contexte dans lequel le fichier
# est ouvert en ré-écriture complète et
# écrit le contenu de 'content' dedans.
with open("/un/fichier", "w") as f:
f.write(content)
(Le mode 'a' (append) au lieu de 'w' permet d’ouvrir le fichier pour ajouter
du contenu à la fin plutôt que de le ré-écrire)
Partie 1 - Notions de base

Cours 1
0. Setup de développement Python
Notre premier outil développement est bien sur l’interpréteur python lui même utilisé pour lancer un fichier de code.
Installation
Sur linux installer le paquet python3 (généralement déjà installé parce que linux utilise beaucoup python)
Sur Windows installer depuis python.org ou depuis un outil comme chocolatey
Sur MacOs déjà installé mais pour gérer un version plus à jours on peut le faire manuellement depuis python.org ou avec homebrew.
Python 2 vs Python 3
Python 2 existe depuis 2000
Python 3 existe depuis 2008
Fin de vie de Python 2 en 2020
… mais encore la version par défaut dans de nombreux système … (c.f. python --version)
Généralement il faut lancer python3 explicitement ! (et non python) pour utiliser python3
Différences principales
print "toto" ne fonctionnera pas en Python 3 (utiliser print("toto")
Nommage des paquets debian (python-* vs python3-*)
Gestion de l’encodage
range, xrange
Disponibilité des librairies ?
Il existe des outils comme 2to3 pour ~automatiser la transition.
Executer un script explicitement avec python

$ python3 hello.py
ou implicitement (shebang)
#!/usr/bin/env python3
print("Hello, world!")
puis on rend le fichier executable et on l’execute
$ chmod +x hello.py
$ ./hello.py
Ex.0 Hello world
Démarrer VS Code
Écrire et lancer le programme suivant :
print("Hello World!")
Créez un fichier hello.py directement dans la console (par exemple via nano hello.py) et mettez dedans :
#!/usr/bin/env python3
print("Hello, world!")
Executez ensuite ce script à l’aide de python3 hello.py ou ./hello.py dans un terminal
En interactif
$ python3
>>> print("Hello, world!")
ipython3 : alternative à la console python ‘classique’

$ sudo apt install ipython3
$ ipython3
In [1]: print("Hello, world!")
Principaux avantages:
Complétion des noms de variables et de modules avec TAB

Coloré pour la lisibilité
Plus explicite parfois
des commandes magiques comme %cd, %run script.py,
Inconvénients:
Moins standard
à installer en plus de l’interpréteur python.
pour quitter : exit
Les éditeurs de code

VSCode est un éditeur de code récent et très à la mode, pour de bonnes raisons:
Il est simple ou départ et fortement extensible: à l’installation seules les fonctionnalités de base sont disponibles
Éditeur de code avec coloration et raccourcis pratiques
Navigateur de fichier (pour manipuler une grande quantité de fichers et sous dossier sans sortir de l’éditeur)
Recherche et remplacement flexible avec des expressions régulières (très important pour trouver ce qu’on cherche et faire de refactoring)
Terminal intégrée (On a plein d’outils de développement à utiliser dans le terminal)
Une interface git assez simple très bien faite (git on s’y perd facilement, une bonne interface aide à s’y retrouver)
Indépendamment du logiciel choisi on trouve en général toutes ces fonctionnalités dans un éditeur de code.
Observons un peu tout ça avec une démo de VSCode et récapitulons l’importance des ces fonctions.
Installer des extensions pertinentes

Au sein de l’éditeur nous voulons coder en Python et également:
Pouvoir détecter les erreurs de syntaxe.

Pouvoir explorer le code python réparti dans plusieurs fichiers (sauter à la définition d’une fonction par exemple).
Complétion automatique des noms de symboles (ça peut être pénible parfois).
Pouvoir debugger le code python de façon agréable.
Pouvoir refactorer (changer le nom de variables ou fonctions partout automatiquement).
Installez l’extension Python (et affichez la documentation si vous êtes curieux) en allant dans la section Extensions (Icone de gauche avec 4 carrés dont
un détaché)
Nous allons également utiliser git sérieusement donc nous allons installer une super extension git appelée Gitgraph pour pouvoir mieux explorer
l’historique d’un dépôt git.
Enfin vous pouvez installer d’autres extensions pour personnaliser l’éditeur comme l’extension VIM si vous aimez habituellement utiliser cet éditeur.
Opensource et extensibilité : ne pas s’enfermer dans un environnement de travail
VSCode est développé par Microsoft et partiellement opensource (Le principal code est accessible mais pas tout)
VSCodium est la version opensource communautaire de VSCode mais certaines fonctions puissantes et pratiques sont seulement dans VSCode
(les environement distant Docker et SSH par exemple)
Un fork récent et complètement opensource de VSCode qui peut fonctionner directement dans le navigateur (Cf. gitpod.io). Moins mature.
Ces trois logiciels sont très proches et vous pouvez coder vos extensions (compatibles avec les 3) pour étendre ces éditeur.
Il me semble important pour choisir un outil de se demander si on possède l’outil ou si l’outil nous possède (plus ou moins les deux en général). Pour
pouvoir gérér la complexité du développement moderne on dépend de pas mal d’outils. Savoir choisir des outils ouverts et savoir utiliser également les
outils en ligne commande (git, pylint, etc cf. suite du cours) est très important pour ne pas s’enfermer dans un environnement limitant et possessif.
1. Les variables
1.1. Exemple
message = "Je connais la réponse à l'univers, la vie et le reste"
reponse = 6 * 7
print(message)
print(reponse)
1.2. Principe
Les variables sont des abstractions de la mémoire

Une étiquette collée apposée sur une partie de la mémoire : nom pointe vers un contenu
Différent du concept mathématique
1.3. Déclaration, utilisation

En python : déclaration implicite
Ambiguité : en fonction du contexte, x désigne soit le contenant, soit le contenu…
x = 42 # déclare (implicitement) une variable et assigne une valeur
x = 3.14 # ré-assigne la variable avec une autre valeur
y = x + 2 # déclare une autre variable y, à partir du contenu de x
print(y) # affichage du contenu de y
Nommage
Caractères autorisés : caractères alphanumériques (a-zA-Z0-9) et _.

Les noms sont sensibles à la casse : toto n’est pas la même chose que Toto!
(Sans commencer par un chiffre)
Comparaison de différentes instructions

Faire un calcul sans l’afficher ni le stocker nul part:
6*7
Faire un calcul et l’afficher dans la console:
print(6*7)
Faire un calcul et stocker le résultat dans une variable r pour le réutiliser plus tard
r = 6*7
Opérations mathématiques
2 + 3 # Addition
2 - 3 # Soustraction
2 * 3 # Multiplication
2 / 3 # Division
2 % 3 # Modulo
2 ** 3 # Exponentiation
Calcul avec réassignation

x += 3 # Équivalent à x = x + 3
x -= 3 # Équivalent à x = x - 3
x *= 3 # Équivalent à x = x * 3
x /= 3 # Équivalent à x = x / 3
x %= 3 # Équivalent à x = x % 3
x **= 3 # Équivalent à x = x ** 3
Ex.1.1 Calculs dans l’interpréteur
À l’aide de python, calculer le résultat des opérations suivantes :

567×72
33⁴
98.2/6
((7×9)⁴)/6
vrai et non (faux ou non vrai)
Types
42 # Entier / integer / int
3.1415 # Réel / float
"Marius" # Chaîne de caractère (string) / str
True / False # Booléen / bool
None # ... "rien" / aucun (similar à `null` dans d'autres langages)
Connaître le type d’une variable : type(variable)
Conversion de type
int("3") -> 3
str(3) -> "3"
float(3) -> 3.0
int(3.14) -> 3
str(3.14) -> "3.14"
float("3.14") -> 3.14
int(True) -> 1
int("trois") -> Erreur / Exception
Interactivité basique
Dans un terminal il est possible de demander une information à l’utilisateur avec ìnput(“message”)
reponse = input("Combien font 6 fois 7 ?")
N.B. : ce que renvoie input() est une chaîne de caractère !
Ex.1.2 Interactivité
Demander l’année de naissance de l’utilisateur, puis calculer et afficher l’âge qu’il

aura dans deux ans (approximativement, sans tenir compte du
jour et mois de naissance…).
Syntaxe des chaînes
Entre simple quote (') ou double quotes ("). Par exemple: "hello"
print("hello") affiche le texte Hello
print(hello) affiche le contenu d’une variable qui s’apellerait Hello
Longueur
m = "Hello world"
len(m) # -> 11
Extraction
m[:5] # -> 'Hello'
m[6:8] # -> 'wo'
m[-3:] # -> 'rld'
Multiplication
"a" * 6 # -> "aaaaaa"
Concatenation
"Cette phrase" + " est en deux morceaux."
name = "Marius"
age = 28
"Je m'appelle " + name + " et j'ai " + str(age) + " ans"
Construction à partir de données, avec %s
"Je m'appelle %s et j'ai %s ans" % ("Marius", 28)
Construction à partir de données, avec format
"Je m'appelle {name} et j'ai {age} ans".format(name=name, age=age)
Substitution
"Hello world".replace("Hello", "Goodbye") # -> "Goodbye world"
Chaînes sur plusieurs lignes
\n est une syntaxe spéciale faisant référence au caractère “nouvelle ligne”
"Hello\nworld" # -> Hello <nouvelle ligne> world
Interactivité basique avec input

En terminal, il est possible de demander une information à l’utilisateur
avec input("message")
reponse = input("Combien font 6 fois 7 ?")
N.B. : ce que renvoie input() est une chaîne de caractère !
Et bien d’autres choses !
c.f. documentation, e.g https://devdocs.io/python~3.7/library/stdtypes#str
Ex.2 Chaînes de caractères
2.1 Demander un mot à l’utilisateur. Afficher la longueur du mot avec

une message tel que "Ce mot fait X caractères !"
2.2 Afficher le mot encadré avec des ####. Par exemple:
##########
# Python #
##########
3. Les fonctions
Principe
Donner un nom à un ensemble d’instructions pour créer de la modularité et de la sémantique
def ma_fonction(arg1, arg2):
instruction1
instruction2
...
return resultat
On peut ensuite utiliser la fonction avec les arguments souhaitées et récupérer le resultat :
mon_resultat = ma_fonction("pikachu", "bulbizarre")
autre_resultat = ma_fonction("salameche", "roucoups")
Calculs mathématiques
sqrt(2) -> 1.41421 (environ)
cos(3.1415) -> -1 (environ)
Générer ou aller chercher des données
nom_du_departement(67) -> "Bas-rhin"
temperature_actuelle("Lyon") -> Va chercher une info sur internet et renvoie 12.5
Convertir, formatter, filtrer, trier des données …
int("3.14") -> 3
normalize_url("toto.com/pwet/") -> https://toto.com/pwet
sorted(liste_de_prenoms) -> renvoie la liste triée alphabétiquement
**Afficher / demander des données **
print("un message")
input("donne moi un chiffre entre 1 et 10 ?")
Exemples concrets
def aire_triangle(base, hauteur):
return base * hauteur / 2
A1 = aire_triangle(3, 5) # -> A1 vaut 15 !
def aire_disque(rayon):
rayon_carree = rayon ** 2
return 3.1415 * rayon_carree
A3 = aire_disque(6) # -> A3 vaut (environ) 113 !
A1 = aire_triangle(3, 5) # -> A1 vaut 7.5 !
A3 = aire_disque(6) # -> A3 vaut (environ) 113
def volume_cylindre(rayon, hauteur):
return hauteur * aire_disque(rayon)
V1 = volume_cylindre(6, 4) # -> A4 vaut (environ) 452
Écrire une fonction
Éléments de syntaxe
def, :
des instructions indentées !!
des arguments (ou pas!)
return (ou pas)
Les arguments
# [ ... ]
Une fonction est un traitement générique. On ne connait pas à l’avance la valeur précise qu’aura un argument, et généralement on appelle la
fonction pleins de fois avec des arguments différents…
En définissant la fonction, on travaille donc avec un argument “abstrait” nommé rayon
Le nom rayon en tant qu’argument de la fonction n’a de sens qu’a l’intérieur de cette fonction !
En utilisant la fonction, on fourni la valeur pour rayon, par exemple: aire_disque(6).
Les variables locales
# [ ... ]
Les variables créées dans la fonction sont locales: elles n’ont de sens qu’a l’intérieur de la fonction
Ceci dit, cela ne m’empêche pas d’avoir des variables aussi nommées rayon ou rayon_carree dans une autre fonction ou dans la portée globale
(mais ce ne sont pas les mêmes entités)
Le return
return permet de récupérer le résultat de la fonction

C’est ce qui donne du sens à A = aire_disque(6) (il y a effectivement un résultat à mettre dans A)
Si une fonction n’a pas de return, elle renvoie None
return quitte immédiatement la fonction
Erreur classique:
Utiliser print au lieu de return
Ce programme n’affiche rien
A = aire_disque(6) # A vaut bien quelque chose
# mais nous ne demandons pas de l'afficher ...
Solution naive : remplacer le return par un print
print(3.1415 * rayon_carree) # Affiche le résultat dans la console
A = aire_disque(6) # Mais maintenant A vaut None
# car la fonction n'a pas utilisé `return`
“Bonne” solution
A = aire_disque(6) # Stocker le résultat dans A
print(A) # Demander d'afficher A dans la console
Ceci dit, il peut être tout à fait légitime de mettre des print dans une fonction, par exemple pour la débugger…!
Appel de fonction avec arguments explicites

A1 = aire_triangle(3, 5)
A2 = aire_triangle(4, hauteur=8)
A3 = aire_triangle(hauteur=6, base=2)
A4 = aire_triangle(hauteur=3, 2) # < Pas possible !
N.B. : cette écriture est aussi plus explicite / lisible / sémantique:
aire_triangle(base=3, hauteur=5)
que juste
aire_triangle(3, 5)
On peut se retrouver dans des situations comme:
base = 3
hauteur = 5
A1 = aire_triangle(base=base, hauteur=hauteur)
Dans l’appel de la fonction :
le premier base est le nom de l’argument de la fonction aire_triangle,

le deuxième base corresponds au contenu de la variable nommée base.
Arguments optionnels
Les arguments peuvent être rendu optionnels si ils ont une valeur par défaut :
def distance(dx, dy=0, dz=0):
[...]
Dans ce cas, tous ces appels sont valides :
distance(5)
distance(2, 4)
distance(5, 8, 2)
distance(9, dy=5)
distance(0, dz=4)
distance(1, dy=1, dz=9)
distance(2, dz=4, dy=7)
Exemple réaliste
subprocess.Popen(args,
bufsize=0,
executable=None,
stdin=None,
stdout=None,
stderr=None,
preexec_fn=None,
close_fds=False,
shell=False,
cwd=None,
env=None,
universal_newlines=False,
startupinfo=None,
creationflags=0)
c.f. https://docs.python.org/2/library/subprocess.html#subprocess.Popen
Ex.3 Fonctions
3.1
Écrire une fonction annee_naissance qui prends en argument un age et retourne l’année de naissance (+/- 1) sachant que nous sommes en 2019. Par
exemple, annee_naissance(29) retounera l’entier 1990.
3.2
Ecrire une fonction centrer prend en argument une chaîne de caractère, et retourne une nouvelle chaîne centrée sur 40 caractères. Par exemple
print(centrer("Python")) affichera :
| Python |
Ajouter un argument optionnel pour gérer la largeur au lieu du 40 “codé en dur”. Par exemple print(centrer("Python", 20)) affichera :
| Python |
Créer une fonction encadrer qui utilise la fonction centrer pour

produire un texte centré et encadré avec des ####. Par exemple,
print(encadrer("Python", 20)) affichera :
####################
| Python |
####################
4. Conditions et branchements conditionnels

Pour pouvoir écrire des applications il faut des techniques permettant de contrôler le déroulement du programme dans différentes directions, en fonction
des circonstances. Pour cela, nous devons disposer d’instructions capables de tester une certaine condition et modifier le comportement du programme
en conséquence.
La principale instruction conditionnelle est, en python comme dans les autres langages impératifs, le if (Si condition alors …) assorti généralement du
else (Sinon faire …) et en python de la contraction elif de else if (Sinon, Si condition alors …)e
Syntaxe générale
if condition:
instruction1
instruction2
elif (autre condition):
instruction3
elif (encore autre condition):
instruction4
else:
instruction5
instruction6
Attention à l’indentation !
Tout n’est pas nécessaire, par exemple on peut simplement mettre un if :
if condition:
instruction1
instruction2
Exemple
a = 0
if a > 0 :
print("a est positif")
elif a < 0 :
print("a est négatif")
else:
print("a est nul")
Lien avec les booléens
Les conditions comme a > 0 sont en fait transformées en booléen lorsque la ligne est interprétée.
On aurait pu écrire :
a_est_positif = (a > 0)
if a_est_positif:
[...]
else:
[...]
Écrire des conditions

angle == pi # Égalité
angle != pi # Différence
angle > pi # Supérieur
angle >= pi # Supérieur ou égal
angle < pi # Inférieur
angle <= pi # Inférieur ou égal
Combiner des conditions

x = 2
print("x > 0:", x > 0) # vrai
print("x > 0 and x == 2:", x > 0 and x == 2) # vrai et vrai donne vrai
print("x > 0 and x == 1:", x > 0 and x == 2) # vrai et faux donne faux
print("x > 0 or x == 1:", x > 0 or x == 1) # vrai ou faux donne vrai
print("not x == 1:", not x == 1) # non faux donne vrai
print("x > 0 or not x == 1:", x > 0 or not x == 1) # vrai ou (non faux) donne vrai ou vrai donne vrai
Conditions “avancées”
Chercher des choses dans des chaînes de caractères
"Jack" in nom # 'nom' contient 'Jack' ?
nom.startswith("Jack") # 'nom' commence par 'Jack' ?
nom.endswith("ack") # 'nom' fini par 'row' ?
Remarque: l’opérateur in est très utile et générale en Python: il sert à vérifier qu’un élément existe dans une collection. Par exemple si l’entier 2 est
présent dans une liste d’entier ou comme ici si un mot est présent dans une chaine de caractère.
‘Inline’ ifs
On peut rassembler un if else sur une ligne comme suit:
parite = "pair" if n % 2 == 0 else "impair"
Tester si une variable a une valeur de façon “pythonique”.
En python pour tester si une variable contient une valeur vide ou pas de valeur (c-à-d valeur None) on aime bien, par convention “pythonique”, écrire
simplement if variable: :
reste_division = a % 2
if reste_division:
print("a est pair parce que le reste de sa division par 2 est nul")
else:
print("a est impair")
Pareil pour tester si unt chaîne de caractère est vide ou nulle:

texte = input()
if texte:
print("vous avez écrit: ", texte)
else:
print("pas de texte")
print("texte is None :", texte is None)
print("texte == \"\" (chaine vide) :", texte == "")
Remarque: dans notre dernier cas il n’est pas forcément important de savoir si texte est None ou une chaîne vide mais plutôt de savoir si on a
effectivement une valeur “significative” à afficher. C’est souvent le cas et c’est pour cela qu’on privilégie if variable pour simplifier la lecture du
code.
Vraisemblance (truthiness) d’un valeur
L’usage de if variable: comme précédemment est basé sur la truthiness ou vraisemblance de la variable. On dit que a est vraisemblable si la
conversion de a en booléen donne True : bool(3) donne True on dit que 3 est truthy, bool(None) donne False donc None est falsy.
TODO Nous verrons
dans la partie sur le Python Data Model que cela implique des choses pour nos classes de programmation orientée objet en python (en Résumé on veut
que if monObjet: soit capable de tester si l’objet est initialisé et utilisable)
Autrement dit en python on aime utiliser la vraisemblance implicite des
variables pour tester si leur valeur est significative/initialisée ou non.
Ex.4 Conditions
4.1 Reprendre la fonction annee_naissance et afficher un message d’erreur et sortir immédiatement de la fonction si l’argument fourni n’est pas un
nombre entre 0 et 130. Valider le comportement en appelant votre fonction avec comme argument -12, 158, None ou "toto".
Inspecter l’execution du code pas à pas à l’aide du debugger VSCode.
4.2 Reprendre la fonction centrer de l’exercice 3.1 et gérer le cas où la largueur demandée est -1 : dans ce cas, ne pas centrer. Par exemple,
print(encadrer("Python", -1)) affichera :
##########
# Python #
##########
5. Les boucles
Répéter des opération est le coeur de la puissance de calcul des ordinateur. On peut pour cela utiliser des boucles ou des appels récusifs de fonctions.
Les deux boucles python sont while et for.
La boucle while
while <condition>: veut dire “tant que la condition est vraie répéter …”. C’est une boucle simple qui teste à chaque tour (avec une sorte de if) si on
doit continuer de boucler.
Exemple:
a = 0
while (a < 10) # On répète les deux instructions de la boucle tant que a est inférieur à 7
a = a + 1 # A chaque tour on ajoute 1 à la valeur de a
print(a)
La boucle for et les listes

La boucle for en Python est plus puissante et beaucoup plus utilisée que la boucle while car elle “s’adapte aux données” et aux objets du programme
grâce à la notion d’itérateur que nous détaillerons plus loin. (De ce point de vue, la boucle for python est très différente de celle du C/C++ par exemple)
On peut traduire la boucle Python for element in collection: en français par “Pour chaque élément de ma collection répéter …”. Nous avons donc
besoin d’une “collection” (en fait un iterateur) pour l’utiliser. Classiquement on peut utiliser une liste python pour cela:
ma_liste = [7, 2, -5, 4]
for entier in ma_liste:
print(entier)
Pour générer rapidement une liste d’entiers et ainsi faire un nombre défini de tours de boucle on utilise classiquement la fonction range()
print(range(10))
for entier in range(10):
print(entier) # Afficher les 10 nombres de 0 à 9
for entier in range(1, 11):
print(entier) # Afficher les 10 nombres de 1 à 10
for entier in range(2, 11, 2):
print(entier) # Afficher les 5 nombres pairs de 2 à 10 (le dernier paramètre indique d'avancer de 2 en 2)
continue et break
continue permet de passer immédiatement à l’itération suivante
break permet de sortir immédiatement de la boucle
for i in range(0,10):
if i % 2 == 0:
continue
print("En ce moment, i vaut " + str(i))
-> Affiche le message seulement pour les nombres impairs

if i == 7:
break
print("En ce moment, i vaut " + str(i))
-> Affiche le message pour 0 à 6
Ex.5 Boucles
5.1.1 : Écrire une fonction qui, pour un nombre donné, renvoie la table de multiplication. Dans un premier temps, on pourra se contenter d’afficher les
résultats. Par exemple print(table_du_7()) affichera:
7
14
21
...
70
puis ensuite on peut améliorer la présentation pour obtenir le résultat :
Table du 7
----------
1 x 7 = 7
2 x 7 = 14
[..]
10 x 7 = 70
5.1.2 : Cette fois, passer le nombre en argument. La fonction devient par exemple table_multiplication(7)
5.1.3 : En appelant cette fonction plusieurs fois, afficher les tables de multiplication pour tous les nombres entre 1 et 10.
5.1.4 : Protéger l’accès à toute cette connaissance précieuse en demandant, au début du programme, un “mot de passe” jusqu’à ce que le bon mot de
passe soit donné.
5.2 : (Optionnel) Écrire une fonction qui permet de déterminer si un nombre est premier. Par exemple is_prime(3) renverra True, et is_prime(10)
renverra False.
(Optionnel)
5.3.1 : Jeu des allumettes
Le jeu des allumettes est un jeu pour deux joueurs, où n allumettes sont disposées, et chaque joueur peut prendre à tour de rôle 1, 2 ou 3 allumettes. Le
perdant est celui qui se retrouve obligé de prendre la dernière allumette.
Écrire une fonction afficher_allumettes capable d’afficher un nombre donné d’allumettes (donné en argument), par exemple avec le caractère |
Écrire une fonction choisir_nombre qui demande à l’utilisateur combien d’allumette il veut prendre. Cette fonction vérifiera que le choix est
valide (en entier qui est soit 1, 2 ou 3).
Commencer la construction d’une fonction partie_allumettes qui pour le moment, se contente de :
Initialiser le nombre d’allumette sur la table
Afficher des allumettes avec afficher_allumettes
Demander à l’utilisateur combien il veut prendre d’allumettes avec choisir_nombre
Propager ce choix sur le nombre d’allumette actuellement sur la table
Afficher le nouvel état avec afficher_allumettes
5.3.2 : (Optionnel) Modifier partie_allumettes pour gérer deux joueurs (1 et 2) et les faire jouer à tour de rôle jusqu’à ce qu’une condition de victoire
soit détectée (il reste moins d’une allumette…).
5.3.3 : (Optionnel) Intelligence artificielle
Reprendre le jeu précédent et le modifier pour introduire une “intelligence” artificielle qui soit capable de jouer en tant que 2ème joueur. (Par exemple,
une stratégie très simple consiste à prendre une allumette quoiqu’il arrive)
5.3.4 : (Optionnel)
Installer pylint3 avec:
pip3 install pylint3
Analyser son code avec pylint3

Écrire un programme … pour qui ? pour quoi ?
Le fait qu’un programme marche n’est pas suffisant voire parfois “secondaire” !
… Mieux vaut un programme cassé mais lisible (donc débuggable)
… qu’un programme qui marche mais incompréhensible (donc fragile et/ou qu’on ne saura pas faire évoluer)
… et donc qui va surtout faire perdre du temps aux futurs développeurs
Autrement dit : la lisibilité pour vous et vos collègues a énormément d’importance pour la maintenabilité et l’évolution d’un projet
Posture de développeur et bonnes pratiques

Lorsqu’on écrit du code, la partie “tester” et “debugger” fait partie du job.
On écrit pas un programme qui marche au premier essai
Il faut tester et débugger au fur et à mesure, pas tout d’un seul coup !
Le debugging interactif : pdb, ipdb, VSCode

PDB = Python DeBugger
Permet (entre autre) de définir des “break points” pour rentrer en interactif
import ipdb; ipdb.set_trace()

en 3.7 : breakpoint() Mais fait appel à pdb et non ipdb ?
Une fois en interactif, on peut inspecter les variables, tester des choses, …
On dispose aussi de commandes spéciales pour executer le code pas-à-pas
Significativement plus efficace que de rajouter des print() un peu partout !
Commandes pdb et ipdb
l(ist) : affiche les lignes de code autour de code (ou continue le listing precedent)
c(ontinue) : continuer l’execution normalement (jusqu’au prochain breakpoint)
s(tep into) : investiguer plus en détail la ligne en cours, possiblement en descendant dans les appels de fonction
n(ext) : passer directement à la ligne suivante
w(here) : print the stack trace, c.a.d. les différents sous-appels de fonction dans lesquels on se trouve
u(p) : remonte d’un cran dans les appels de la stacktrace
d(own) : redescend d’un cran dans les appels de la stacktrace
b(reak) : fixe un point d’arrêt (breakpoint) à la ligne donnée.
tbreak : fixe un point d’arrêt temporaire qui sera retiré au premier passage.
pp <variable> : pretty-print d’une variable (par ex. une liste, un dict, ..)
Debug VSCode
Dans VSCode on peut fixer des breakpoints (points rouges) directement dans le code en cliquant sur la colonne de gauche de l’éditeur.
Il faut ensuite aller dans l’onglet debug et sélectionner une configuration de debug ou en créer une plus précise
(https://code.visualstudio.com/docs/python/python-tutorial)
Ensuite on lance le programme en mode debug et au moment de l’arrêt il est possible d’explorer les valeurs de toutes les variables du programme
(Démo)
Bonnes pratiques pour la lisibilité, maintenabilité

Keep It Simple
Sémantique : utiliser des noms de variables et de fonctions qui ont du sens
Architecture : découper son programme en fonction qui chacune résolvent un sous-problème précis
Robustesse : garder ses fonctions autant que possibles indépendantes, limiter les effets de bords
lorsque j’arose mes plantes, ça ne change pas la température du four
Lorsque mon programme évolue, je prends le temps de le refactoriser si nécessaire
si je répète plusieurs fois les mémes opérations, il peut être intéressant d’introduire une nouvelle fonction
si le contenu d’une variable ou d’une fonction change, peut-être qu’il faut modifier son nom
si je fais pleins de petites opérations bizarre, peut-être qu’il faut créer une fonction
Quelques programmes réels utilisant Python
Dropbox
Atom
Eve online
Matplotlib
Blender
OpenERP / Odoo
Tartiflette
Ex.6 Performances et debugging : plusieurs implémentations de la suite de fibonacci
La célèbre suite de Fibonacci, liée au nombre d’or, est une suite d’entiers dans laquelle chaque terme est la somme des deux termes qui le précèdent.
Mais elle est également un exercice classique d’algorithmique.
Écrire une fonction fibonacci_rec_naive(n) qui calcule de façon récursive la suite de fibonacci.
Créez une autre fonction fibonacci_iter(n) qui calcule de façon iterative la suite de fibonacci.
Calculez le 40e terme de la suite avec chacune des implémentation précédente.
Debuggez les deux implémentations. Que se passe-t-il ?
A l’aide de la librairie timeit et de sa fonction timer (from timeit import default_timer as timer) qui renvoie le temps processeur courant,
mesurez le temps d’exécution des deux fonctions.
Écrire une fonction fibonacci_rec_liste(n) qui calcule récursivement la suite de fibonacci en utilisant une liste comme mémoire pour ne pas
recalculer les terme déjà calculés.
Bonus 1: Utilisons un décorateur de “caching” de fonction (from functools import lru_cache as cache) sur fibonacci_rec_naive(n) pour
l’optimiser sans changer le code.
Bonus 2: Écrivons une implémentation pythonique de fibonacci utilisant un générateur
Corrections 1
Exercice 1.1
result_1 = 567 * 72
result_2 = 33**4
result_3 = 98.2 / 6
result_4 = (7 * 9)**4 / 6
print(result_1)
print(result_2)
print(result_3)
print(result_4)
Exercice 1.2
annee = int(input('Quelle est votre année de naissance ?\n'))
age = 2021 - annee + 2
print("Dans deux ans vous aurez {} ans.".format(age))
2.1 Compter les lettres

mot = input("Donnez moi un mot.\n")
print("Ce mot fait {} caractères (espaces inclus).".format(len(mot)))
print("#"*len(mot)+2+"\n"+)
2.2 Encadrer le mot avec

mot_encadre = '#### ' + mot + ' ####'
print("mot encadré: {}".format(mot_encadre))
Exercice 3: Fonctions
3.1
def annee_naissance(age):
return 2021 - age
print(annee_naissance(32))
3.2
def centrer(mot, largeur=80):
nb_espaces = largeur - len(mot) - 2
nb_espaces_gauche = nb_espaces // 2 # division entière: 25 // 2 -> 12
nb_espaces_droite = nb_espaces - nb_espaces_gauche
resultat = "|" + nb_espaces_gauche * " " + mot + nb_espaces_droite * " " + "|"
return resultat
def encadrer(mot, largeur=80, caractere='@'):
ligne1 = caractere * largeur
ligne2 = centrer(mot, largeur)
return "{}\n{}\n{}".format(ligne1, ligne2, ligne1)
print(centrer("Pikachu"))
print(len(centrer("Pikachu")) # 80
print(centrer("Pikachu", 40))
print(encadrer("Pikachu"))
print(encadrer("Pikachu", 37))
print(encadrer("Pikachu", 71, "#"))
Exercice 4: Conditions
4.1
def annee_naissance(age):
if isinstance(age,int) and 0 < age < 130:
return 2021-age
4.2
def centrer(mot, largeur=80):
nb_espaces = largeur - len(mot) - 2
nb_espaces_gauche = nb_espaces // 2 # division entière: 25 // 2 -> 12
nb_espaces_droite = nb_espaces - nb_espaces_gauche
resultat = "|" + nb_espaces_gauche * " " + mot + nb_espaces_droite * " " + "|"
return resultat
def encadrer(mot, largeur=80, caractere='@'):
if largeur == -1:
largeur = len(mot) + 4
if caractere == '':
return centrer(mot, largeur)
longueur_max = largeur - 4
if len(mot) > longueur_max:
mot = mot[:longueur_max]
ligne1 = caractere * largeur
ligne2 = centrer(mot, largeur).replace("|", caractere)
return "{}\n{}\n{}".format(ligne1, ligne2, ligne1)
print(encadrer("Pikachu", -1))
print(encadrer("Pikachu", 34, ''))
print(encadrer("Pikachu", 8, '@'))
Exercice 5
5.1.1
def table_du_7():
print("Table du 7")
print("----------")
print("7 x {} = {}".format(i,7*i))
5.1.2
def table_multiplication(nombre):
print("Table du {}".format(nombre))
print("----------")
print("{} x {} = {}".format(nombre,i,nombre*i))
5.1.3
table_multiplication(i)
5.1.4
mot_de_passe=input("Mot de passe?")
while not mot_de_passe=="123soleil":
print("Accès non autorisé")
mot_de_passe=input("Mot de passe?")
table_multiplication(i)
5.2
def isprime(nombre):
for i in range(nombre-1,1,-1):
if nombre%i==0:
return False
return True
5.3
def afficher_allumettes(nombre_allumettes):
for i in range(nombre_allumettes):
print("|",end='')
print("")
def choisir_nombre():
correct=False
while not correct:
choix=int(input("Combien d'allumettes prend-tu?"))
if choix in [1,2,3]:
correct=True
return choix
def jeu(allumettes):
joueur=1
while allumettes > 1:
afficher_allumettes(allumettes)
print("Joueur {}:".format(joueur))
choix=choisir_nombre()
while allumettes-choix <= 0:
print("Choose again")
if allumettes-choix== 1:
print("Joueur {} gagne".format(joueur))
allumettes-=choix
else:
allumettes-=choix
joueur=3-joueur
def jeu_avec_ia(allumettes):
joueur=1
if joueur==1:
while allumettes-choix <= 0:
if allumettes-choix== 1:
print("Joueur {} gagne".format(joueur))
allumettes-=choix
else:
allumettes-=choix
if joueur==2:
if allumettes== 2:
print("IA gagne")
afficher_allumettes(allumettes-1)
return
else:
print("IA prend une allumette")
allumettes-=1
joueur=3-joueur
jeu(10)
jeu_avec_ia(10)
Exercice 6
from timeit import default_timer as timer
from functools import lru_cache as cache
def fib_rec_naive(n):
"""
fib_rec_naive calcule le Ne terme de la suite de fibonacci
En utilisant une approche récursive naive de complexité exponentielle
"""
if n == 0:
return 0
elif n == 1:
return 1
else:
return fib_rec_naive(n-1) + fib_rec_naive(n-2)
@cache()
def fib_rec_naive_cache(n):
"""
fib_rec_naive calcule le Ne terme de la suite de fibonacci
En utilisant une approche récursive naive, mais en ajoutant
un décorateur de memoïzation qui stocke l'état de la pile d'éxecution entre les appels
"""
if n == 0:
return 0
elif n == 1:
return 1
else:
return fib_rec_naive_cache(n-1) + fib_rec_naive_cache(n-2)
liste_termes_calculés = [0,1]
def fib_rec_liste(n):
"""
fib_rec_liste calcule le Ne terme de la suite de fibonacci
En utilisant une approche récursive correcte de complexité linéaire
en utilisant une mémoire sous forme de liste
"""
if n < len(liste_termes_calculés):
return liste_termes_calculés[n]
else:
liste_termes_calculés.append(fib_rec_liste(n-1) + fib_rec_liste(n-2))
return liste_termes_calculés[n]
def fib_iter(n):
"""
fib_iter calcule le Ne terme de la suite de fibonacci
En utilisant une approche itérative de complexité linéaire
"""
ancien_terme, nouveau_terme = 0, 1
if n == 0:
return 0
for i in range(n-1):
ancien_terme, nouveau_terme = nouveau_terme, ancien_terme + nouveau_terme
return nouveau_terme
if __name__ == "__main__":
# Temps avec 35 termes
start = timer()
fib_rec_naive(35)
stop = timer()
print( "fib_rec_naive(35) execution time: ", stop - start )
start = timer()
fib_rec_naive_cache(35)
stop = timer()
print( "fib_rec_naive_cache(35) execution time: ", stop - start )
start = timer()
fib_rec_liste(35)
stop = timer()
print( "fib_rec_list(35) execution time: ", stop - start )
start = timer()
fib_iter(35)
stop = timer()
print( "fib_iter(35) execution time: ", stop - start )
# Temps avec 38 termes
start = timer()
fib_rec_naive(38)
stop = timer()
print( "fib_rec_naive(38) execution time: ", stop - start )
start = timer()
fib_rec_naive_cache(38)
stop = timer()
print( "fib_rec_naive_cache(38) execution time: ", stop - start )
start = timer()
fib_rec_liste(38)
stop = timer()
print( "fib_rec_list(38) execution time: ", stop - start )
start = timer()
fib_iter(38)
stop = timer()
print( "fib_iter(38) execution time: ", stop - start )
Bonus 2
def fibonacci_generator():
a, b = 0, 1
yield a
yield b
while True:
a, b = (b, a+b)
yield b
for n in fibonacci_generator():
if n > 500:
break
print(n)
Exos 1
1. Calculs dans l’interpréteur
À l’aide de python, calculer le résultat des opérations suivantes :

567×72
33⁴
98.2/6
((7×9)⁴)/6
vrai et non (faux ou non vrai)
2. Interactivité
Demander l’année de naissance de l’utilisateur, puis calculer et afficher l’âge qu’il

aura dans deux ans (approximativement, sans tenir compte du
jour et mois de naissance…).
Demander un mot à l’utilisateur. Afficher la longueur du mot avec

une message tel que "Ce mot fait X caractères !"
Afficher le mot encadré avec des ####. Par exemple:

##########
# Python #
##########
3. Fonctions
Ecrire une fonction centrer prend en argument une chaîne de caractère, et retourne une nouvelle chaîne centrée sur 40 caractères. Par exemple
print(centrer("Python")) affichera :
| Python |
Ajouter un argument optionnel pour gérer la largeur au lieu du 40 “codé en dur”. Par exemple print(centrer("Python", 20)) affichera :
| Python |
Créer une fonction encadrer qui utilise la fonction centrer pour

produire un texte centré et encadré avec des ####. Par exemple,
print(encadrer("Python", 20)) affichera :
####################
| Python |
####################
4. Conditions
Reprendre la fonction annee_naissance et afficher un message d’erreur et sortir immédiatement de la fonction si l’argument fourni n’est pas un
nombre entre 0 et 130. Valider le comportement en appelant votre fonction avec comme argument -12, 158, None ou "toto".
Inspecter l’execution du code pas à pas à l’aide du debugger VSCode.
Reprendre la fonction centrer de l’exercice 4.1 et gérer le cas où la largueur demandée est -1 : dans ce cas, ne pas centrer. Par exemple,
print(encadrer("Python", -1)) affichera :
##########
# Python #
##########
5. Boucles
def afficher_allumettes(nombre_allumettes):
for i in range(nombre_allumettes):
print("|",end='')
print("")
def choisir_nombre():
correct=False
while not correct:
choix=int(input("Combien d'allumettes?"))
if choix in [1,2,3]:
correct=True
return choix
def jeu(allumettes):
if allumettes-choix <= 0:
elif allumettes-choix== 1:
print("you loose")
allumettes-=choix
else:
allumettes-=choix
jeu(10)
6. Performances et debugging : plusieurs implémentations de la suite de fibonacci

La célèbre suite de Fibonacci, liée au nombre d’or, est une suite d’entiers dans laquelle chaque terme est la somme des deux termes qui le précèdent.
Mais elle est également un exercice classique d’algorithmique.
Écrire une fonction fibonacci_rec_naive(n) qui calcule de façon récursive la suite de fibonacci.
Créez une autre fonction fibonacci_iter(n) qui calcule de façon iterative la suite de fibonacci.
Calculez le 40e terme de la suite avec chacune des implémentation précédente.
Debuggez les deux implémentations. Que se passe-t-il ?
A l’aide de la librairie timeit et de sa fonction timer (from timeit import default_timer as timer) qui renvoie le temps processeur courant,
mesurez le temps d’exécution des deux fonctions.
Écrire une fonction fibonacci_rec_liste(n) qui calcule récursivement la suite de fibonacci en utilisant une liste comme mémoire pour ne pas
recalculer les terme déjà calculés.
Bonus 1: Utilisons un décorateur de “caching” de fonction (from functools import lru_cache as cache) sur fibonacci_rec_naive(n) pour
l’optimiser sans changer le code.
Bonus 2: Écrivons une implémentation pythonique de fibonacci utilisant un générateur
Partie 2 - Notions plus avancées

Cours 2
7. Structures de données
Les structures de données permettent de stocker des séries d’information et d’y accéder (plus ou moins) facilement et rapidement.
Les listes
Une collection d’éléments ordonnés référencé par un indice
animaux_favoris = [ "girafe", "chenille", "lynx" ]
fibonnaci = [ 1, 1, 2, 3, 5, 8 ]
stuff = [ 3.14, 42, "bidule", ["a", "b", "c"] ]
Accès à element particulier ou a une “tranche”

animaux_favoris[1] -> "chenille"
animaux_favoris[-2:] -> ["chenille", "lynx"]
Longueur
len(animaux_favoris) -> 3
Tester qu’un élément est (ou n’est pas) dans une liste
"lynx" in animaux_favoris # -> True
"Mewtwo" not in animaux_favoris # -> True
Iteration
for animal in animaux_favoris:
print(animal + " est un de mes animaux préférés !")
Iteration avec index
print("Voici la liste de mes animaux préférés:")
for i, animal in enumerate(animaux_favoris):
print(str(i+1) + " : " + animal)
Modification d’un élément
animaux_favoris[1] = "papillon"
Ajout à la suite, contatenation
animaux_favoris.append("coyote")
Insertion, concatenation
animaux_favoris.insert(1, "sanglier")
animaux_favoris += ["lion", "moineau"]
Exemple de manip classique : filtrer une liste pour en construire une nouvelle
# Création d'une liste vide
animaux_starting_with_c = []
# J'itère sur la liste de pokémons favoris
for animal in animaux_favoris:
# Si le nom de l'animal actuel commence par c
if animal.startswith("c"):
# Je l'ajoute à la liste
animaux_starting_with_B.append(animal)
À la fin, animaux_starting_with_c contient:
["girafe"]
Transformation de string en liste
"Hello World".split() -> ["Hello", "World"]
Transformation de liste en string
' | '.join(["a", "b", "c"]) -> "a | b | c"
Les dictionnaires
Une collection non-ordonnée (apriori) de clefs a qui sont associées des valeurs
phone_numbers = { "Alice": "06 93 28 14 03",
"Bob": "06 84 19 37 47",
"Charlie": "04 92 84 92 03" }
Accès à une valeur

phone_numbers["Charlie"] -> "04 92 84 92 03"
phone_numbers["Marius"] -> KeyError !
phone_numbers.get("Marius", None) -> None
Modification d’une entrée, ajout d’une nouvelle entrée
phone_numbers["Charlie"] = "06 25 65 92 83"
phone_numbers["Deborah"] = "07 02 93 84 21"
Tester qu’une clef est dans le dictionnaire

"Marius" in phone_numbers # -> False
"Bob" not in phone_numbers # -> False
phone_numbers = { "Alice": "06 93 28 14 03",
"Bob": "06 84 19 37 47",
"Charlie": "04 92 84 92 03" }
Iteration sur les clefs

for prenom in phone_numbers: # Ou plus explicitement: phone_numbers.keys()
print("Je connais le numéro de "+prenom)
Iteration sur les valeurs

for phone_number in phone_numbers.values():
print("Quelqu'un a comme numéro " + phone_number)
Iterations sur les clefs et valeurs

for prenom, phone_number in phone_numbers.items():
print("Le numéro de " + prenom + " est " + phone_number)
Construction plus complexes

Liste de liste, liste de dict, dict de liste, dict de liste, …
contacts = { "Alice": { "phone": "06 93 28 14 03",
"email": "alice@megacorp.eu" },
"Bob": { "phone": "06 84 19 37 47",
"email": "bob.peterson@havard.edu.uk" },
"Charlie": { "phone": "04 92 84 92 03" } }
contacts = { "Alice": { "phone": "06 93 28 14 03",
"email": "alice@megacorp.eu" },
"Bob": { "phone": "06 84 19 37 47",
"email": "bob.peterson@harvard.edu.uk" },
"Charlie": { "phone": "04 92 84 92 03" } }
Recuperer le numero de Bob

contacts["Bob"]["phone"] # -> "06 84 19 37 47"
Ajouter l’email de Charlie

contacts["Charlie"]["email"] = "charlie@orange.fr"
Ajouter Deborah avec juste une adresse mail

contacts["Deborah"] = {"email": "deb@hotmail.fr"}
Les sets
Les sets sont des collections d’éléments unique et non-ordonnée
chat = set(["c", "h", "a", "t"]) # -> {'h', 'c', 'a', 't'}
chien = set(["c", "h", "i", "e", "n") # -> {'c', 'e', 'i', 'n', 'h'}
chat - chien # -> {'a', 't'}
chien - chat # -> {'i', 'n', 'e'}
chat & chien # -> {'h', 'c'}
chat | chien # -> {'c', 't', 'e', 'a', 'i', 'n', 'h'}
chat.add("z") # ajoute `z` à `chat`
Les tuples
Les tuples permettent de stocker des données de manière similaire à une liste, mais de manière non-mutable.
Generalement itérer sur un tuple n’a pas
vraiment de sens…
Les tuples permettent de grouper des informations ensembles.

Typiquement : des coordonnées de point.
xyz = (2,3,5)
xyz[0] # -> 2
xyz[1] # -> 3
xyz[0] = 5 # -> Erreur!
Autre exemple dictionnaire.items() renvoie une liste de tuple (clef, valeur) :

[ (clef1, valeur1), (clef2, valeur2), ... ]
List/dict comprehensions
Les “list/dict comprehensions” sont des syntaxes particulière permettant de rapidement construire des listes (ou dictionnaires) à partir d’autres
structures.
Syntaxe (list comprehension)

[ new_e for e in liste if condition(e) ]
Exemple (list comprehension)
Carré des entiers impairs d’une liste

[ e**2 for e in liste if e % 2 == 1 ]
List/dict comprehensions
Les “list/dict comprehensions” sont des syntaxes particulière permettant de rapidement construire des listes (ou dictionnaires) à partir d’autres
structures.
Syntaxe (dict comprehension)

{ new_k:new_v for k, v in d.items() if condition(k, v) }
Exemple (dict comprehension)

{ nom: age-20 for nom, age in ages.items() if age >= 20 }
Générateurs
(Pas vraiment une structure de données, mais c’est lié aux boucles …)
Une fonction qui renvoie des résultats “au fur et à mesure” qu’ils sont demandés …
Se comporte comme un itérateur
Peut ne jamais s’arrêter …!
Typiquement, évite de créer des listes intermédiaires
exemple SANS generateur

mes_animaux = { "girafe": 300, "coyote": 50,
"chenille": 2, "cobra": 45
# [...]
def au_moins_un_metre(animaux):
output = []
for animal, taille in animaux.items():
if taille >= 100:
output.append(animal)
return output
for animal in au_moins_un_metre(mes_animaux):
...
exemple AVEC generateur

mes_animaux = { "girafe": 300, "coyote": 50,
"chenille": 2, "cobra": 45
# [...]
def au_moins_un_metre(animaux):
for animal, taille in animaux.items():
if taille >= 100:
yield animal
for animal in au_moins_un_metre(mes_animaux):
...
Il n’est pas nécessaire de créer la liste intermédiaire output
Un autre exemple
def factorielle():
n = 1
acc = 1
while True:
acc *= n
n += 1
yield acc
Ex.7 Structures de données
7.1 : Écrire une fonction qui retourne le plus grand élément d’une liste (ou d’un set) de nombres, et une autre fonction qui retourne le plus petit. Par
exemple, plus_grand([5, 9, 12, 6, -1, 4]) retournera 12.
assert plus_grand([5, 9, 12, 6, -1, 4]) == 12
assert plus_grand([-6, -19, -2]) == -2
assert plus_petit([5, 9, 12, 6, -1, 4]) == -1
assert plus_petit([-6, -19, -2]) == -19
7.2 : Écrire une fonction qui retourne le mot le plus long parmis une liste de mot donnée en argument.
assert plus_long(["Paris", "Amsterdam", "Londres"]) == "Amsterdam"
assert plus_long(["Choucroute", "Pizza", "Tarte flambée"]) == "Tarte flambée"
7.3 : Écrire une fonction qui calcule la somme d’une liste de nombres.
assert somme([3, 4, 5]) == 12
assert somme([0, 7, -3]) == 4
7.4 : Écrire une fonction qui prends en argument un chemin de fichier comme “/usr/bin/toto.py” et extrait le nom du fichier, c’est à dire “toto”. On
pourra utiliser la méthode chaine.split(caractere) des chaînes de caractère.
7.5.1 : Récuperer le dictionnaire d’exemple auprès du formateur (example_dict.py) et boucler sur ce dictionnaire pour afficher quelque chose comme:
Sebastian est né.e en 1979
Barclay est né.e en 2000
Vivien est né.e en 1955
...
example_dict=[{'name': 'Sebastian', 'email': 'Donec.felis.orci@consectetueripsumnunc.edu', 'country': '1979'}, {'name': 'Barclay', 'email': 'ali
7.5.2 : Transformer le programme précédent pour n’afficher que les personnes ayant une adresse mail finissant par .edu.
7.6 : Ecrire une fonction compte_lettres qui prends en argument une (grande) chaîne de caractère et retourne un dictionnaire avec un compte des
occurences des lettres. Par exemple compte_lettres("hello") retournera {"h":1, "l": 2, "o": 1, "e":1 }. Utiliser cette fonction sur Lorem Ipsum
(“Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt […]")
7.7 : Écrire une fonction qui retourne seulement les entiers pairs d’une liste
7.8 : Écrire une fonction qui permet de trier une liste (ou un set) d’entiers
7.9 : En une seule ligne de code, générer la matrice suivante :
[ [ 0, 1, 2, 3, 4 ],
[ 0, 2, 4, 6, 8 ],
[ 0, 3, 6, 9, 12 ],
[ 0, 4, 8, 12, 16 ] ]
7.10 : Réécrire la fonction somme du 8.2, mais cette fois sans utiliser de variable intermédiaire (utiliser la récursivité)
7.11 : Ecrire un générateur carre() qui genere la suite 1, 4, 9, 16, … Utiliser ce générateur pour afficher les carrés jusqu’à ce qu’une valeur dépasse
200.
7.12 : Ecrire un générateur fibonnaci qui genere la suite de fibonnaci 0, 1, 1, 2, 3, 5, 8, … Utiliser ce générateur pour afficher les valeurs jusqu’à ce
qu’elles dépassent 500.
8. Programmation et algorithmique - récapituler

Programmation impérative / procédurale
Comme une recette de cuisine qui manipule de l’information
Une suite d’opération à effectuer
Différents concepts pour construire ces opérations:
des variables
des fonctions
des conditions
des boucles
des structures de données (listes, dictionnaires)
Variables
x = "Toto"
x = 40
y = x + 2
print("y contient " + str(y))
Fonctions
calcul = base * hauteur / 2
return calcul
Indentation
Arguments (peuvent être optionnels si on spécifie une valeur par défaut)
Variables locales
return pour pouvoir récupérer un résultat depuis l’extérieur
Appel de fonction
Conditions
if base < 0 or hauteur < 0:
print("Il faut donner des valeurs positives!")
return -1
calcul = base * hauteur / 2
return calcul
Indentation
Opérateurs (==, !=, <=, >=, and, or, not, in, …)
Mot clefs if, elif, else
Listes, dictionnaires et boucles

breakfast = ["Spam", "Eggs", "Bacon", "Spam"]
breakfast.append("Coffee")
print("Au petit dej' je mange: ")
for stuff in breakfast:
print(stuff)
ingredients_gateau = {"farine": 200,
"beurre": 100,
"chocolat": 150}
for ingredient, qty in ingredients_gateau.items():
print("J'ai besoin de " + str(qty) + "g de " + ingredient)
Algorithmes simples : max

def max(liste_entiers):
if liste_entiers == []:
print("Erreur, peut pas calculer le max d'une liste vide")
return None
m = liste_entiers[0]
for entier in liste_entiers:
if m < entier:
m = entier
return m
Algorithmes simples : filtrer une liste

def pairs(liste_entiers):
resultat = []
for entier in liste_entiers:
if entier % 2 == 0:
resultat.append(entier)
return resultat
9. Erreurs et exceptions
En Python, lorsqu’une erreur se produit ou qu’un cas particulier empêche (a priori) la suite du déroulement normal d’un programme ou d’une fonction,
une exception est déclenchée
Attention : différent des erreurs de syntaxe
Exemple d’exceptions
Utiliser une variable qui n’existe pas
Utiliser int() sur quelque chose qui ne peut pas être converti en entier
Diviser un nombre par zero
Diviser un nombre par une chaine de caractère
Tenter d’accéder à un élément d’une liste qui n’existe pas
Tenter d’ouvrir un fichier qui n’existe pas ou qu’on ne peut pas lire
Tenter de télêcharger des données sans être connecté à internet
etc…
Une exception a un type (c’est un objet d’un classe d’exception -> cf. Partie 3):
Exception, ValueError, IndexError, TypeError, ZeroDivisionError, …
Lorsqu’une exception interrompt le programme, l’interpréteur affiche la stacktrace (TraceBack) qui contient des informations pour comprendre
quand et pourquoi l’exception s’est produite.
Traceback (most recent call last):
File "coucou.py", line 3, in <module>
print(coucou)
NameError: name 'coucou' is not defined
# python3 test_int.py
Tapez un entier entre 1 et 3: truc
Traceback (most recent call last):

File "test_int.py", line 8, in <module>
demander_nombre()
File "test_int.py", line 4, in demander_nombre
r = int(input("Tape un entier entre 1 et 3: "))
ValueError: invalid literal for int() with base 10: 'truc'
Souvent une exception est due à une entrée utilisateur incorrecte (comme ici) mais pas toujours.
raise
Il est possible de déclencher ses propres exceptions à l’aide de raise

if liste_entiers == []:
raise Exception("max() ne peut pas fonctionner sur une liste vide!")
(Ici, le type utilisé est le type générique Exception)
Autre exemple:
def envoyer_mail(destinataire, sujet, contenu):
if '@' not in destinataire:
raise Exception('Une adresse mail doit comporter un @ !')
(Ici, le type utilisé est le type générique Exception)
try/except
De manière générale dans un programme, il peut y’avoir beaucoup de manipulation dont on sait qu’elles peuvent échouer pour un nombre de raisons
trop grandes à lister …
Par exemple : écrire dans un fichier
Est-ce que le programme a la permission d’écrire dans ce fichier ?

Est-ce qu’aucun autre programme n’est en train d’écrire dans ce fichier ?
Est-ce qu’il y a assez d’espace disque libre ?
Si je commence à écrire, peut-être vais-je tomber sur un secteur disque deffectueux
…
Autre exemple : aller chercher une information sur internet
Est-ce que je suis connecté à Internet ?

Est-ce que la connection est suffisament stable et rapide ?
Est-ce que le programme a le droit d’effectuer d’envoyer des requêtes ?
Est-ce qu’un firewall va bloquer ma requête ?
Est-ce que le site que je veux contacter est disponible actuellement ?
Est-ce que le certificat SSL du site est à jour ?
Quid de si la connexion est perdue en plein milieu de l’échange ?
…
En Python, il est courant d'« essayer » des opérations puis de gérer les
exceptions si elles surviennent.
On utilise pour cela des try: ... except: ....
Exemple
reponse = input("Entrez un entier svp !")
try:
n = int(reponse)
except:
raise Exception("Ce n'est pas un entier !")
Utilisation différente
try:
n = int(reponse)
except:
n = -1
while True:
try:
n = int(reponse)
break
except:
# Faire en sorte de boucler pour reposer la question à l'utilisateur ...
print("Ce n'est pas un entier !")
continue
Autre exemple (inhabituel):

On peut utiliser les exception comme une sorte de if ou inversement
def can_be_converted_to_int(stuff):
try:
int(stuff)
except:
return False
return True
can_be_converted_to_int("3") # -> True
can_be_converted_to_int("abcd") # -> False
The “python way”

« Better to ask forgiveness than permissions »
Traduction “on essaye et puis on voit et on gère les dégats”.

(ça se discute)
Assertions
Il est possible d’utiliser des assertions pour expliciter certaines hypothèses
faites pendant l’écriture du code. Si elles ne sont pas remplies, une
exception est déclenchée.
Un peu comme un "if not condition raise error".

assert liste_entiers != [], "max() ne peut pas fonctionner sur une liste vide!"
(assert toto est équivalent à if not toto: raise Exception())
def distance(x=0, y=0):
assert isinstance(x, (int, float)), "Cette fonction ne prends que des int ou float en argument !"
assert isinstance(y, (int, float)), "Cette fonction ne prends que des int ou float en argument !"
return racine_carree(x*x + y*y)
def some_function(n):
assert n, "Cette fonction n'accepte pas 0 ou None comme argument !"
assert n % 2 == 0, "Cette fonction ne prends que des entiers pairs en argument !"
[...]
Assertions et tests unitaires

En pratique, l’une des utilisations les plus courantes de assert est l’écriture de tests unitaires qui permettent de valider qu’une fonction marche dans
tous les cas (et continue à marcher si on la modifie)
Dans votre application:

def trier(liste_entiers):
# on définie le comportement de la fonction
Dans les tests (fichier à part):
assert trier([15, 8, 4, 42, 23, 16]) == [4, 8, 15, 16, 23, 42]
assert trier([0, 82, 4, -21, 2]) == [-21, 0, 2, 4, 82]
assert trier([-7, -3, 0]) == [-7, -3, 0]
assert trier([]) == []
Cf. Chapitre 19
Calcul du max d’un liste d’entier : plusieurs approches !

Attention : dans les exemples suivant je dois penser au cas où resultat peut valoir None
Je soupçonne fortemment que ma_liste puisse ne pas être une liste ou puisse être vide
Soit je teste explicitement avant pour être sur (moins pythonique) !
if not isinstance(ma_liste, list) or ma_liste == []:
resultat = None
else:
resultat = max(ma_liste)
Ça devrait marcher, mais j’ai un doute …
Soit j’essaye et je gère les cas d’erreur (plus pythonique)!
try:
except ValueError as e:
print("Warning : peut-etre que ma_liste n'etait pas une liste non-vide ?")
resultat = None
Soit j’assert le test pour laisser la fonction appelante le soin de gérer l’entrée correctement
Normalement ma_liste est une liste non-vide, sinon il y a un très gros problème avant dans le programme…
assert isinstance(ma_liste, list) and ma_liste != []
Dans ce cas la fonction
10. Fichiers
Lire “brutalement”
mon_fichier = open("/etc/passwd", "r")
contenu_du_fichier = mon_fichier.readlines()
mon_fichier.close()
for ligne in contenu_du_fichier:
print(ligne)
Attention à bien distinguer:
le nom du fichier (passwd) et son chemin d’accès absolu (/etc/passwd)

le vrai fichier qui existe sur le disque
la variable / objet Python (dans l’exemple, nommée f) qui est une interface pour interagir avec ce fichier
Lire, avec une “gestion de contexte”

with open("/etc/passwd", "r") as mon_fichier:
contenu_du_fichier = mon_fichier.readlines()
for ligne in contenu_du_fichier:
print(ligne)
Explications
open("fichier", "r") ouvre un fichier en lecture

with ... as ... ouvre un contexte, à la fin duquel le fichier sera fermé automatiquement
f.readlines() permet d’obtenir une liste de toutes les lignes du fichier
Lire
f.readlines() renvoie une liste contenant les lignes une par une
f.readline() renvoie une ligne du fichier à chaque appel.
f.read() renvoie une (grande) chaĩne contenant toutes les lignes concaténées
Attention, si je modifie la variable contenu_du_fichier … je ne modifie pas vraiment le fichier sur le disque ! Pour cela, il faut explicitement
demander à écrire dans le fichier.
Ecrire
En remplacant tout !
with open("/home/alex/test", "w") as f:
f.write("Plop")
À la suite (« append »)
with open("/home/alex/test", "a") as f:
f.write("Plop")
Fichiers et exceptions
try:
with open("/some/file", "r") as f:
lines = f.readlines()
except:
raise Exception("Impossible d'ouvrir le fichier en lecture !")
Un autre exemple
try:
with open("/etc/shadow", "r") as f:
lines = f.readlines()
except PermissionError:
raise Exception("Pas le droit d'ouvrir le fichier !")
except FileNotFoundError:
raise Exception("Ce fichier n'existe pas !")
Note “technique” sur la lecture des fichiers

Il y a un “curseur de lecture”. On peut lire petit morceaux par petit morceaux … une fois arrivé au bout, il n’y a plus rien à lire, il faut replacer le
curseur si on veut de nouveau lire.
f = open("/etc/passwd")
print(f.read()) # ---> Tout plein de choses
print(f.read()) # ---> Rien !
f.seek(0) # On remet le curseur au début
print(f.read()) # ---> Tout plein de choses !
Ex.10 Fichiers
10.1 : Créer un fonction liste_users qui lit le fichier /etc/passwd et retourne la liste des utilisateurs ayant comme shell de login /bin/bash.
10.2 : Dans le code Python, écrire un modèle d’email comme:
modele = """
Bonjour {prenom} !
Voici en pièce jointe les billets pour votre voyage en train vers {destination}.
"""
Ecrire une fonction generer_email qui remplace dans modele les chaines {prenom}et {destination} par des arguments fourni à la fonction, et enregistre
le résultat dans un fichier email_{prenom}.txt. Par exemple, generer_email("Alex", "Strasbourg") générera le texte et sauvegardera le résultat dans
email_Alex.txt.
10.3 : Écrire une fonction qui permet d’afficher un fichier sans les commentaires et les lignes vides. Spécifier le caractère qui symbolise le début d’un
commentaire en argument de la fonction. (Ou pourra utiliser la méthode strip() des chaînes de caractère pour identifier plus facilement les lignes
vides)
11. Librairies
L’une des puissances de python vient de l’écosystème de librairie disponibles.
Librairie / bibliothèque / module : un ensemble de fonctionnalité déjà pensés et

éprouvées, prêtes à l’emploi.
Syntaxes d’import
import un_module # -> Importer tout un module
un_module.une_fonction() # -> Appeler la fonction une_function()
# du module
Exemple
import math
math.sqrt(2) # -> 1.4142135623730951
Importer juste des choses précises

from un_module import une_fonction, une_autre
une_fonction(...)
Exemple
from math import sqrt, sin, cos
sqrt(2) # -> 1.4142135623730951
Exemple : json
Le JSON est un format de fichier qui permet de décrire des données numériques complexe et imbriquées pour le stocker ou le transférer. Il s’agit du
format de données dominant aujourd’hui sur le web. Il est utilisé dans tous les langages et Python intègre à l’installation une librairie pour le manipuler.
A noter également qu’il est quasiment isomorphe à un dictionnaire Python.

{
"mailman": {
"branch": "master",
"level": 2,
"state": "working",
"url": "https://github.com/yunohost-apps/mailman_ynh",
"flags": [ "mailing-list", "lightweight" ]
},
"mastodon": {
"branch": "master",
"level": 3,
"state": "inprogress",
"url": "https://github.com/YunoHost-Apps/mastodon_ynh",
"flags": [ "social network", "good-UX" ]
La fonction principale de la librairie est loads() qui tranforme une chaîne de caractère au format JSON en dictionnaire.
import json
# Ouvrir, lire et interpreter un fichier json
with open("applications.json") as f:
j = json.loads(f.read())
# Trouver l'état de l'application mailman
j["mailman"]["state"] # -> "working"
Exemple : requests pour un besoin web simple (bas niveau)

Envoyer une requête HTTP et récuperer la réponse (et potentiellement le
contenu d’une page).
import requests
r = requests.get("https://en.wikipedia.org/wiki/Python", timeout=30)
print(r.status_code) # -> 200 si ça a marché
print(r.text) # -> Le contenu de la page
Exemple : csv
import csv
# Ouvrir et lire les lignes d'un fichier csv
with open("table.csv") as f:
table = csv.reader(f, delimiter='|')
for row in table:
print(row[1]) # Afficher le 2eme champ
print(row[3]) # Afficher le 4eme champ
with open("newtable.csv", "w") as f:
newtable = csv.write(f, delimiter=",")
newtable.writerow(["Alice", 32, "Lyon"])
newtable.writerow(["Bob", 29, "Bordeaux"])
Exemple : sys
permet d’interagir / de s’interfacer avec le systeme (librairie système commune à toutes les plateforme)
Par exemple:
import sys
sys.stdout # La sortie standard du programme
sys.path # Les chemins depuis lesquels sont chargés les imports
sys.argv # Tableau des arguments passés en ligne de commande
sys.exit(1) # Sortir du programme avec un code de retour de 1
Exemple : os
ospermet d’interagir avec le système d’exploitation pour réaliser différent
type d’action… Certaines étant spécifiques à l’OS en question (Linux,
Windows,
…)
Quelques exemples :
import os
os.listdir("/etc/") # Liste les fichiers dans /etc/
os.path.join("/etc", "passwd") # Génère un chemin à partir de plusieurs parties
os.system("touch /etc/toto") # (à éviter) Execute une commande "brute"
Voir aussi : copie ou suppression de fichiers, modification des permissions, …
Exemple : argparse
Du vrai parsing d’argument en ligne de commande
(Un peu long à initialiser mais puissant)
Exemple concurrent: docopt

Sert à la même chose que argparse mais beaucoup plus rapide à utiliser ! Docopt analyse la documentation du module pour deviner les arguments !
"""Naval Fate.
Usage:
naval_fate.py ship new <name>...

naval_fate.py ship <name> move <x> <y> [--speed=<kn>]
naval_fate.py ship shoot <x> <y>

naval_fate.py mine (set|remove) <x> <y> [--moored | --drifting]
naval_fate.py (-h | --help)
naval_fate.py --version
Options:
-h --help Show this screen.
--version Show version.
--speed=<kn> Speed in knots [default: 10].
--moored Moored (anchored) mine.
--drifting Drifting mine.
"""
from docopt import docopt
if __name__ == '__main__':
arguments = docopt(__doc__)
print(arguments)
Ensuite python naval_fate.py ship new monbateau --speed=15 renvoie un dictionnaire d’arguments du type:
{'--drifting': False, 'mine': False,
'--help': False, 'move': True,
'--moored': False, 'new': True,
'--speed': '15', 'remove': False,
'--version': False, 'set': False,
'<name>': ['Guardian'], 'ship': True,
'<x>': '100', 'shoot': False,
'<y>': '150'}
On peut les utiliser pour paramétrer le programme CLI !
Exemple : subprocess
subprocess peut typiquement être utilisé pour lancer des commandes en parallèle du programme principal et
récupérer leur résultat.
out = subprocess.check_output(["echo", "Hello World!"])
print(out) # -> Affiche 'Hello World'
check_output : recupère la sortie d’une commande

check_call : verifie que la commande a bien marché (code de retour ‘0’) ou declenche une exception
Popen : méthode plus bas niveau
Cf. Partie sur l’execution concurrente en Python
Moar ?
Debian packages : python-*
Python package manager : pip
Exemples
JSON, XML, HTML, YAML, …
Regular expressions
Logging, Parsing d’options, …
Internationalisation
Templating
Plots, LDAP, …
Gestionnaire de paquet pip
Gestionnaire de paquet / modules Python

PIP : “Pip Install Packages”
PyPI : Python Package Index : visitez https://pypi.org
(à ne pas confondre avec Pypy un interpreter python écrit en Python)
Installer un paquet :
pip3 install <paquet>
Rechercher un paquet :
pip3 search <motclef>
Installer une liste de dépendances :
pip3 install -r requirements.txt
Lister les paquets installés
pip3 list, pip3 freeze
Les paquets installés sont dans /usr/lib/python*/dist-packages/
Virtualenv
Environnement virtuel
Isoler des paquets / dépendances pour utiliser des versions spécifiques
# La premiere fois :
sudo apt install python3-virtualenv virtualenv
# Creation d'un virtualenv 'venv'
virtualenv -p python3 venv
source venv/bin/activate
# Installation de dependances
pip3 install <une dependance...>
pip3 install <une autre dependance...>
# On développe, on teste, etc....
# Si on a fini et/ou que l'on veut "sortir" du virtualenv
deactivate
Documentation pour toutes les plateformes : https://packaging.python.org/guides/installing-using-pip-and-virtual-environments/
Outils plus récents Pipenv et Conda

Pip et les virtualenv sont les outils classique pour gérer les dépendances en Python mais il existe également de nouvelles solutions moins classique
Pipenv un outil rassemblant pip et virtualenv pour simplifier le processus de travail.

Conda un gestionnaire de dépendances multiplateforme.
Installer Pip et Virtualenv sur Windows
https://matthewhorne.me/how-to-install-python-and-pip-on-windows-10/
Ex.11 Librairies
Les énoncés des exercices suivants peuvent être un peu plus ouverts que les précédents, et ont aussi pour objectifs de vous inciter à explorer la
documentation des librairies (ou Internet en général…) pour trouver les outils dont vous avez besoin. Il existe de nombreuse façon de résoudre chaque
exercice.
JSON, requests et argparse
11.1.1 : Télécharger le fichier https://app.yunohost.org/apps.json (avec votre navigateur ou wget par exemple). Écrire une fonction qui lit ce fichier,
le charge en tant que données json. Écrire une autre fonction capable de filter le dictionnaire pour ne garder que les apps d’un level supérieur à n donné
en argument. Écrire une fonction similaire pour le status (working, inprogress, notworking).
11.1.2 : Améliorer le programme précédent pour récupérer la liste directement depuis le programme avec requests. (Ajoutez une instruction pour
s’assurer que le code du retour est bien 200 avant de continuer).
11.1.3 : Exporter le résultat d’un filtre (par exemple toutes les applications avec level >= 7) dans un fichier json.
11.1.4 : À l’aide de la librairie argparse, paramétrez le tri à l’aide d’un argument donné en ligne de commande. Par exemple: python3 filtre_apps.py
--level 7 exportera dans “result.json” seulement les apps level >= 7.
CSV
11.2.1 : Récupérer le fichier de données CSV auprès du formateur, le lire, et afficher le nom des personnes ayant moins de 24 ans. Pour ce faire, on
utilisera la librarie csv.
11.2.2 : Trier les personnes du fichier CSV par année de naissance et enregistrer une nouvelle version de ce fichier avec seulement le nom et l’année de
naissance. Pour trier, on pourra utiliser sorted et son argument key.
Random
11.3 : Écrire une fonction jets_de_des(N) qui simule N lancés de dés 6 et retourne le nombre d’occurence de chaque face dans un dictionnaire. Par
exemple : {1: 13, 2:16, 3:12, ... }. Calculer ensuite la frequence (nb_occurences / nb_lancés_total) pour chaque face. Testez avec un N grand et
en déduire si votre dé virtuel est pipé ou non.
11.4 : Écrire un fonction create_tmp_dir qui choisi un nombre au hasard entre 0 et 100000 puis créer le dossier /tmp/tmp-{lenombre} et retourne le nom
du dossier ainsi créé. On pourra utiliser la librairie random pour choisir un nom aléatoire, et os.system ou subprocess.check_call pour créer le dossier.
Interaction avec le systeme de fichier
11.5.1 : Écrire une fonction qui permet de trouver récursivement dans un dossier tous les fichiers modifiés il y a moins de 5 minutes.
11.5.2 : À l’aide d’une deuxième fonction permettant d’afficher les n dernières lignes d’un fichier, afficher les 10 dernières lignes des fichiers
récemment modifiés dans /var/log
Interaction avec l’OS
11.6 : Écrire une fonction qui récupère l’utilisation actuelle de la mémoire RAM via la commande free. La fonction retournera une utilisation en
pourcent.
11.7 : Écrire une fonction qui renvoie les 3 processus les plus gourmands actuellement en CPU, et les 3 processus les plus gourmands en RAM (avec
leur consommation actuelle, chacun en CPU et en RAM)

Documentation
Pour les librairies (et Python en général) :
docs.python.org
devdocs.io
stack overflow …
doc strings !!
Pour votre code :
nom de variables, fonctions, argument !!!
commentaires, doc strings
gestionnaire de version
generation de doc automatique ?
Faire du “bon code”

La lisibilité est la priorité numéro 1
Un programme est vivant et évolue. Mieux vaut un programme cassé mais lisible (donc débuggable) qu’un programme qui marche mais
incompréhensible (donc fragile et/ou qu’on ne saura pas faire évoluer)
(c.f. Guido van Rossum chez Dropbox)
Autrement dit : la lisibilité pour vous et vos collègues a énormément d’importance pour la maintenabilité et l’évolution du projet
Keep It Simple
Sémantique : utiliser des noms de variables et de fonctions concis et pertinents
Commentaires : lorsque c’est nécessaire, pour démystifier ce qu’il se passe
Modularité : découper son programme en fonctions qui chacune résolvent un sous-problème
Couplage faible : garder ses fonctions autant que possibles indépendantes, limiter les effets de bords
Prendre le temps de refactoriser quand nécessaire
si je répète plusieurs fois les mémes opérations, peut-être définir une nouvelle fonction
si le contenu d’une variable ou d’une fonction change, peut-être changer son nom
Ne pas abuser des principes précédents
trop d’abstractions tue l’abstraction
tout ça viens avec le temps et l’expérience
How to write good code
Conventions de nommages des variables, fonctions et classes
Variables et fonctions en snake case : nom_de_ma_variable
Constantes globales en macro case: NOM_DE_MA_CONSTANTE
Nom de classes en upper camel case : NomDeMaClasse
Syntaxe, PEP8, linters

Le style d’écriture de python est standardisé via la norme PEP8
Il existe des “linter” pour détecter le non-respect des conventions (et également certaines erreurs logiques)
Par exemple flake8, pylint
Intégration possible dans vim et autres IDE…
autopep8 ou black permettent de corriger un bon nombre de problème automatiquement
Ex.12 Outils pour développer
12.1 - Utiliser pip3 pour trouver quelle est le numéro de version du package requests installé
12.2 - Rechercher avec pip3 si les paquets flake8 et autopep8 existent. Installez-les.
12.3 - Utilisez flake8 sur un code que vous avez écrit récemment (disons d’au moins 30 ou 40 lignes !). Étudiez les erreurs et warnings rapportées par
flake, et essayer les corriger manuellement. Si certains warnings vous semblent trop aggressif, utiliser --ignore pour spécifier des codes d’erreurs à
ignorer.
12.4.1 - Sur un autre code relativement mal formatté, utiliser autopep8 pour tenter d’ajuster automatiquement le formattage du code. Sauvegarder la
sortie fournie par autopep8 dans un autre fichier “version 2” et comparer le fichier initial avec le fichier de sortie à l’aide de diff ou de git diff --no-
index file1 file2.
12.4.2 - Le nouveau fichier est-il exempt de problèmes d’après flake8 ?
Bonus. ArgParse, utiliser des arguments en ligne de commande

argparse est une librairie python qui va notre permettre de créer simplement des interfaces en ligne de commandes.
import argparse
parser = argparse.ArgumentParser(description="This script does something.")

parser.add_argument("who", help="Who are you ?")
parser.add_argument("many", type=int)
args = parser.parse_args()
for i in range(args.many):
print("Hello " + args.who)
On crée d’abord un parser avec:

Puis on le remplit avec les informations sur les arguments avec add_argument.
On peut indiquer un argument positionnel, en le nommant juste, comme
optionnel, avec - ou –
parser.add_argument("who", help="Who are you ?")
parser.add_argument("many", type=int)
argparse traite les données en entrée comme des chaines de caractère si un type n’est pas précisé. On peut le préciser tout simplement
avec l’option
type=(nom_du_type)
On prend ensuite les arguments en entrée et on les parses avec parse_args:
args=parser.parse_args()
On a ainsi nos différents arguments. Ici, args.many, args.who
Reprendre l’exemple précédent et ajouter - devant le nom des argument. Que se passe t’il?
Reprendre l’exemple, sauf que cette fois si l’utilisateur ne
rentre rien, le programme affiche 3 fois Hello john.
Notes: notre parser est en fait un objet, tout comme ici args. args.many et args.who sont ainsi les attributs de l’objet args.
Nous reviendrons sur la notion
d’objet plus tard.
///// A supprimer ////
import argparse

parser.add_argument("--who", help="Who are you ?")
parser.add_argument("--many", type=int)
args = parser.parse_args()
for i in range(args.many):
print("Hello " + args.who)
Bonus. Manipuler du XML en Python

XML : eXtensible Markup Language
Format très général pour structurer des informations dans un fichier texte
Défini et géré par le W3C (Consortium de standardisation et developpement du Web)
(X)HTML est un cas particulier de XML
~historique ?… à tendance à être remplacé par JSON, YAML, bases SQL / noSQL, …
Quelques exemple courants:
un XML assez standard:

<?xml version="1.0" encoding="UTF-8"?>
<data>
<apps>
<app name="mailman" state="working" level="5" />
<app name="wekan" state="inprogress" level="3" />
<app name="nextcloud" state="working" level="7" />
<app name="wordpress" state="working" level="7" />
<app name="plex" state="notworking" />
</apps>
</data>
du html:
<html>
<head>
<meta charset="UTF-8">
<link rel="stylesheet" href="style.css">
<script src="lib.js"></script>
</head>
<body>
<p class="text-bold">Un morceau de texte</p>
<p class="text-emph">Un autre paragraphe</p>
</body>
</html>
Un documents LibreOffice
<?xml version="1.0" encoding="UTF-8"?>
<office:document-content office:version="1.2">
[...]
<office:body>
<office:text>
<text:p text:style-name="P1">
Hello <text:span text:style-name="T1">world!</text:span>
</text:p>
</office:text>
</office:body>
</office:document-content>
Un peu de vocabulaire
<html>
<head>
</head>
<body>
</body>
</html>
Balises : ouvrantes et fermantes, e.g. <p class="red"> et </p>

Attributs : par exemple class="red"
Noeuds éléments : caractérisés et délimités par des balises : head, body, script, p, …
peut contenir d’autres noeuds (éléments, texte, …) et donc créer un arbre
Noeuds texte : e.g. "Un morceau de texte"
XML : Approche DOM v.s. SAX

DOM : Document Object Model
Lecture et chargement initial de tout le document (peut être lourd pour les gros documents !)
Puis accès à tous les noeuds de l’arbre (~AST)
Approche classique et répandue (c.f. Javascript)
SAX : Simple API for XML

Lecture et analyse “au fur et à mesure”
Pas besoin de tout charger en mémoire
Adaptée aux gros documents
ElementTree
Best of both world ? (Mais moins de fonctionnalités avancées)

Simple à utiliser comme DOM, peut être aussi rapide que SAX
Quelques exemples de librairies

xml.tree.ElementTree : ElementTree API, inclue de base dans Python
lxml : Très complète, support de nombreux standard
BeautifulSoup : Interface simple, conçu pour parser du HTML contenant des erreurs
(et pleins d’autres …)
<html>
<head>
</head>
<body>
</body>
</html>
xml.tree.ElementTree
Parser / lire
from xml.etree import ElementTree as ET
root = ET.parse("monfichier.html")
body = root.find("body")
print(body[0]) # --> <Element 'p' at 0x12345>
print(body[0].tag) # --> p
print(body[0].attrib) # --> {'class': 'text-bold'}
print(body[0].text) # --> Un morceau de texte
print(list(body[0])) # --> [] (pas d'elements fils)
# Trouver tout les <p> dans le body
tous_les_p = body.findall("p")
Construire / ecrire
from xml.etree import ElementTree as ET
root = ET.parse("monfichier.html")
body = root.find("body")
# Ajout d'un nouvel element dans <body>
# <p class="text-underline" id="new">Du texte en plus</p>
nouveau_p = ET.SubElement(body, "p", clas="text-underline", id="new")
root.write("monfichier_2.xml")
Parsing itératif avec lxml.etree.iterparse

ET.parse("fichier.xml") explose la RAM pour les gros fichiers.
Besoin d’une technique plus efficace
iterparse fourni un iterateur pour parser au fur et à mesure, qui plus est seulement sur des tags specifiques
from lxml import etree
iterator = etree.iterparse("fichier.xml", tag="p")
for event, element in iterator:
# [...] traiter l'element
Ça consomme toujours de la RAM … besoin d’un trick en + … c.f. https://stackoverflow.com/questions/12160418

from lxml import etree
def clear_elem_and_ancestors(elem):
elem.clear()
for ancestor in elem.xpath('ancestor-or-self::*'):
while ancestor.getprevious() is not None:
del ancestor.getparent()[0]
iterator = etree.iterparse("fichier.xml", tag="p")
for event, element in iterator:
# [...] traiter l'element
clear_elem_and_ancestors(element)
Exercices Partie 2
Correction - Exercice 2
7.1
def retourner_plus_grand(liste):
max=liste[0]
for nombre in liste:
if nombre>=a:
max=nombre
return max
7.2
def plus_grand_mot(liste):
plus_grand_mot=liste[0]
for mot in liste:
if len(mot)>=len(a):
plus_grand_mot=mot
return plus_grand_mot
7.3
def somme(liste):
total=0
for total in liste:
total+=nombre
return total
7.4
def extraire_nom_fichier(path):
liste=path.split("/") #['usr,'bin,'toto.py']
nom_du_fichier=list[-1].split(".") #['toto','py']
return liste[0]
# En un seule ligne
def extraire_nom_fichier_une_ligne(path):
return path.split("/")[-1].split(".")[0]
7.5.1
example_dict=[{'name': 'Sebastian', 'email': 'Donec.felis.orci@consectetueripsumnunc.edu', 'country': '1979'}, {'name': 'Barclay', 'email': 'ali
def lire_dict(dict):
for element in dict:
print("{} est né.e en {}".format(element["name"],element["country"]))
lire_dico(exemple_dict)
7.5.2
def lire_dict_edu(dict):
for element in dict:
if element["email"].split(".")[-1] == 'edu':
print("{} a pour email {}".format(element["name"],element["email"]))
read_dict_edu(example_dict)
7.6
def compte_lettres(phrase):
dict={}
# Pour chaque lettre:
for lettre in phrase:
# Si la clef existe (dans ce cas la lettre a déjà été rencontrée) alors on incremente sa valeur de 1.
if lettre in dict:
dict[lettre]+=1
# Si la clef n'existe pas, on la crée et on initialise sa valeur à 1
else:
dict[lettre]=1
return dict
phrase="Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt "
print(compte_lettres(phrase))
7.7
def retourne_pair(liste):
nouvel_liste=[]
for nombre in liste:
if nombre%2==0:
nouvel_liste.append(element)
return nouvel_liste
liste_paire=range(11)
print(retourne_pair(liste_paire))
7.8
Cette algorithme de tri classique s’appelle le tri à bulle. Ce n’est pas le plus rapide, mais il est facilement compréhensible.
def tri_a_bulles(tableau):
for i in range(len(tableau),0,-1):
for j in range(i-1):
if tableau[j+1]<tableau[j]:
tableau[j+1], tableau[j]=tableau[j],tableau[j+1]
return tableau
7.9 On utlise ici une imbrication de compréhension de lire:
matrice=[[i+j for i in range(5)] for j in range(4)]
7.10
def somme_2(liste):
if liste:
#Litéralement ma somme vaut le dernier élément plus la somme de tous les autres éléments moins le dernier
return liste[-1]+somme_2(liste[:-1])
else:
return 0
7.11
def carre():
i=1
while True:
i+=1
yield i*i
for i in carre():
if i>200
break
print (i)
10.1
def liste_users():
with open("/etc/passwd","r") as file:
read_file=file.readlines()
for element in read_file:
e=element.rstrip().split(':')
if e[-1]=="/bin/bash":
print(e[0])
liste_users()
10.2
def generer_email(prenom,nom):
modele = """
Bonjour {prenom} !
Voici en pièce jointe les billets pour votre voyage en train vers {destination}.
""".format(prenom=prenom,destination=nom)
with open("email_{}".format(prenom), "w") as f:
f.write(modele)
generer_email("Sacha","Rennes")
10.3
def afficher_fichier_no_comment(file,char):
with open(file) as file_read:
read_file=file_read.readlines()
print(read_file)
for element in read_file:
if not element.strip() == "" and not element[0]==char:
print(element,end='')
afficher_fichier_no_comment("test","#")
Exercice 2.1 - Fichiers, JSON et dictionnaires

2.1 - Fichiers, JSON et dictionnaires
Écrire une fonction qui prends un nom de fichier en argument et retourne le contenu si elle a été capable de le récupérer. Sinon, elle doit
déclencher une exception qui explique en français pourquoi elle n’a pas pu.
Écrire une fonction qui remplace un mot par un autre dans un fichier. On pourra pour cela se servir de une_chaine.replace("mot",
"nouveau_mot") qui renvoie une version modifiée de une_chaine en ayant remplacé “mot” par “nouveau mot”.
Télécharger le fichier https://app.yunohost.org/community.json (avec votre navigateur ou wget par exemple). Écrire une fonction qui lit ce
fichier, le charge en tant que données json et renvoie un dictionnaire Python. Écrire une autre fonction capable de filtrer le dictionnaire pour ne
garder que les apps d’un level supérieur ou égal à un level n donné en argument. Essayez votre fonction avec le niveau 8.
Améliorez le programme précédent pour récupérer la liste directement depuis le programme avec requests. Gérer les différentes exceptions qui
pourraient se produire (afficher un message en français) : syntaxe json incorrecte, erreur 404, time-out du serveur, erreur SSL
Exercice 2.2 - Utilisation de la librairie XML intégrée ElementTree

En utilisant le module ElementTree de Python, charger le fichier countries.xml fourni par le formateur. Boucler sur les différents éléments
country et afficher pour chaque élément la valeur du gdppc (PIB par habitant) et le nom des voisins.
Ajouter un element country pour la France en suivant la même structure.
Sauvegarder la version modifiée en countries_extended.xml
Exercice 2.3 - Lecture itérative avec la library externe lxml

Installez lxml grâce à pip3, et récupérez le “gros” fichier XML, copyright.xml à l’adresse
https://dl.google.com/rights/books/renewals/google-renewals-20080516.zip. Attention à ne pas tenter d’ouvrir “brutalement” ce fichier avec
un éditeur ou avec la méthode utilisée en 1 : cela consommera beaucoup trop de RAM !
En utilisant des commandes comme head -n 50 copyright.xml, analyser visuellement la structure du fichier d’après ses premières lignes.
Initialiser un itérateur destiné à itérer sur ce fichier, et en particulier sur les tags Title. Créer une boucle à partir de cet itérateur et afficher tous les
titres qui contiennent la chaîne "Pyth". On prendra soin de nettoyer les éléments trouvés avant de passer à chaque nouvelle itération sous
peine de remplir la RAM très vite !
Pour chaque titre trouvé, remonter au parent ‘Record’ pour trouver le ‘Holder Name’ correspondant à ce titre. S’aider du debug VSCode, ipython
et/ou ipdb pour tester et expérimenter en interactif.
Partie 3 - POO
Cours 3
13. POO - Classes, attributs et méthodes
L’orienté objet est un paradigme de programmation inventé dans les années 80 et popularisé dans les années 90. Aujourd’hui il est incontournable bien
qu’il commence aussi à être critiqué.
Il permet d’organiser un programme de façon standard et ainsi d’éviter des erreurs d’architectures comme le spaghetti code
Principe de base
Regrouper les variables et fonctions en entités (“objets”) cohérentes qui appartiennent à des classes
attributs (les variables décrivant l’état de l’objet)

méthodes (les fonctions appliqubles à l’objet)
De cette façon on fabrique des sorte types de données spécifique à notre programme utilisables de façon pratique et consistante.
Exemple
Les cercles (classe)
ont un centre, un rayon, une couleur, une épaisseur de trait : ce sont des attributs.
On peut : déplacer le cercle, l’agrandir, calculer son aire, le dessiner sur l’écran : ce sont des méthodes.
Un petit cercle rouge (objet, ou instance)
centre = (3, 5), rayon = 2, couleur = “red”, épaisseur = 0.1
Un grand cercle bleu (autre objet, instance)

centre = (-4, 2), rayon = 6, couleur = “blue”, épaisseur = 1
Exemple en Python
class Cercle:
def __init__(self, centre, rayon, couleur="black", epaisseur=0.1):
self.centre = centre
self.rayon = rayon
self.couleur = couleur
self.epaisseur = epaisseur
def deplacer(self, dx=0, dy=0):
self.centre = (self.centre[0]+dx, self.centre[1]+dy)
cercle1 = Cercle((3, 5), 2, "red")
cercle2 = Cercle((-4, 2), 6, "blue", epaisseur=1)
cercle1.deplacer(dy=2)
print(cercle1.centre)
__init__ est le constructeur C’est la fonction qui est appelée à la création de l’objet.
On instancie un objet en faissant mon_objet = Classe(...) ce qui appelle __init__
self correspond à l’objet en train d’être manipulé. Il doit être passé en paramètre de toutes les fonctions de la classe (les méthodes)
Les attributs sont les variables internes qui décrivent l’état et régisse le fonctionnement de l’objet.
self.centre, self.rayon, self.couleur, self.epaisseur sont ici les attributs. Si on lit littéralement la syntaxe python on comprend self.centre
comme “le centre de l’objet en cours(le cercle en cours)”
Toutes les fonctions incluses dans la classe sont appelées des méthodes.
__init__ et deplacer sont des méthodes. Elles agissent généralement sur les attributs de l’objet mais pas nécessairement.
Les attributs et méthodes de la classe sont “dans” chaque instance d’objet (ici chaque cercle). On dit que la classe est un namespace (ou espace de
nom). Chaque variable centre est isolée dans son cercle et on peut donc réutiliser plusieurs fois le nom centre pour chaque cercle. Par contre pour y
accéder on doit préciser le cercle concerné avec la syntaxe cercle1.centre.
De même on utilise les methodes en faisant un_objet.la_methode(...)
Attention à l’indentation !!
Spaghetti code, variables globales et refactoring

Lorsqu’on enchaine simplement des instructions sans trop de structure dans un programme on arrive vite à quelque chose d’assez imprévisible et
ingérable.
On commence généralement à définir des variables globales accessibles partout pour maintenir l’état de notre programme. Plusieurs fonctions viennent
modifier de façon concurrente ces variables globales (pensez au score dans un jeu par exemple) pouvant mener à des bugs complexes.
On arrive aussi à beaucoup de code dupliqué et il devient très difficile dans ce contexte de refactorer un programme:
dès qu’on tire un spaghetti tout casse

dès qu’on veut changer un endroit il faut modifier beaucoup de choses
la compréhension du programme devient difficile pour le développeur initial et encore plus pour ses collègues.
On peut voir la programmation orientée objet comme une façon d’éviter le code spaghetti.
Intérets de la POO
La POO est critique pour garder un code structuré et compréhensible quand la complexité d’un projet augmente.
Rassembler ce qui va ensemble pour s’y retrouver

Maintenir les variables isolées à l’intérieur d’un “scope” pour évitées qu’elles ne soient modifiée n’importe quand et n’importe comment et qu’il
y ai des conflits de nom.
Fournir une façon d’architecturer un programme que tout le monde connait à peu près
Fournir un moyen efficace de programmer en évitant la répétition et favorisant la réutilisation
Créer des “boîtes noires” utilisables sans connaître leur fonctionnement interne (bien et pas bien à la fois). C’est à dire une façon de se répartir le
travail entre développeurs (chacun sa boîte qu’on maîtrise).
DRY don’t repeat yourself et couplage

La POO permet d’appliquer le principe DRY -> identifier ce qui se ressemble et le rassembler dans une méthode ou une classe.
Cela permet ensuite de modifier le code à un seul endroit pour tout changer -> puissant.
Il s’agit plus d’un ideal que d’un principe. Il ne faut pas l’appliquer à outrance parfois un peu de répétition est mieux car plus simple.
Si on factorise tout en POO on arrive souvent à un code fortement coupler qui empêche le refactoring et le programme finit par devenir fragile.
À retenir
__init__ est le constructeur
__init__ et deplacer sont des méthodes
self correspond à l’objet en train d’être manipulé
Toutes les méthodes ont au moins self comme premier argument
On utilise les methodes en faisant un_objet.la_methode(...)
self.centre, self.rayon, self.couleur, self.epaisseur sont des attributs
On instancie un objet en faissant mon_objet = Classe(...)
14. Héritage et polymorphisme

Héritage
Une classe peut hériter d’une autre pour étendre ses fonctionnalités. Inversement, cela permet de factoriser plusieurs classes ayant des fonctionnalités
communes.
Par exemple, les cercles, les carrés et les étoiles sont trois types de figures géométriques.
En tant que figure géométriques, elles ont toutes un centre, une couleur et une épaisseur utilisés pour le dessin. On peut les déplacer, et on peut calculer
leur aire.
L’héritage permet d’ordonner des objets proches en les apparentant pour s’y retrouver.
Il permet également de factoriser du code en repérant des comportements génériques utilisés dans plusieurs contextes et en les mettant dans un
parent commun.
class FigureGeometrique:
def __init__(self, centre, couleur="black", epaisseur=0.1):
raise NotImplementedError("La classe fille doit implémenter cette fonction!")
self.couleur = couleur
self.epaisseur = epaisseur
def deplacer(self, dx=0, dy=0):
self.centre = (self.centre[0]+dx, self.centre[1]+dy)
def aire(self):
raise NotImplementedError("La classe fille doit implémenter cette fonction!")
class Cercle(FigureGeometrique):
self.rayon = rayon
super().__init__(centre, couleur, epaisseur)
def aire(self):
return 3.1415 * self.rayon * self.rayon
class Carre(FigureGeometrique):
def __init__(self, centre, cote, couleur="black", epaisseur=0.1):
self.cote = cote
super().__init__(centre, couleur, epaisseur)
def aire(self):
return self.cote ** 2
cercle_rouge = Cercle((3, 5), 2, "red")
carre_vert = Carre((5, -1), 3, "green", epaisseur=0.2)
cercle_rouge.deplacer(dy=2)
carre_vert.deplacer(dx=-3)
print(carre_vert.centre) # -> affiche (2, -1)
print(carre_vert.aire()) # -> affiche 9
Les cercles et les carrés “descendent” ou “héritent” de la classe FigureGeometrique avec la syntaxe class Carre(FigureGeometrique).
La méthode deplacer de la classe mère est disponible automatiquement dans les classes filles
Ainsi pour factoriser du code on peut repèrer un comportement commun à plusieurs éléments de notre programme et on créé une classe mère avec une
méthode exprimant ce comportement de façon générique. Tous les classes fille pourront utiliser ce comportement. Si on le change plus tard il sera
changé dans tout le programme (puissant pour refactoriser le code)
Cependant il est rare qu’un comportement soit exactement identique entre deux classes. On veut souvent changer légèrement ce comportement selon la
classe utilisée. Pour cela on utilise le polymorphisme.
Polymorphisme
Surcharge de fonction
Dans le cas de l’aire de nos figures, chaque figure doit pouvoir calculer son aire mais le calcul est différent pour chaque type de figure concrête.
On définit une méthode abstraite aire dans la classe mère pour indiquer que chaque figure a une méthode aire. Comme une figure en général n’a
pas de calcul d’aire la méthode abstraite déclenche une exception (Utilisez ici NotImplementedError() qui est faite pour ça)
On redéfinit la méthode aire dans chaque classe fille. La méthode aire fille écrase ou surcharge celle de la classe mère et sera appelée à la place
de celle-ci dès qu’on veut l’aire d’une figure géométrique.
Découper le travail en méthode mère et fille avec super().methode()
Souvent on veut quand même utiliser la méthode de la classe même pour faire une partie du travail (commun à toute les classes filles) et ensuite
spécialiser le travail en ajoutant des actions suplémentaires dans la méthode fille qui surcharge la méthode mère. A cause de la surcharge la méthode
mère n’est pas du tout appelée automatiquement donc il faut le faire “manuellement”.
Exemple ci-dessus: pour créer un carré:
on appelle d’abord le constructeur de la classe mère qui initialise centre, couleur et epaisseur avec super().__init__()
Puis on initialise cote qui est un attribut du carré (mais pas du cercle donc pas dans le constructeur général)
De façon générale super() renvoie une instance de la classe mère.
Classe Abstraite
Une classe abstraite est une classe dont on ne peut pas créer d’instance. Elle est simplement là pour définir un modèle minimal que toutes les classes
fille doivent suivre (et étendre).
En Python on créé généralement une classe abstraite en levant l’exception NotImplementedError dans le constructeur __init__.
Travailler avec la classe mère
On parle de polymorphisme quand on utilise la classe abstraite pour gérer uniformément plusieurs type d’objets de classe différente et qu’on laisse le
langage choisir le comportement en fonction du contexte.
Par exemple on peut faire une liste de FigureGeometrique de différents types et afficher les aire de chacune. Python devinera automatiquement quelle
méthode appeler :
formes = [Cercle((3, 5), 2, "red"),
Carre((5, -1), 3, "green"),
Cercle((-2, 4), 5, "yellow"),
Carre((4, -2), 2, "purple")]
for forme in formes:
print(forme.aire())
(c.f. aussi autre exemple sur stack overflow)
Le polymorphisme est puissant car il permet d’économiser beaucoup de if et autre branchements:
On aurait pu écrire l’exemple précédent avec des if isinstance(figure, Cercle): par exemple mais cela aurait été beaucoup moins élégant.
À retenir
class Cercle(FigureGeometrique) fais hériter Cercle de FigureGeometrique
super().__init__(...) permet d’appeler le constructeur de la classe mère
Les classes filles disposent des méthodes de la classe mère mais peuvent les surcharger (c.f. exemple avec aire)
super().une_methode(...) permet d’appeler une_methode telle que définie dans la classe mère.
isinstance verifie l’heritage ! isinstance(cercle_rouge, FigureGeometrique) vaut True !
Tester la classe pour s’adapter

Souvent pour adapter le comportement d’un programme on veut savoir de quel type est un objet:
isinstance verifie l’heritage ! isinstance(cercle_rouge, FigureGeometrique) vaut True !
15. Encapsulation et attributs statiques

D’abord quelques astuces
dir(un_objet) : listes tous les attributs / methodes d’un objet (ou module)
Il existe aussi un_objet.__dict__
MaClasse.__subclasses__() : lister toutes les classes filles d’une classe
Attributs ‘statiques’ (partagés par tous les objets d’une classe)

Les attributs qui sont définits dans le corps de la classe et non dans le constructeurs sont statiques en python. C’est à dire que leur valeur est commune à
toutes les instances de la classe en cours d’utilisation dans le programme. Cela peut être très pratique pour maintenir une vision globale de l’état du
programme de façon sécurisée.
class FormeGeometrique():
nb_instances = 0
def __init__(self):
FormeGeometrique.nb_instances += 1
forme1 = FormeGeometrique()
print(FormeGeometrique.nb_instances)
# -> affiche 3
Méthodes statiques et méthodes de classe

… Sont deux types de méthodes rattachées à une classe mais non à une instance de la classe (un objet). On les fabrique en ajoutant les décorateurs
@staticmethod ou @classmethod sur une méthode de la classe.
La méthode statique est complètement indépendante de la classe même si rangée à l’intérieur alors que la méthode de classe récupère implicitement sa
classe comme premier argument ce qui permet de construire des objet de la classe dans le corps de la méthode
Exemple d’utilisation d’un méthode de classe

class MaCollectionDeLettre: # Réimplétation de String
def __init__(self, astring): # Build an object from a string
self._string = astring
@classmethod
def build_from_list(cls, alist): # Alternative constructor to build from a list of lettres
x = cls('') # L'argument implicite cls permet de construire un objet de la classe
x._string = ','.join(str(s) for s in alist)
return x
L’encapsulation
Nous avons évoqué dans le cours 13 qu’un des intérêts de la POO est de sécuriser les variables dans un contexte isolé pour éviter qu’elles soient
accédées à tort et à travers par différents programmeurs ce qui a tendance à créer des bugs mythiques.
Pour éviter cela on essaye au maximum d’encapsuler les attributs et les méthodes internes qui servent à faire fonctionner une classe pour éviter que les
utilisateurs de la classe (ignorants son fonctionnement) puissent pas les appeler directement et “casser” le fonctionnement de la classe.
On parle d’attributs et méthodes privés quand ils sont internes et inaccessibles.
En Python les attributs et méthodes d’un objet sont “publiques” par défaut : on peut y accéder quand on veut et donc il faut donc une façon de pouvoir
interdire leur usage:
On utilise un underscore _ devant le nom de l’attribut ou méthode pout indiquer qu’il est privé et ne doit pas être utilisé.
Exemple: self._valeurinterne = 50 ou def _mamethodeprivee(self, arg): ...
En réalité l’attribut/méthode est toujours accessible, il s’agit d’une convention mais il faut la respecter !! Par défaut les editeurs de code vous
masqueront les elements privés lors de l’autocomplétion par exemple.
Accesseurs (getters) et mutateurs (setters)

Même lorsque qu’un attribut d’objet devrait être accessible à l’utilisateur (par exemple le rayon d’un cercle), on voudrait pouvoir contrôler l’accès à cet
attribut pour que tout ce passe bien.
Par exemple éviter que l’utilisateur puisse définir un rayon négatif !!
Pour cela on créé des attributs privés et on définit des méthodes “publique”
On veut donc généralement pouvoir y donner accès à l’utilisateur de la classe selon certaines conditions.
Pour cela un définit une méthode d’accès (getter/accesseur) qui décrit comment récupérer la valeur ou une méthode de modification (setter/mutateur)
qui contrôle comment on peut modifier la valeur (et qui vous envoie balader si vous définissez un rayon négatif).
Exemple (non pythonique !)

class Cercle:
self._rayon = rayon
self._couleur = couleur
def get_couleur(self):
print("on accède à la couleur")
return self._couleur
def set_rayon(self, rayon)
assert rayon > 0, "Le rayon doit être supérieur à 0 !"
self._rayon = rayon
cercle1 = Cercle((3, 5), 2, "red")
cercle1.get_couleur()
cercle1.set_rayon(1)
cercle1.set_rayon(-1) # Erreur
Cependant en Python on ne fait généralement pas directement comme dans cet exemple !
Des attributs “dynamiques” avec @property

Le décorateur @property ajouté à une méthode permet de l’appeler comme un attribut (sans parenthèses)
class Carre(FigureGeometrique):
# [ ... ]
@property
def aire(self):
return self.cote * self.cote
carre_vert = Carre((5, -1), 3, "green", epaisseur=0.2)

print(carre_vert.aire) # N.B. : plus besoin de mettre de parenthèse ! Se comporte comme un attribut
Autre exemple avec @property

class Facture():
def __init__(self, total):
self.montant_total = total
self.montant_deja_paye = 0
@property
def montant_restant_a_payer(self):
return montant_total - montant_deja_paye
ma_facture = Facture(45)
ma_facture.montant_deja_paye += 7
print("Il reste %s à payer" % ma_facture.montant_restant_a_payer)
# -> Il reste 38 à payer
La façon pythonique de faire des getters et setters en python est donc la suivante:
@property
def toto(self):
return self.__toto
@toto.setter
def toto(self, value):
self.__toto = value # ... ou tout autre traitement
On peut ensuite accéder et modifier l’attribut toto de manière transparente :

monobjet = Objet()
monobjet.toto = "nouvelle_valeur"
print(monobjet.toto)
16. Stockage de données et ORM

Enregistrer des objets avec pickle

pickle permet de “sérialiser” et “déserialiser” des objets (ou de manière générale des structure de données) en un flux binaire (!= texte).
Sauvegarde
import pickle
ma_facture = Facture(45)
f = open("save.bin", "wb") # the 'b' in 'wb' is important !
pickle.dump(ma_facture, f)
Puis recuperation
import pickle
f = open("save.bin", "rb")
ma_facture = pickle.load(f)
Un exemple courant de POO : les ORM (Object Relationnal Mapper)

Rappels (?) sur SQL
Base de données : stocker des informations en masse et de manière efficace
On manipule des tables (des lignes, des colonnes) …
Les colonnes sont fortement typées et on peut poser des contraintes (unicité, …)
Relations entres les tables, écritures concurrentes, …
Exemple de requête :
# Create a table
CREATE TABLE members (username text, email text, memberSince date, balance real)
# Add a record
INSERT INTO members VALUES ('alice', 'alice@gmail.com', '2017-11-05', 35.14)
# Find records
SELECT * FROM members WHERE balance>0;
Orienté objet : ORM

SQL “brut” en Python
import sqlite3
conn = sqlite3.connect('example.db')
c = conn.cursor()
# Create a table
c.execute('''CREATE TABLE members
(username text, email text, memberSince date, balance real)''')
# Add a record
c.execute("INSERT INTO members VALUES ('alice', 'alice@gmail.com', '2017-11-05', 35.14)")
# Save (commit) the changes and close the connection
conn.commit()
conn.close()
Définition - Object Relational Mapping

Sauvegarder et charger des objets dans une base de donnée de type SQL de manière “transparente”
Simplifie énormément l’interface entre Python et SQL
Python <-> base SQL
classes (ou modèle) <-> tables
objets <-> lignes
attributs <-> colonnes
Gère aussi la construction et execution des requêtes (query)
Syntaxe spéciale pour définir les types et les contraintes (en fonction de la lib utilisée)
Librairie populaire et efficace : SQLAlchemy (on utilisera la surcouche ActiveAlchemy)
Exemple de classe / modèle

from active_alchemy import ActiveAlchemy
db = ActiveAlchemy('sqlite:///members.db')
class Member(db.Model):
username = db.Column(db.String(25), nullable=False, unique=True)
email = db.Column(db.String(50), nullable=True)
memberSince = db.Column(db.Date, nullable=False)
balance = db.Column(db.Float, nullable=False, default=0.0)
active = db.Column(db.Boolean, nullable=False, default=True)
Créer des tables et des objets
# Supprimer toutes les tables (attention ! dans la vraie vie on fait des migrations...)
db.drop_all()
# Initialiser toutes les tables dont il y a besoin
db.create_all()
# Créer des utilisateurs
alice = Member(name="Alice", memberSince=datetime.date(day=5, month=11, year=2017))
bob = Member(name="Bob", memberSince=datetime.date.today(), balance=15)
camille = Member(name="Camille", memberSince=datetime.date(day=7, month=10, year=2018), balance=10)
# Dire qu'on veut les enregistrer
db.session.add(alice)
db.session.add(bob)
db.session.add(camille)
# Commiter les changements
db.session.commit()
Exemple de requete (query)

all_members = Member.query().all()
active_members = Member.query()
.filter(Member.active == True)
.order_by(Member.memberSince)
for member in active_members:
print(user.name)
Exercices Partie 3
Correction 3.1 - Cercles et Cylindres
Dans cet exercice nous allons représenter des objets et calculs géométriques simples en coordonnées entières. Utilisez des annotations de types : int, -
> None, -> int et : Tuples[int ...] dès que possible. Testez régulièrement la consistance de ces types avec mypy fichier.py.
Implémenter une classe Cercle avec comme attributs un rayon rayon et les coordonnées x et y de son centre. Par exemple on pourra instancier un
cercle avec mon_cercle = Cercle(5, (3,1))
Dans la classe Cercle, implémenter une propriété aire dépendante du rayon qu’on peut appeler avec mon_cercle.aire.
Implémenter une classe Cylindre, fille de Cercle, qui est caractérisée par un rayon rayon, une hauteur hauteur et des coordonnées x, y et z. On
écrira le constructeur de Cylindre en appelant le constructeur de Cercle.
Dans la classe Cercle, implémenter une méthode intersect qui retourne True ou False suivant si deux cercles se touchent. Exemple d’utilisation :
c1.intersect(c2)
Surcharger la méthode intersect pour la classe Cylindre, en se basant sur le résultat de la méthode de la classe mère.
Correction
Correction 3.1
Correction exercice 3.2 - Jeu de carte

Une classe Carte pour représenter les éléments d’un jeu
Dans un fichier carte.py, créer une classe Carte. Une carte dispose d’une valeur (1 à 10 puis VALET, DAME et ROI) et d’une couleur
(COEUR, PIQUE, CARREAU, TREFLE). Par exemple, on pourra créer des cartes en invoquant Carte(3, 'COEUR') et Carte('ROI', 'PIQUE').
Implémenter la méthode points pour la classe Carte, qui retourne un nombre entre 1 et 13 en fonction de la valeur de la carte. Valider ce
comportement depuis un fichier main.py qui importe la classe Carte.
Implémenter la méthode __repr__ pour la classe Carte, de sorte à ce que print(Carte(3, "COEUR")) affiche <Carte 3 de COEUR>.
c = Carte("DAME", "PIQUE")
print(c.couleur)
# Affiche PIQUE
print(c.points)
# Affiche 12
print(c)
# Affiche <Carte DAME de PIQUE>
Correction 3.2 `carte.py`
Encapsulation et validation des valeurs de carte possibles
Pour sécuriser l’usage ultérieur de notre jeu de carte on aimerait que les cartes ne puissent être crées et modifiées qu’avec des valeurs correctes (les 4
couleurs et 13 valeurs précisées)
Modifiez le constructeur pour valider que les données fournies sont valides. Sinon levez une exception (on utilise conventionnellement le type
d’exception ValueError pour cela ou un type d’exception personnalisé).
Modifiez également les paramètres couleur et valeur pour les rendre privés, puis créer des accesseurs et mutateurs qui permettent d’y accéder en
mode public et de valider les données à la modification.
Correction 3.2 `carte.py`
La classe Paquet, une collection de cartes

Dans un nouveau fichier paquet.py, créer une classe Paquet correspondant à un paquet de 52 cartes. Le constructeur devra créer toute les cartes
du jeu et les stocker dans une liste ordonnée. Vous aurez probablement besoin d’importer la classe Carte. Testez le comportement de cette classe
en l’important et en l’utilisant dans main.py.
Implémenter la méthode melanger pour la classe Paquet qui mélange l’ordre des cartes.
Implémenter la méthode couper qui prends un nombre aléatoire du dessus du paquet et les place en dessous.
Implémenter la méthode piocher qui retourne la Carte du dessus du paquet (eticla l’enlève du paquet)
1.0 : Implémenter la méthode distribuer qui prends en argument un nombre de carte et un nombre de joueurs (e.g. p.distribuer(joueurs=4,
cartes=5)), pioche des cartes pour chacun des joueurs à tour de rôle, et retourne les mains correspondantes.
p = Paquet()
p.melanger()
main_alice, main_bob = p.distribuer(joueurs=2, cartes=3)
print(main_alice)
# affiche par exemple [<Carte 3 de PIQUE>, <Carte VALET de CARREAU>, <Carte 1 de trefle>]
print(p.pioche())
# affiche <Carte 9 de CARREAU>
print(main_alice[1].points())
# affiche 11
Correction 3.2 `paquet.py`

Correction 3.2 `main.py`
Correction exercice 3.3 - Introduction aux ORM avec ActiveAlchemy

On se propose de reprendre le jeu de données des apps Yunohost (Exos part 2, fichier app.yunohost.org/community.json) et d’importer ces données
dans une base SQL (plus précisémment SQLite)
Installer active_alchemy à l’aide de pip3
Créer un fichier mydb.py qui se contente de créer une base db (instance de ActiveAlchemy) de type sqlite. Dans la suite, on importera l’objet db
depuis mydb.py dans les autres fichiers si besoin.
Créer un fichier models.py et créer dedans une classe (aussi appellé modèle) App. On se limitera aux attributs (aussi appellés champs / colonnes)
suivants :
un nom qui est une chaîne de caractère unique parmis toutes les App ;
un niveau qui est un entier (ou vide) ;
une adresse qui est une chaîne de caractère unique parmis toutes les App ;
Créer un fichier nuke_and_reinit.py dont le rôle est de détruire et réinitialiser les tables, puis de les remplir avec les données du fichier json. On
utilisera pour ce faire db.drop_all() et db.create_all(). Puis, itérer sur les données du fichier json pour créer les objets App correspondant.
Commiter les changements à l’aide de db.session.add et commit.
Créer un fichier analyze.py qui cherche et affiche le nom de toutes les App connue avec un niveau supérieur ou égal à n. En utilisant l’utilitaire
bash time (ou bien avec time.time() en python), comparer les performances de analyze.py avec un script python équivalent mais qui travaille à
partir du fichier community.json directement (en local, pas via requests.get)
mydb.py
from active_alchemy import ActiveAlchemy
db = ActiveAlchemy('sqlite:///apps.db')
models.py
from mydb import db
class App(db.Model):
name = db.Column(db.String(20), unique=True, nullable=False)
level = db.Column(db.Integer, nullable=True)
url = db.Column(db.String(50), unique=True, nullable=False)
def __repr__(self):
return "<App " + self.name + ">"
nuke_and_reinit
import json
from mydb import db
from models import App
db.drop_all()
db.create_all()
with open("apps.json") as f:
apps_from_json = json.loads(f.read())
for app, infos in apps_from_json.items():

a = App(name=app, level=infos["level"], url=infos["git"]["url"])
db.session.add(a)
db.session.commit()
apps_level_3 = App.query().filter(App.level == 3)
for app in apps_level_3:
print(app.name)
Exercice 3.1 - Cercles et Cylindres

Dans cet exercice nous allons représenter des objets et calculs géométriques simples en coordonnées entières. Testez régulièrement la consistance de ces
types avec mypy fichier.py.
Implémenter une classe Cercle avec comme attributs un rayon rayon et les coordonnées x et y de son centre. Par exemple on pourra instancier un
cercle avec mon_cercle = Cercle(5, (3,1))
Dans la classe Cercle, implémenter une propriété aire dépendante du rayon qu’on peut appeler avec mon_cercle.aire.
Implémenter une classe Cylindre, fille de Cercle, qui est caractérisée par un rayon rayon, une hauteur hauteur et des coordonnées x, y et z. On
écrira le constructeur de Cylindre en appelant le constructeur de Cercle.
Surcharger la méthode aire pour la classe Cylindre, en se basant sur le résultat de la méthode de la classe mère.
Exercice 3.2 - Jeu de carte

Une classe Carte pour représenter les éléments d’un jeu
Dans un fichier carte.py, créer une classe Carte. Une carte dispose d’une valeur (1 à 10 puis VALET, DAME et ROI) et d’une couleur
(COEUR, PIQUE, CARREAU, TREFLE). Par exemple, on pourra créer des cartes en invoquant Carte(3, 'COEUR') et Carte('ROI', 'PIQUE').
Implémenter la méthode points pour la classe Carte, qui retourne un nombre entre 1 et 13 en fonction de la valeur de la carte. Valider ce
comportement depuis un fichier main.py qui importe la classe Carte.
Implémenter la méthode __repr__ pour la classe Carte, de sorte à ce que print(Carte(3, "COEUR")) affiche <Carte 3 de COEUR>.
c = Carte("DAME", "PIQUE")
print(c.couleur)
# Affiche PIQUE
print(c.points)
# Affiche 12
print(c)
# Affiche <Carte DAME de PIQUE>
Encapsulation et validation des valeurs de carte possibles
Pour sécuriser l’usage ultérieur de notre jeu de carte on aimerait que les cartes ne puissent être crées et modifiées qu’avec des valeurs correctes (les 4
couleurs et 13 valeurs précisées)
Modifiez le constructeur pour valider que les données fournies sont valides. Sinon levez une exception (on utilise conventionnellement le type
d’exception ValueError pour cela ou un type d’exception personnalisé).
Modifiez également les paramètres couleur et valeur pour les rendre privés, puis créer des accesseurs et mutateurs qui permettent d’y accéder en
mode public et de valider les données à la modification.
La classe Paquet, une collection de cartes

Dans un nouveau fichier paquet.py, créer une classe Paquet correspondant à un paquet de 52 cartes. Le constructeur devra créer toute les cartes
du jeu et les stocker dans une liste ordonnée. Vous aurez probablement besoin d’importer la classe Carte. Testez le comportement de cette classe
en l’important et en l’utilisant dans main.py.
Implémenter la méthode melanger pour la classe Paquet qui mélange l’ordre des cartes.
Implémenter la méthode couper qui prends un nombre aléatoire du dessus du paquet et les place en dessous.
Implémenter la méthode piocher qui retourne la Carte du dessus du paquet (et l’enlève du paquet)
1.0 : Implémenter la méthode distribuer qui prends en argument un nombre de carte et un nombre de joueurs (e.g. p.distribuer(joueurs=4,
cartes=5)), pioche des cartes pour chacun des joueurs à tour de rôle, et retourne les mains correspondantes.
Exercice 3.3 - Introduction aux ORM avec ActiveAlchemy

On se propose de reprendre le jeu de données des apps Yunohost (Exos part 2, fichier app.yunohost.org/community.json) et d’importer ces données
dans une base SQL (plus précisémment SQLite)
Installer active_alchemy à l’aide de pip3
Créer un fichier mydb.py qui se contente de créer une base db (instance de ActiveAlchemy) de type sqlite. Dans la suite, on importera l’objet db
depuis mydb.py dans les autres fichiers si besoin.
Créer un fichier models.py et créer dedans une classe (aussi appellé modèle) App. On se limitera aux attributs (aussi appellés champs / colonnes)
suivants :
un nom qui est une chaîne de caractère unique parmis toutes les App ;
un niveau qui est un entier (ou vide) ;
une adresse qui est une chaîne de caractère unique parmis toutes les App ;
Créer un fichier nuke_and_reinit.py dont le rôle est de détruire et réinitialiser les tables, puis de les remplir avec les données du fichier json. On
utilisera pour ce faire db.drop_all() et db.create_all(). Puis, itérer sur les données du fichier json pour créer les objets App correspondant.
Commiter les changements à l’aide de db.session.add et commit.
Créer un fichier analyze.py qui cherche et affiche le nom de toutes les App connue avec un niveau supérieur ou égal à n. En utilisant l’utilitaire
bash time (ou bien avec time.time() en python), comparer les performances de analyze.py avec un script python équivalent mais qui travaille à
partir du fichier community.json directement (en local, pas via requests.get)
Partie 4 - Python Object Model et modules

Cours 4
17. Python Object Model et sujets avancés
Python Object Model
Si on regarde un autre langage orienté objet avant Python il paraît étrange de mettre len(collection) au lieu de collection.len() (faire comme s’il
s’agissait d’un fonction plutôt que d’une méthode). Cette apparente bizarrerie est la partie émergée d’un iceberg qui, lorsqu’il est bien compris, est la
clé de ce qui est pythonique. L’iceberg est appelé le Python Object(ou Data) Model, et il décrit l’API que vous pouvez utiliser pour faire jouer vos
propres objets avec les constructions idiomatiques du langage Python. (traduction d’un paragraphe du livre Fluent Python)
Cette API (application programming interface = série de fonctions qui décrivent ce qu’on peut faire) se compose d’attributs et méthodes “spéciales” qui
sont encadrées par des doubles underscores (__ ) comme __add__.
Exemple 1: redéfinir l’addition avec __add__

On peut créer une méthode def __add__(self, autre_objet_de_la_classe): ... pour dans nos classe pour redéfinir le symbole + appliqué à nos
objets.
Exemple un vecteur 2D:

class Vector2d:
typecode = 'd'
def __init__(self, x, y):
self.x = float(x)
self.y = float(y)
def __add__(self, autre_vecteur):
return Vector2d(self.x + autre_vecteur.x, self.y + autre_vecteur.y)
nouveau_vecteur = Vector2d(3, 4) + Vector2d(3, 7) # -> Vector2d(6, 11)
On parle aussi dans ce cas de surcharge d’opérateur qui est un classique dans les langage de POO.
Exemple 2: faire de notre objet un conteneur pythonique avec __setitem__ et __getitem__

class MaCollectionEnnuyeuse:
def __init__(self, collection):
self.mesitems = list(collection)
def __getitem__(self, indice):
return self.mesitems[indice]
def __setitem__(self, indice, item_a_ajouter):
return self.mesitems[indice] = item_a_ajouter
print(MaCollectionEnnuyeuse("Hello")[0:1]) # -> Renvoie 'He'
Une fois qu’on a implémenté le minimum de l’interface on peut utiliser des fonctions python intégrées par exemple ici on peut faire directement
shuffle(MaCollectionEnnuyeuse('Diantre')) # -> Mélange les lettres de Diantre
En fait, on peut dire qu’être une liste en python c’est plus ou moins avoir les méthodes spéciales qui définissent la liste. Pareil pour le dictionnaire. Un
bon exemple de ce principe est l’itérable : tout objet qui peut renvoyer un iterateur avec __iter__ est utilisable dans une boucle for (puissant)
Exemple3 : les iterateurs

En python pour pouvoir utiliser la puissance de la boucle for on a besoin d’un objet itérateur ou d’un objet itérable c’est à dire un objet dont on peut
tirer automatiquement un itérateur.
Une liste est itérable, ce qui veut dire qu’elle possède une fonction __iter__ qui renvoie un itérateur sur ses éléments.
Un itérateur est un objet qui:
possède une méthode __next__ qui renvoie l’élément suivant de l’itération

possède une méthode __iter__ qui renvoie un objet itérateur avec lequel continuer l’itération (souvent un simple return self)
déclenche une exception de type StopIteration lorsqu’il n’y a plus d’élément à itérer
Méthodes spéciales
Il existe plein de méthodes spéciales pour implémenter toutes les syntaxes, comportements sympathiques, et fonctions de base incluses dans Python
(comme shuffle ou sort). Quelques autre:
__repr__ et __str__ : génère automatiquement une représentation de l’objet sous forme de chaîne de caractères (la première est une
représentation basique pour le debug, la deuxième prioritaire est pour une représentation plus élégante de l’objet) qui permet de faire un “joli”
print(mon_objet)
def __str__(self):
return "Cercle de couleur " + self.color + " et de rayon " + self.rayon
__eq__ : définir l’égalité entre deux objets. Très important pour faire des comparaison rapide et par exemple permettre de trier automatiquement
vos objets dans une liste. Etc
__bool__: Permet de convertir votre objet en booléen et ainsi de supporter des syntaxes comme
if mon_objet:
print("c'est bon")
else:
print("c'est pas bon")
ETC…
Cf. le livre Fluent Python et la doc officielle
Implémenter ces différentes fonctions d’API n’est pas obligation mais surtout utile pour construire du code (souvent de librairie) qui sera agréable à
utiliser pour les autre développeurs habitués à Python.
Design Patterns
En fait au delà de Python et de la POO, lorsqu’on construit des programmes on peut identifier des bonnes façon de résoudre des problèmes courants ou
qui on une forme courante qu’on retrouve souvent dans les programmes. On appelle ces méthodes/forme des Design Patterns.
Par exemple l’iterateur (Pattern Iterator) est un design pattern que le langage Python implémente à sa façon et qui propose une solution pratique au
parcours d’une collection d’objets.
Le Decorator est également un motif pour personnaliser le fonctionnement d’une fonction ou classe sans la modifier (et donc sans complexifier le code
principal) il est implémenté en python grace à une syntaxe spécifique du langage très utilisée (Cf juste après).
Ces “motifs de conception” logicielle proviennent d’un ouvrage éponyme, influent dans les années 90, du Gang of Four (Gof). En réalité c’est même
plus général que ce livre orienté POO car on peut identifier des Design Patterns dans des langages très différents par exemple fonctionnels.
Il existe pas mal d’autres Patterns non implémentés direactement dans le langage Python:
https://fr.wikipedia.org/wiki/Patron_de_conception
https://design-patterns.fr/introduction-aux-design-patterns
Décorateurs
Les décorateurs sont en Python des sortes d'“emballages” qu’on ajoute aux fonctions et au classes pour personnaliser leur comportement sans modifier
le code principal de la fonction. Concrètement les décorateurs sont des
En gros ça permet d’ajouter des prétraitements, des posttraitements et de modifier le comportement de la fonction elle
Programmes asynchrones en Python

Très bonne synthèse pour python >= 3.8 : https://www.integralist.co.uk/posts/python-asyncio/
Une synthèse de la synthèse (Perte d’information ;)) :
Un programme synchrone est un programme ou toutes les étapes de calculs sont éxecutées les unes à la suite des autres. Conséquence on attend la fin
de chaque opération avant de continuer et si une opération prend du temps l’utilisateur attend.
Un programme asynchrone est un programme qui execute diférentes étapes de calcul sans respecter l’ordre linéraire du programme. Par exemple deux
fonctions appelées en même temps et qui vont s’exécuter de façon concurrent (on les lance toutes les deux en même temps et elles se partagent les
ressources de calculs).
Pour executer des morceaux de calculs de façon concurrente il y a pas mal d’approches dont:
1. le multiprocessing : on lance plusieurs processus au niveau de l’os, un peu l’équivalent de plusieurs programme en parallèle. Ils peuvent se
répartir les multiples processeurs d’une machine ou d’un cluster. C’est intéressant pour les gros calcul mais pour faire plein de petites taches c’est
pas très intéressant car le changement de process prend du temps.
2. le multithreading : on lance un processus système avec plusieurs processus “virtuels” “légers” à l’intérieur. Les différents threads peuvent aussi
potentiellement utiliser plusieurs processeurs en même temps. Cependant le multithread est peu efficace en python (avec Cpython) à cause du
Global Interpreter Lock. On utilise peu les threads.
3. execution asynchrone dans un seul processus (asyncio basé sur une event loop): En gros les différents morceaux du code concurrents ne
s’exécutent pas “réellement” en même temps, ils se partagent le temps d’exécution d’un seul processus de calcul en se passant la main. Cette
approche n’utilise pas tous les processeurs disponibles mais est légère et facilement controlable.
Pourquoi un programme est-il lent ?
Avant de choisir une solution il faut étudier son programme pour diagnostiquer le ralentissement.
Très couramment à cause de blocages au niveau des entrées/sortie (IO) lorsqu’on attend qu’un serveur (sur le réseau ou autre) ou un device (le
disque ou autre) réponde à une demande.
Parce que le calcul est très lourd et demande plein d’opérations processeur (CPU intensive) (courant mais plus rare dans les programmes réels)
Dans le premier cas il faut utiliser l’execution asynchrone (solution 3.) en coroutine (fonction commençant par async def) avec asyncio.
Dans le deuxième cas il faut utiliser le multiprocessing (solution 1.) pour maximiser les processeurs utilisés avec concurrent.futures.
On peut combiner facilement les deux approches si nécessaire.
Concrètement avec des exemples

On commence par essayer d’accélérer son programme avec asyncio
Exemple de asyncio:
import asyncio
async def foo():
print("Foo!")
async def hello_world():
await foo() # waits for `foo()` to complete
print("Hello World!")
asyncio.run(hello_world())
Il faut s’habituer à cette façon de programmer :
se rappeler qu’une fonction async def peut se réveille périodiquement pour s’exécuter (le flux d’exécution est plus dur à imaginer)
Il faut aussi gérer la concurrence entre les coroutines (attendre un résultat dont on a besoin pour continuer le calcul d’une autre coroutine avec
await par exemple)
Exemple2 avec gather pour attendre et rassembler les résultat de plusieurs taches:
gather
import asyncio
async def foo(n):
await asyncio.sleep(5) # wait 5s before continuing
print(f"n: {n}!")
async def main():
tasks = [foo(1), foo(2), foo(3)]
await asyncio.gather(*tasks)
asyncio.run(main())
Enfin pour compléter l’approche asyncio avec du multiprocessing (au cas ou c’est le processeur qui bloque et que le programme est toujours lent) on
peut utiliser concurrent.futures et un Pool de Process (ProcessPoolExecutor).
Exemple de la doc Python ou on combine asyncio et concurrent.futures.
import asyncio
import concurrent.futures
def blocking_io():
# File operations (such as logging) can block the
# event loop: run them in a thread pool.
with open("/dev/urandom", "rb") as f:
return f.read(100)
def cpu_bound():
# CPU-bound operations will block the event loop:
# in general it is preferable to run them in a
# process pool.
return sum(i * i for i in range(10 ** 7))
async def main():
loop = asyncio.get_running_loop()
# 1. Run in the default loop's executor:
result = await loop.run_in_executor(None, blocking_io)
print("default thread pool", result)
# 2. Run in a custom thread pool:
with concurrent.futures.ThreadPoolExecutor() as pool:
result = await loop.run_in_executor(pool, blocking_io)
print("custom thread pool", result)
# 3. Run in a custom process pool:
with concurrent.futures.ProcessPoolExecutor() as pool:
result = await loop.run_in_executor(pool, cpu_bound)
print("custom process pool", result)
asyncio.run(main())
19. Organiser son code en modules, packages et librairies

Modules Python
Les modules Python sont le plus haut niveau d’organisation du code (plus que les classes).
Ils servent à regrouper des ensembles de classes et fonctions apparentées.
Un module est ce qu’on importe grace à import ou from ... import ....
Un module peut être un simple fichier

Si on met des fichiers python dans le même dossier ils constituent automatiquement des modules.
fichier mon_module.py:
ma_variable = 1
def ma_fonction(arg: int):
return ma_variable + arg
fichier mon_module2.py:
from mon_module import ma_fonction
ma_variable = 2
fichier mon_programme_principal.py
import mon_module
import mon_module2
if __name__ == "__main__"
ma_variable = 3
print(mon_module.ma_variable) # -> 1
print(mon_module2.ma_variable) # -> 2
print(ma_variable) # -> 3
print(mon_module2.ma_fonction(ma_variable))
Les modules sont des namespaces pour leurs variables : mon_module.ma_variable != mon_module2.mavariables != mavariables
Les imports de modules sont transitifs : si on importe module2 qui importe module1 alors on a module1 disponible même si on a pas importé
directement module1.
Le code d’un module est exécuté au moment de l’import (si ya un print qui traine dans le corps d’un module ça risque de se voir…)
Packages : quand on a beaucoup de code…
On ne s’y retrouve plus avec un seul module ou quelques fichiers à la racine du projet.
On met les fichiers dans plusieurs dossiers bien ordonnés
On ajoute des fichiers __init__.py dans chaque sous dossiers et ça fait un module
Exemple
Considérant les fichiers suivants :
├── main.py
└── mylib/
├── __init__.py
└── bonjour.py # <-- Contient "def dire_bonjour..."
Depuis main.py, je peux faire
from mylib.bonjour import dire_bonjour
dire_bonjour("Marius") # -> "Bonjour Marius !"
print(dire_bonjour)
# -> <function dire_bonjour at 0x7fb964fab668>
Considérant les fichiers suivants :

├── main.py
└── mylib/
├── __init__.py
└── bonjour.py # <-- Contient "def dire_bonjour..."
Depuis main.py, je peux aussi faire

from mylib import bonjour
bonjour.dire_bonjour("Marius") # -> "Bonjour Marius !"
print(bonjour)
# -> <module 'mylib.bonjour' from 'mylib/bonjour.pyc'>
Faire une librairie
Si on a besoin de le distribuer ou simplement pour le séparer du reste du code peut ensuite transformer son package en une librairie installable grâce à
un outil nommée setuptools et/ou pip.
Cf. Exercice 4.3
19. Tester son code

Pourquoi Tester ?
“Pour éviter les régressions”
Une modification à un bout du programme peut casser un autre morceau si on y prend pas garde ! Par exemple si on a changer un nom de variable mais
pas partout dans le code. Le logiciel a l’air de fonctionner.
Lorsqu’on a un gros logiciel avec une base de code python énorme on ne peut pas facilement connaître tout le code. Même sur un logiciel plus limité on
ne peut pas penser à tout.
Comme un logiciel doit pouvoir être en permanence refactorisé pour resté efficace et propre on a vraiment besoin de tests pour tout logiciel d’une
certaine taille.
Si vous codez une librairie pour d’autres développeurs/utilisateurs, ces utilisateurs veulent un maximum de tests pour garantir que vous ne laisserait pas
des bugs dans la prochaine version et qu’ils peuvent faire confiance à votre code.
Pour anticiper les bugs avant qu’ils n’arrivent
Écrire des bons test nécessite d’imaginer les cas limites de chaque fonction. Si on a oublié de gérer le cas argument = -1 par exemple au moment des
tests on peut le remarquer, le corriger et faire en sorte que le test garantisse que ce bug est évité.
Pour aider à coder le programme en réfléchissant à l’avance a ce que chaque fonction doit faire
Écrire des tests avant de coder, une pratique qu’on appelle le Test Driven Development
Deux types de tests: tests unitaires et tests d’intégrations

Unitaire: tester chaque fonction et chaque classe. Peur détecter les problèmes locaux à chaque fonction.
Intégration: tester l’application en largeur en appelant le programme ou certaines grosses partie dans un contexte plus ou moins réaliste. Pour
détecter les problèmes d’intgégration entre plusieurs parties du programme mais déclenche aussi les problèmes dans les fonctions.
Généralement les tests unitaires sont très rapides (on peut les lancer toutes les 5 minutes puisque ça prend 4 secondes)
Généralement les tests d'intégration sont plus lent puisqu’il faut initialiser toute l’application et son contexte avant de les lancer.
Test unitaire avec Pytest
Dans mylib.py
def func(x):
return x + 1
Dans tests.py
from mylib import func
def test_answer():
assert func(3) == 5
Lancer Pytest
En précisant le fichier de test un fichier: pytest tests.py ou python3 -m pytest tests.py si on utilise un environnement virtuel python.
En laissant pytest trouver tous les tests du projet : les commandes pytest ou python3 -m pytest parcourt tous les fichiers python du dossier et
considère comme des tests toutes les fonctions qui commencent par test_
Tests d’integration exemple avec Flask
Initialiser le contexte de test avec une fixture
(fixture = une fonction de préparation d’un contexte consistant pour les tests)
import os
import tempfile
import pytest
from web_app import web_app
@pytest.fixture
def client():
with web_app.test_client() as client: # une application flask propose une méthode test_client() pour mettre en place un serveur web destiné
yield client # pour chaque test la fonction client() renvoie le client de test flask
def test_compute_add_5_5(client): # la fixture client est passée en paramètre de la fonction de test
return_value = client.get('/add/5/5')
assert b'5 + 5 = 10' in return_value.data
def test_compute_add_0_0(client):
return_value = client.get('/add/0/0')
assert b'0 + 0 = 0' in return_value.data
Ces deux tests s’éxecutent en montant un serveur web et en appelant la route (~page web) correspondante. On aurait pu également initialiser une base
de données pour le site web avant de lancer les tests avec une fixture par exemple bdd.
Exercices Partie 4 - Python Object Model, modules et qualité
Exercice 4.1 - Un paquet pythonique

4.1 Utiliser les syntaxes de liste sur la classe Paquet
Plutôt que d’utiliser len(mon_paquet.cartes) pour avoir le nombre de carte on voudrait utiliser len(mon_paquet). Implémentez la méthode
spéciale __len__ pour renvoyer la longueur du paquet. Profitez-en pour empêcher que les utilisateurs de la classe modifient directement le paquet
en rendant l’attribut cartes privé. Testez votre programme en mettant à jour le code main.py
Maintenant que l’attribut cartes n’est plus censé être accessible hors de la classe, nous avons besoin d’un nouvelle méthode pour accéder à une
carte du paquet depuis le programme principal. Implémentez la méthode spéciale __getitem__ pour pouvoir accéder à une carte avec
mon_paquet[position]. Tester la dans le programme principal.
Notre Paquet ressemble maintenant beaucoup à une véritable liste python. Essayez dans le main.py d’utiliser la méthode shuffle classique de
Python pour mélanger un paquet de carte : Il manque quelque chose.
Dans l’interpréteur (python3 ou ipython3) affichez la liste des méthode de la classe paquet en utilisant dir(). Les méthodes en python sont
assignées dynamiquement aux classes et peuvent être modifiées au fur et à mesure du programme. Ajoutons une méthode __setitem__
directement depuis l’interpréteur (démo). Affichez à nouveau le dictionnaire dir() de mon_paquet pour voir la nouvelle méthode ajoutée.
Ajoutez maintenant __setitem__ dans le code de Paquet. Supprimez et remplacez la méthode melanger par shuffle dans le code du projet.
Exercice 4.2 - Un itérateur de cartes

4.2 Itérateurs de carte : génération de la suite de carte à partir d’une carte
Plutôt que de générer les 52 cartes avec une boucle for dans le constructeur du paquet on voudrait utiliser un générateur/itérateur associé à la classe
carte.
Ajoutez à carte.py une classe IterateurDeCarte pour générer la suite des cartes à partir d’un objet carte.
1. D’abord créez la classe IterateurDeCarte qui prend en argument une Carte à la création et qui possède des méthodes __next__(self) qui
retourne la carte suivante dans l’ordre des cartes et __iter__ qui lui permet de se renvoyer lui même pour continuer l’itération.
2. Ajoutez une méthode __iter__ à la classe carte qui renvoie un itérateur basée sur la carte courante.
Générez les 52 cartes du paquet à partir de notre iterateur de carte.
Ajoutez un paramètre facultatif carte_de_départ au contructeur de paquet pour commencer la génération du paquet à partie d’une carte du milieu
de la série de carte possible.
Modifiez le constructeur de la classe Carte pour qu’elle prenne en argument des valeurs et couleurs possibles qui ne soit pas les valeurs classique.
Testez cette fonctionnalité dans main.py en générant un jeu de “UNO” (sans les cartes “Joker” noire) à la place d’un jeu classique.
Bonus : d’autres générateurs de carte

Les listes sont des collections finies et les itérateurs de liste sont donc toujours finis. Cependant un itérateur n’a pas de taille en général et peut parfois
renvoyer des valeurs indéfiniment des valeurs (grace à un générateur infini par exemple).
Modifiez l’itérateur de carte pour qu’il se base sur un générateur de carte infini utilisant les nombre de la suite de fibonacci et les quatre couleurs
du UNO. (Voir correction de fibonacci dans la partie 1)
Exercice 4.3 - fancy operations - Packages, scripts et tests

4.3.1 Créer un script avec des paramètres documentés grâce à docopt
Le point de départ des exercices 4.3 à 4.5 est une librairie de calcul extrêment simple ennuyeuse puisqu’elle fournit des fonctions fancy_add,
fancy_substract et fancy_product. Pour illustrer la réutilisation du code et des bonnes pratiques de développement, nous allons cependant la packager
et l’utiliser pour contruire un outil de calcul en ligne de commande, et un autre basé sur une application web (cli_calculator.py et web_calculator).
Récupérez avec git clone le projet de base à l’adresse https://github.com/e-lie/python202011-exercice-fancy-ops.git. Ouvrez le dans VSCode.
Créez un environnement virtuel python3 dans un dossier venv pour travailler de façon isolée des autres projets et de l’environnement python du
système: virtualenv -p python3 venv.
Activez l’environnement dans votre terminal courant : source ./venv/bin/activate (deactivate pour desactiver l’environnement).
Observer les fonctions de calculs présentes dans fancy_operations.py. Créez un script cli_calculator.py qui importe ces trois fonctions et les
utilise pour faire des calculs simples.
Essayez de debugger le script dans VSCode (normalement la configuration de debug est déjà présente dans car fournit dans le fichier
.vscode/launch.json du projet).
Installons la librairie externe docopt dans notre environnement virtuel:
Ajoutez docopt à un fichier requirements.txt à la racine du projet.

Installez cette dépendance grâce au gestionnaire de paquet pip : pip install -r requirements.txt (vérifiez bien que votre venv est activé
avec source venv/bin/activate).
En vous inspirant du cours et de la documentation de docopt utilisez cette librairie pour faire en sorte que cli_calculator listops affiche la liste
des operations disponibles dans fancy_operations.py. On pourra pour cela ajouter dans fancy_operations.py un dictionnaire fancy_operations
répertoriant les operations au format { 'add': fancy_add, ... }.
4.3.2 Déplacer les fonctions de calcul dans un package de librairie

Pour ajouter une nouvelle classe vector2d à notre librairie nous allons la réorganiser en plusieurs fichiers et sous dossiers.
Créez un dossier computation_libs pour la librairie à la racine du projet. À l’intérieur créer un sous dossier fancy_int_operations pour ranger
nos fonctions.
Déplacez et rangez les fonctions fancy_add, fancy_product et le dictionnaire fancy_operations à la racine de fancy_int_operations dans un
fichier __init__.py de façon à pouvoir les importer dans cli_calculator.py sous la forme from computation_libs.fancy_int_operations import
fancy_add, fancy_product, fancy_operations.
Déplacez de même fancy_substract de façon à pouvoir l’importer comme suit : from

computation_libs.fancy_int_operations.more_fancy_operations import fancy_substract.
Vérifiez que votre script cli_calculator.py fonctionne toujours.
Ajoutez finalement la classe Vector2d suivante dans un fichier computation_libs/vector2d.py:
vector2d
`computation_libs/vector2d.py`
Documentez cette classe grâce à un doctype contenant le texte suivant A 2-dimensional vector class from the fluent python book chapter 9.
4.3.3 Finir cli_calculator

Ajoutez dans cli_calculator.py un deuxième cas d’usage docopt permettant d’appeler le script pour effectuer une operation comme suit:
python3 cli_calculator.py substract 3 4 affichera 3 - 4 = -1. On pourra préciser le symbole -, +, * en complexifiant le dictionnaire
fancy_operations pour indiquer le symbole correspondant à chaque opération.
Gérer les mauvaises entrées utilisateurs grâce à un try: ... except:. On pourra afficher un message d’erreur tel que Bad operation or operand
(should be integers) et finir le script en erreur grâce à exit(1).
4.3.4 Créer un package python d’application web : web_calculator

Dans le dépot du projet récupérez la correction intermédiaire et le début du projet flask en allant sur la branche correction_inter_flask (git
checkout <branche>).
Ajoutez la librairie web flask aux dépendances du projet et installez la avec pip.
Créez un script web_calculator.py avec le code d’une application web de base:

from flask import Flask, render_template
web_app = Flask(__name__)
@web_app.route('/')
def index():
return render_template("index.html", title="Webcalculator Home")
Testez l’application avec flask run ou le lancement VSCode Webcalculator puis visitez http://localhost:5000 dans votre navigateur.
Maintenant que cette application minimale fonction une bonne pratique est d’en faire un package:
Créez un package web_app initialisant une application flask quand on l’importe avec le code :
from flask import Flask
web_app = Flask(__name__)
Créez un fichier routes.py dans le package avec notre route index et en important correctement les modules nécessaires.
Déplacez le dossier templates dans le package également et gardez dans web_calculator.py uniquement from web_app import web_app.
Retestez l’application comme précédemment : comment cela fonctionne-t-il au niveau de l’import ?
Créez une seconde route def compute(operation, int_n, int_m): en mode GET avec comme url /<operation>/<int_n>/<int_m> qui
utilisez la librairie fancy_int_operations pour effectuer des opérations sur des entier int_n et int_m
utilise le template jinja operation.html pour afficher le résultat
on pourra bien sur debugger l’application dans VSCode ou avec ipdb pour bien comprendre l’exécution et trouver les erreurs.
Testez votre application dans le navigateur.
Pour utiliser la librairie computation_libs.fancy_int_operations nous avons du déplacer le package à l’intérieur de web_app pour le rendre accessible à
l’application web. Notre cli_calculator ne fonctionne plus du coup.
La bonne méthode pour travailler avec des packages indépendants consiste à créer un paquet pip “editable” à partir de notre package:
remettez computation_libs à la racine du projet.
ajoutez dans computation_libs un fichier de packaging setup.py utilisé par setuptools pour packer notre librairie.
mettez à l’intérieur:
from setuptools import setup, find_packages
setup(name='computation-libs', version='0.1', packages=find_packages())
- Installez la librairie avec `pip install -e ./computation_libs`
Gérez les mauvaises entrées utilisateur avec un try: except: renvoyant le cas échéant vers le template invalid.html. Testez.
4.3.4 Tester nos modules avec Pytest

Ecrire des tests unitaires pytest sur les 3 opérations de notre librairie.
Ecrire des test d’intégration sur notre application flask.
Correction:
La correction finale est dans la branche correction_finale du dépôt visible sur github ici
Exercice 4.4 - Application du design pattern observateur

4.4 Design patterns ‘Observateur’ appliquée aux chaînes Youtube
Les design patterns sont des patrons de conception qui permettent de gérer de manière des problèmes génériques qui peuvent survenir dans une grande
variété de contextes. L’une d’entre elle est la design pattern “observateur”. Il définit deux types d’entités “observables” et “observateur”. Une
observable peut être surveillée par plusieurs observateurs. Lorsque l’état de l’observable change, elle notifie alors tous les observateurs liés qui propage
alors le changements.
Concrètement, ceci peut correspondre à des éléments d’interface graphique, des capteurs de surveillances (informatique ou physique), des systemes de
logs, ou encore des comptes sur des médias sociaux lorsqu’ils postent de nouveaux messages.
(Reference plus complète : https://design-patterns.fr/observateur )
Nous proposons d’appliquer ce patron de conception pour créer un système avec des journaux / chaines youtube (observables, qui publient des articles /
videos) auxquels peuvent souscrire des personnes.
Créer deux classes Channel (chaîne youtube) et User (suceptibles de s’abonner)
Chaque Channel et User a un nom.

La classe Channel implémente des méthodes subscribe et unsubscribe qui ajoutent/enlèvent un compte observateur donné en argument.
On introduira également un attribut dans User qui liste les vidéos auxquel un compte est abonné et qui est modifié par les appel de
subscribe et unsubscribe.
La classe Channel implémente aussi une méthode notifySubscribers qui appelle compte.actualiser() pour chaque compte abonné de la
chaîne. Pour le moment, la méthode actualiser de la classe User ne fait rien (pass)
Ajoutons une méthode publish à la classe Channel qui permet d’ajouter une vidéo à la liste de vidéo de la chaíne. Chaque vidéo correspondra
uniquement à un titre et une date de publication (gérée avec la librairie datetime). Lorsque la méthode publish est appellée, elle déclenche aussi
notifySubscribers.
La méthode actualiser de la classe User s’occupe de parcourir toutes les chaines auxquelles le compte est abonné, et de récupérer le titre des 3
vidéos les plus récentes parmis toutes ses chaines. Ces 3 titres (et le nom du channel associé!) sont ensuite écris dans
latest_videos_for_{username}.txt.
Tester l’ensemble du fonctionnement avec un programme tel que:
arte = Channel("ARTE")
cestpassorcier = Channel("c'est pas sorcier")
videodechat = Channel("video de chat")
alice = User("alice")
bob = User("bob")
charlie = User("charlie")
arte.subscribe(alice)
cestpassorcier.subscribe(alice)
cestpassorcier.subscribe(bob)
videodechat.subscribe(bob)
videodechat.subscribe(charlie)
cestpassorcier.publish("Le système solaire")
arte.publish("La grenouille, un animal extraordinaire")
cestpassorcier.publish("Le génie des fourmis")
videodechat.publish("Video de chat qui fait miaou")
cestpassorcier.publish("Les chateaux forts")
Correction 4.1 - Un paquet pythonique

4.1 Utiliser les syntaxes de liste sur la classe Paquet
Plutôt que d’utiliser len(mon_paquet.cartes) pour avoir le nombre de carte on voudrait utiliser len(mon_paquet). Implémentez la méthode
spéciale __len__ pour renvoyer la longueur du paquet. Profitez-en pour empêcher que les utilisateurs de la classe modifient directement le paquet
en rendant l’attribut cartes privé. Testez votre programme en mettant à jour le code main.py
Maintenant que l’attribut cartes n’est plus censé être accessible hors de la classe, nous avons besoin d’un nouvelle méthode pour accéder à une
carte du paquet depuis le programme principal. Implémentez la méthode spéciale __getitem__ pour pouvoir accéder à une carte avec
mon_paquet[position]. Tester la dans le programme principal.
Notre Paquet ressemble maintenant beaucoup à une véritable liste python. Essayez dans le main.py d’utiliser la méthode shuffle classique de
Python pour mélanger un paquet de carte : Il manque quelque chose.
Dans l’interpréteur (python3 ou ipython3) affichez la liste des méthode de la classe paquet en utilisant dir(). Les méthodes en python sont
assignées dynamiquement aux classes et peuvent être modifiées au fur et à mesure du programme. Ajoutons une méthode __setitem__
directement depuis l’interpréteur (démo). Affichez à nouveau le dictionnaire dir() de mon_paquet pour voir la nouvelle méthode ajoutée.
Ajoutez maintenant __setitem__ dans le code de Paquet. Supprimez et remplacez la méthode melanger par shuffle dans le code du projet.
`carte.py`
`paquet.py`
`main.py`
Correction 4.2 - Un itérateur de cartes

4.2 Itérateurs de carte : génération de la suite de carte à partir d’une carte
Plutôt que de générer les 52 cartes avec une boucle for dans le constructeur du paquet on voudrait utiliser un générateur/itérateur associé à la classe
carte.
Ajoutez à carte.py une classe IterateurDeCarte pour générer la suite des cartes à partir d’un objet carte.
1. D’abord créez la classe IterateurDeCarte qui prend en argument une Carte à la création et qui possède des méthodes __next__(self) qui
retourne la carte suivante dans l’ordre des cartes et __iter__ qui lui permet de se renvoyer lui même pour continuer l’itération.
2. Ajoutez une méthode __iter__ à la classe carte qui renvoie un itérateur basée sur la carte courante.
Générez les 52 cartes du paquet à partir de notre iterateur de carte.
Ajoutez un paramètre facultatif carte_de_départ au contructeur de paquet pour commencer la génération du paquet à partie d’une carte du milieu
de la série de carte possible.
Modifiez le constructeur de la classe Carte pour qu’elle prenne en argument des valeurs et couleurs possibles qui ne soit pas les valeurs classique.
Testez cette fonctionnalité dans main.py en générant un jeu de “UNO” (sans les cartes “Joker” noire) à la place d’un jeu classique.
`carte.py`
`paquet.py`
`main.py`
Bonus : d’autres générateurs de carte

Les listes sont des collections finies et les itérateurs de liste sont donc toujours finis. Cependant un itérateur n’a pas de taille en général et peut parfois
générer indéfiniment des valeurs (grace à un générateur infini par exemple).
Modifiez l’itérateur de carte pour qu’elle se base sur un générateur de carte aléatoire infini.
Correction 4.4 - Application du design pattern observateur

4.4 Design patterns ‘Observateur’ appliquée aux chaînes Youtube

Les design patterns sont des patrons de conception qui permettent de gérer de manière des problèmes génériques qui peuvent survenir dans une grande
variété de contextes. L’une d’entre elle est la design pattern “observateur”. Il définit deux types d’entités “observables” et “observateur”. Une
observable peut être surveillée par plusieurs observateurs. Lorsque l’état de l’observable change, elle notifie alors tous les observateurs liés qui propage
alors le changements.
Concrètement, ceci peut correspondre à des éléments d’interface graphique, des capteurs de surveillances (informatique ou physique), des systemes de
logs, ou encore des comptes sur des médias sociaux lorsqu’ils postent de nouveaux messages.
(Reference plus complète : https://design-patterns.fr/observateur )
Nous proposons d’appliquer ce patron de conception pour créer un système avec des journaux / chaines youtube (observables, qui publient des articles /
videos) auxquels peuvent souscrire des personnes.
Créer deux classes Channel (chaîne youtube) et User (suceptibles de s’abonner)
Chaque Channel et User a un nom.

La classe Channel implémente des méthodes subscribe et unsubscribe qui ajoutent/enlèvent un compte observateur donné en argument.
On introduira également un attribut dans User qui liste les vidéos auxquel un compte est abonné et qui est modifié par les appel de
subscribe et unsubscribe.
La classe Channel implémente aussi une méthode notifySubscribers qui appelle compte.actualiser() pour chaque compte abonné de la
chaîne. Pour le moment, la méthode actualiser de la classe User ne fait rien (pass)
Ajoutons une méthode publish à la classe Channel qui permet d’ajouter une vidéo à la liste de vidéo de la chaíne. Chaque vidéo correspondra
uniquement à un titre et une date de publication (gérée avec la librairie datetime). Lorsque la méthode publish est appellée, elle déclenche aussi
notifySubscribers.
La méthode actualiser de la classe User s’occupe de parcourir toutes les chaines auxquelles le compte est abonné, et de récupérer le titre des 3
vidéos les plus récentes parmis toutes ses chaines. Ces 3 titres (et le nom du channel associé!) sont ensuite écris dans
latest_videos_for_{username}.txt.
Tester l’ensemble du fonctionnement avec un programme tel que:
arte = Channel("ARTE")
cestpassorcier = Channel("c'est pas sorcier")
videodechat = Channel("video de chat")
alice = User("alice")
bob = User("bob")
charlie = User("charlie")
arte.subscribe(alice)
cestpassorcier.subscribe(alice)
cestpassorcier.subscribe(bob)
videodechat.subscribe(bob)
videodechat.subscribe(charlie)
cestpassorcier.publish("Le système solaire")
arte.publish("La grenouille, un animal extraordinaire")
cestpassorcier.publish("Le génie des fourmis")
videodechat.publish("Video de chat qui fait miaou")
cestpassorcier.publish("Les chateaux forts")
correction
Introduction à Flask
Présentation
Une application web
On interagit avec au travers d’un navigateur web

Avec le navigateur, on accède à des ressources par des URL. Par exemple :
La racine du site : /
Une page avec un formulaire de contact : /contact
Une image stockée sur le site : /chat.jpg
On clique sur des liens qui vont demander d’autres ressources (GET)
On clique sur des boutons qui peuvent envoyer des informations (POST)
Pourquoi une app web ? (plutôt qu’un logiciel classique)

Pros:
Cross-platform
Mise à jour simple
Au niveau technique : distinction plus évidente entre le front et le back-end ?
Plus de possibilité et de flexibilité cosmétiques
Cons:
Moins de vie privée

Le web est un désastre au niveau CPU
Demnade de connaitre + de technos ? (HTML/CSS/JS)
Flask
Flask
En quelques mots
Un “micro-framework” pour faire du web, composé de plusieurs morceaux
Vues gérées avec Jinja (moteur de template avec une syntaxe “à la Python”)
Controleurs gérés avec Werkzeug (une URL <-> une fonction)
Modèles gérées avec SQLAlchemy (ORM : une classe <-> une table SQL)
On peut y greffer pleins d’autres modules petits modules optionnels
Pour des applications plus grosses, on préferera tout même Django qui est un framework plus complet (mais plus complexe) mais qui suis la même
logique
Virtualenv
Environnement virtuel
Isoler des paquets / dépendances pour utiliser des versions spécifiques
# La premiere fois :
sudo apt install python-virtualenv python3-virtualenv virtualenv
# Creation d'un virtualenv 'venv'
# Installation de dependances
pip3 install <une dependance...>
pip3 install <une autre dependance...>
# On développe, on teste, etc....
# Si on a fini et/ou que l'on veut "sortir" du virtualenv
deactivate
Virtualenv “de base” pour Flask

pip install Flask
pip install Flask-SQLAlchemy
Hello World en Flask
On associe l’url / à un controleur (= une fonction) qui renvoie Hello World
app = Flask(__name__)
@app.route('/')
def hello_world():
return 'Hello, World!'
Mon controleur hello_world() doit renvoyer du texte ou une “HTTP response” (par exemple, erreur 404, ou redirection, …)

Lancer le serveur web de test :
$ export FLASK_APP=hello.py
$ flask run
* Running on http://127.0.0.1:5000/
ensuite, je visite:
http://127.0.0.1:5000/ # -> Affichera 'Hello world'
On peut créer d’autres controleur pour d’autres URLs…
@app.route('/')
def hello_world():
return 'Hello, World!'
@app.route('/python')
def python():
return "Le python, c'est la vie!"
ensuite :
http://127.0.0.1:5000/python # -> Affichera 'Le python, c'est la vie!'
Créer des vues avec Jinja
Un template ressemble à :
<html>
Bonjour {{ prenom }} !
{% for app in apps %}
{{ app.name }} est niveau {{ app.level }} !
{% endfor %}
</html>
On peut l'hydrater avec par exemple ces données :
prenom = "Sacha"
apps = [ { "name": "mailman", "level": 2 },
{ "name": "wordpress", "level": 7 },
{ "name": "nextcloud", "level": 8 } ]
Rendu :
<html>
Bonjour Sacha !
mailman est niveau 2 !
wordpress est niveau 7 !
nextcloud est de niveau 8 !
</html>
En supposant que le template précédent soit situé dans templates/hello.html, je peux utiliser render_template dans mon controleur générer un rendu à
l’aide de mes données
from flask import render_template
@app.route('/')
def homepage():
apps = [ { "name": "mailman", "level": 2 },
{ "name": "wordpress", "level": 7 },
{ "name": "nextcloud", "level": 8 } ]
return render_template('hello.html',
name="Sacha",
apps=apps)
Gérer les données avec SQL Alchemy

from flask_sqlalchemy import SQLAlchemy
app.config['SQLALCHEMY_DATABASE_URI'] = 'sqlite:///./db.sqlite'
db = SQLAlchemy()
db.init_app(app)
class App(db.Model):
id = db.Column(db.Integer, primary_key=True)
name = db.Column(db.String(80), unique=True, nullable=False)
level = db.Column(db.Integer, nullable=False)
date_last_test = db.Column(db.Date, nullable=True)
Initialiser les tables

# Supprimer toutes les tables existantes (achtung!)
db.drop_all()
# Recréer toutes les tables qui vont bien
db.create_all()
Ecrire
# Creer et ajouter une app dans la database...
mailman = App(name="mailman", level=3)
db.session.add(mailman)
db.session.commit()
Lire
# Trouver toutes les apps..
App.query.all()
# Trouver toutes les apps level 7 ...
App.query.filter_by(level=7).all()
# Trouver l'app qui s'apelle mailman
App.query.filter_by(name="mailman").first()
Dans un controleur
from flask import render_template
from my_models import App
@app.route('/')
def homepage():
apps = App.query.all()
return render_template('hello.html',
prenom="Sacha",
apps=apps)
Récupérer une requête

from flask import request
@app.route('/add', methods=['POST','GET'])
def add():
return request.form["name"]+" "+request.form["level"]
Faire une redirection

from flask import redirect
@app.route('/redirect')
return redirect('/')
TP de mise en application : gestionnaire de contacts
L'architecture MVC
L’architecture MVC
Modèle = les données et la façon dont elles sont structurées…

Vue = affichage, mise en forme des données
Controleur = la logique qui gère la requête de l’utilisateur, va chercher les données qu’il faut, et les donne à manger à la vue
Pour résumer:
D’abord un utilisateur envoie une requête pour voir une page en entrant une URL
Cette requête est reçue par le Controleur
Le Controleur utilise le modèle pour trouver toutes les données dont il a besoin
Puis envoie les données à la Vue qui rend une page web
Bibliographie
Livres
Apprendre la programmation avec Python 3 (plutôt complet et orienté débutant)
Fluent Python (Ce que pythonique veut dire, comment utiliser Python proprement)
Serious Python (problématiques avancées de développement)
Tutoriels
Flask Mega Tutorial très long et développé : tutoriel pour coder une application web d’assez grande taille en Python de façon réaliste et illustrant
pleins de point du travail de développeur et d’architecture d’application Python :
Bases de données
Structuration en package
Testing
Distribution et déploiement de l’application
Articles
https://www.infoq.com/news/2012/05/DRY-code-duplication-coupling/
https://sandimetz.com/blog/2016/1/20/the-wrong-abstraction
Sites de références
https://python.org
https://stackoverflow.com
https://devdocs.io
Évènements Python
PyconFr: https://www.pycon.fr/2020/
Cherchez des RDV python près de chez vous.
Madhu,Akash2017 - Security automation with Ansible 2 - Packt
Docker
Module 2
Docker
Créer et manipuler des conteneurs
Introduction DevOps
TP 3 - Réseaux
TP 3bis - Volumes
Conclusion
QCM Docker
Bibliographie
Introduction DevOps
A propos de moi
A propos de vous
Attentes ?
Début du cursus :
Le mouvement DevOps
Du côté humain:

Aller plus loin

Modularisez et maîtrisez vos applications
Introduction
La métaphore docker : “box it, ship it”
Une abstraction qui ouvre de nouvelles possibilités pour la manipulation logicielle.
Permet de standardiser et de contrôler la livraison et le déploiement.
Retour sur les technologies de virtualisation

On compare souvent les conteneurs aux machines virtuelles. Mais ce sont de grosses simplifications parce qu’on en a un usage similaire : isoler des
programmes dans des “contextes”.
Une chose essentielle à retenir sur la différence technique : les conteneurs utilisent les mécanismes internes du
_kernel de l’OS Linux_ tandis que les VM tentent de communiquer avec l’OS (quel qu’il soit) pour directement avoir accès au matériel de
l’ordinateur.
VM : une abstraction complète pour simuler des machines
un processeur, mémoire, appels systèmes, carte réseau, carte graphique, etc.
conteneur : un découpage dans Linux pour séparer des ressources (accès à des dossiers spécifiques sur le disque, accès réseau).
Les deux technologies peuvent utiliser un système de quotas pour l’accès aux ressources matérielles (accès en lecture/écriture sur le disque, sollicitation
de la carte réseau, du processeur)
Si l’on cherche la définition d’un conteneur :
C’est un groupe de processus associé à un ensemble de permissions.
L’imaginer comme une “boîte” est donc une allégorie un peu trompeuse, car ce n’est pas de la virtualisation (= isolation au niveau matériel).
Docker Origins : genèse du concept de conteneur

Les conteneurs mettent en œuvre un vieux concept d’isolation des processus permis par la philosophie Unix du “tout est fichier”.
chroot, jail, les 6 namespaces et les cgroups

chroot
Implémenté principalement par le programme chroot [change root : changer de racine], présent dans les systèmes UNIX depuis longtemps (1979
!) :
“Comme tout est fichier, changer la racine d’un processus, c’est comme le faire changer de système”.
jail
jailest introduit par FreeBSD en 2002 pour compléter chroot et qui permet pour la première fois une isolation réelle (et sécurisée) des
processus.
chroot ne s’occupait que de l’isolation d’un process par rapport au système de fichiers :
ce n’était pas suffisant, l’idée de “tout-est-fichier” possède en réalité plusieurs exceptions

un process chrooté n’est pas isolé du reste des process et peut agir de façon non contrôlée sur le système sur plusieurs aspects
En 2005, Sun introduit les conteneurs Solaris décrits comme un « chroot sous stéroïdes » : comme les jails de FreeBSD
Les namespaces (espaces de noms)
Les namespaces, un concept informatique pour parler simplement de…
groupes séparés auxquels on donne un nom, d’ensembles de choses sur lesquelles on colle une étiquette
on parle aussi de contextes
jail était une façon de compléter chroot, pour FreeBSD.
Pour Linux, ce concept est repris via la mise en place de namespaces Linux
Les namespaces sont inventés en 2002

popularisés lors de l’inclusion des 6 types de namespaces dans le noyau Linux (3.8) en 2013
Les conteneurs ne sont finalement que plein de fonctionnalités Linux saucissonnées ensemble de façon cohérente.
Les namespaces correspondent à autant de types de compartiments nécessaires dans l’architecture Linux pour isoler des processus.
Pour la culture, 6 types de namespaces :
Les namespaces PID : “fournit l’isolation pour l’allocation des identifiants de processus (PIDs), la liste des processus et de leurs détails. Tandis
que le nouvel espace de nom est isolé de ses adjacents, les processus dans son espace de nommage « parent » voient toujours tous les processus
dans les espaces de nommage enfants — quoique avec des numéros de PID différent.”
Network namespace : “isole le contrôleur de l’interface réseau (physique ou virtuel), les règles de pare-feu iptables, les tables de routage, etc.”
Mount namespace : “permet de créer différents modèles de systèmes de fichiers, ou de créer certains points de montage en lecture-seule”
User namespace : isolates the user IDs between namespaces (dernière pièce du puzzle)
“UTS” namespace : permet de changer le nom d’hôte.
IPC namespace : isole la communication inter-processus entre les espaces de nommage.
Les cgroups : derniers détails pour une vraie isolation

Après, il reste à s’occuper de limiter la capacité d’un conteneur à agir sur les ressources matérielles :
usage de la mémoire
du disque
du réseau
des appels système
du processeur (CPU)
En 2005, Google commence le développement des cgroups : une façon de tagger les demandes de processeur et les appels systèmes pour les
grouper et les isoler.
Exemple : bloquer le système hôte depuis un simple conteneur
:(){ : | :& }; :
Ceci est une fork bomb. Dans un conteneur non privilégié, on bloque tout Docker, voire tout le système sous-jacent, en l’empêchant de créer de
nouveaux processus.
Pour éviter cela il faudrait limiter la création de processus via une option kernel.
Ex: docker run -it --ulimit nproc=3 --name fork-bomb bash
L’isolation des conteneurs n’est donc ni magique, ni automatique, ni absolue !

Correctement paramétrée, elle est tout de même assez robuste,
mature et testée.
Les conteneurs : définition

On revient à notre définition d’un conteneur :
Un conteneur est un groupe de processus associé à un ensemble de permissions sur le système.
1 container
= 1 groupe de process Linux
des namespaces (séparation entre ces groups)

des cgroups (quota en ressources matérielles)
LXC (LinuX Containers)

En 2008 démarre le projet LXC qui chercher à rassembler :
les cgroups
le chroot
les namespaces.
Originellement, Docker était basé sur LXC. Il a depuis développé son propre assemblage de ces 3 mécanismes.
Docker et LXC
En 2013, Docker commence à proposer une meilleure finition et une interface simple qui facilite l’utilisation des conteneurs LXC.
Puis il propose aussi son cloud, le Docker Hub pour faciliter la gestion d’images toutes faites de conteneurs.
Au fur et à mesure, Docker abandonne le code de LXC (mais continue d’utiliser le chroot, les cgroups et namespaces).
Le code de base de Docker (notamment runC) est open source : l'Open Container Initiative vise à standardiser et rendre robuste l’utilisation de
containers.
Bénéfices par rapport aux machines virtuelles

Docker permet de faire des “quasi-machines” avec des performances proches du natif.
Vitesse d’exécution.
Flexibilité sur les ressources (mémoire partagée).
Moins complexe que la virtualisation
Plus standard que les multiples hyperviseurs
notamment moins de bugs d’interaction entre l’hyperviseur et le noyau
Bénéfices par rapport aux machines virtuelles

VM et conteneurs proposent une flexibilité de manipulation des ressources de calcul mais les machines virtuelles sont trop lourdes pour être multipliées
librement :
elles ne sont pas efficaces pour isoler chaque application

elles ne permettent pas la transformation profonde que permettent les conteneurs :
le passage à une architecture microservices
et donc la scalabilité pour les besoins des services cloud
Avantages des machines virtuelles

Les VM se rapprochent plus du concept de “boite noire”: l’isolation se fait au niveau du matériel et non au niveau du noyau de l’OS.
même si une faille dans l’hyperviseur reste possible car l’isolation n’est pas qu’uniquement matérielle
Les VM sont-elles “plus lentes” ? Pas forcément.
La RAM est-elle un facteur limite ? Non elle n’est pas cher

Les CPU pareil : on est rarement bloqués par la puissance du CPU
Le vrai problème c’est l’I/O : l’accès en entrée-sortie au disque et au réseau
en réalité Docker peut être plus lent (par défaut) pour l’implémentation de la sécurité réseau (usage du NAT), ou l’implémentation du
réseau de Docker Swarm
pour l’accès au disque : la technologie d'overlay (qui a une place centrale dans Docker) s’améliore, surtout is on utilise un filesystem
optimisé pour cela (ZFS, btrfs…).
La comparaison VM / conteneurs est un thème extrêmement vaste et complexe.
Pourquoi utiliser Docker ?

Docker est pensé dès le départ pour faire des conteneurs applicatifs :
isoler les modules applicatifs.
gérer les dépendances en les embarquant dans le conteneur.
se baser sur l'immutabilité : la configuration d’un conteneur n’est pas faite pour être modifiée après sa création.
avoir un cycle de vie court -> logique DevOps du “bétail vs. animal de compagnie”
Pourquoi utiliser Docker ?

Docker modifie beaucoup la “logistique” applicative.
uniformisation face aux divers langages de programmation, configurations et briques logicielles
installation sans accroc et automatisation beaucoup plus facile
permet de simplifier l'intégration continue, la livraison continue et le déploiement continu
rapproche le monde du développement des opérations (tout le monde utilise la même technologie)
Permet l’adoption plus large de la logique DevOps (notamment le concept d’infrastructure as code)
Infrastructure as Code
Résumé
on décrit en mode code un état du système. Avantages :
pas de dérive de la configuration et du système (immutabilité)
on peut connaître de façon fiable l’état des composants du système
on peut travailler en collaboration plus facilement (grâce à Git notamment)
on peut faire des tests
on facilite le déploiement de nouvelles instances
Docker : positionnement sur le marché

Docker est la technologie ultra-dominante sur le marché de la conteneurisation
La simplicité d’usage et le travail de standardisation (un conteneur Docker est un conteneur OCI : format ouvert standardisé par l’Open
Container Initiative) lui garantissent légitimité et fiabilité
La logique du conteneur fonctionne, et la bonne documentation et l’écosystème aident !
LXC existe toujours et est très agréable à utiliser, notamment avec LXD (développé par Canonical, l’entreprise derrière Ubuntu).
Il a cependant un positionnement différent : faire des conteneurs pour faire tourner des OS Linux complets.
Apache Mesos : un logiciel de gestion de cluster qui permet de se passer de Docker, mais propose quand même un support pour les conteneurs
OCI (Docker) depuis 2016.
Podman : une alternative à Docker qui utilise la même syntaxe que Docker pour faire tourner des conteneurs OCI (Docker) qui propose un mode
rootless et daemonless intéressant.
systemd-nspawn : technologie de conteneurs isolés proposée par systemd

Terminologie et concepts fondamentaux
Deux concepts centraux :
Une image : un modèle pour créer un conteneur

Un conteneur : l’instance qui tourne sur la machine.
Autres concepts primordiaux :
Un volume : un espace virtuel pour gérer le stockage d’un conteneur et le partage entre conteneurs.
un registry : un serveur ou stocker des artefacts docker c’est à dire des images versionnées.
un orchestrateur : un outil qui gère automatiquement le cycle de vie des conteneurs (création/suppression).
Visualiser l’architecture Docker

Daemon - Client - images - registry
L’écosystème Docker
Docker Compose : Un outil pour décrire des applications multiconteneurs.
Docker Machine : Un outil pour gérer le déploiement Docker sur plusieurs machines depuis un hôte.
Docker Hub : Le service d’hébergement d’images proposé par Docker Inc. (le registry officiel)
L’environnement de développement
Docker Engine pour lancer des commandes docker
Docker Compose pour lancer des application multiconteneurs
Portainer, un GUI Docker
VirtualBox pour avoir une VM Linux quand on est sur Windows
Installer Docker sur Windows ou MacOS

Docker est basé sur le noyau Linux :
En production il fonctionne nécessairement sur un Linux (virtualisé ou bare metal)
Pour développer et déployer, il marche parfaitement sur MacOS et Windows mais avec une méthode de virtualisation :
virtualisation optimisée via un hyperviseur
ou virtualisation avec logiciel de virtualisation “classique” comme VMWare ou VirtualBox.
Installer Docker sur Windows

Quatre possibilités :
Solution Docker Desktop WSL2 :
Fonctionne avec Windows Subsystem for Linux : c’est une VM Linux très bien intégrée à Windows
Le meilleur des deux mondes ?
Workflow similaire à celui d’un serveur Linux
Solution VirtualBox : on utilise Docker Engine dans une VM Linux
Utilise une VM Linux avec VirtualBox

Workflow identique à celui d’un serveur Linux
Proche de la réalité de l’administration système actuelle
Installer Docker sous MacOS

Solution standard : on utilise Docker Desktop for MacOS (fonctionne avec la bibliothèque HyperKit qui fait de l’hypervision)
Solution Virtualbox / legacy : On utilise une VM Linux
Installer Docker sur Linux

Pas de virtualisation nécessaire car Docker (le Docker Engine) utilise le noyau du système natif.
On peut l’installer avec le gestionnaire de paquets de l’OS mais cette version peut être trop ancienne.
Sur Ubuntu ou CentOS la méthode conseillée est d’utiliser les paquets fournis dans le dépôt officiel Docker (vous pouvez avoir des surprises
avec la version snap d’Ubuntu).
Il faut pour cela ajouter le dépôt et les signatures du répertoire de packages Docker.
Documentation Ubuntu : https://docs.docker.com/install/linux/docker-ce/ubuntu/
Les images et conteneurs

Les images

Docker possède à la fois un module pour lancer les
applications (runtime) et un outil de build d’application.
Une image est le résultat d’un build :

on peut la voir un peu comme une boîte “modèle” : on peut l’utiliser plusieurs fois comme base de création de containers identiques,
similaires ou différents.
Pour lister les images on utilise :
docker images
docker image ls
Les conteneurs
Un conteneur est une instance en cours de fonctionnement (“vivante”) d’une image.
un conteneur en cours de fonctionnement est un processus (et ses processus enfants) qui tourne dans le Linux hôte (mais qui est isolé de
celui-ci)
Commandes Docker
Docker fonctionne avec des sous-commandes et propose de grandes quantités d’options pour chaque commande.
Utilisez --help au maximum après chaque commande, sous-commande ou sous-sous-commandes

docker image --help
Pour vérifier l’état de Docker

Les commandes de base pour connaître l’état de Docker sont :
docker info # affiche plein d'information sur l'engine avec lequel vous êtes en contact
docker ps # affiche les conteneurs en train de tourner
docker ps -a # affiche également les conteneurs arrêtés
Créer et lancer un conteneur
Docker Container Isolation

Exited (0)
Exited (0) alpine Exited (0) Exited (0)
alpine hello.txt alpine hello-w or ld

Cont ainer
ls –l /bin/ash echo hello
Instances
Docker Engine
Linux
Images
alpine hello-world
Un conteneur est une instance en cours de fonctionnement (“vivante”) d’une image.
docker run [-d] [-p port_h:port_c] [-v dossier_h:dossier_c] <image> <commande>
créé et lance le conteneur
L’ordre des arguments est important !

Un nom est automatiquement généré pour le conteneur à moins de fixer le nom avec --name
On peut facilement lancer autant d’instances que nécessaire tant qu’il n’y a pas de collision de nom ou de port.
Options docker run

Les options facultatives indiquées ici sont très courantes.
-d permet* de lancer le conteneur en mode daemon ou détaché et libérer le terminal
-p permet de mapper un port réseau entre l’intérieur et l’extérieur du conteneur, typiquement lorsqu’on veut accéder à l’application depuis
l’hôte.
-v permet de monter un volume partagé entre l’hôte et le conteneur.
--rm (comme remove) permet de supprimer le conteneur dès qu’il s’arrête.
-it permet de lancer une commande en mode interactif (un terminal comme bash).
-a (ou --attach) permet de se connecter à l’entrée-sortie du processus dans le container.
Commandes Docker
Le démarrage d’un conteneur est lié à une commande.
Si le conteneur n’a pas de commande, il s’arrête dès qu’il a fini de démarrer

docker run debian # s'arrête tout de suite
Pour utiliser une commande on peut simplement l’ajouter à la fin de la commande run.
docker run debian echo 'attendre 10s' && sleep 10 # s'arrête après 10s
Stopper et redémarrer un conteneur

docker run créé un nouveau conteneur à chaque fois.
docker stop <nom_ou_id_conteneur> # ne détruit pas le conteneur
docker start <nom_ou_id_conteneur> # le conteneur a déjà été créé
docker start --attach <nom_ou_id_conteneur> # lance le conteneur et s'attache à la sortie standard
Isolation des conteneurs

Les conteneurs sont plus que des processus, ce sont des boîtes isolées grâce aux namespaces et cgroups
Depuis l’intérieur d’un conteneur, on a l’impression d’être dans un Linux autonome.
Plus précisément, un conteneur est lié à un système de fichiers (avec des dossiers /bin, /etc, /var, des exécutables, des fichiers…), et possède des
métadonnées (stockées en json quelque part par Docker)
Les utilisateurs Unix à l’intérieur du conteneur ont des UID et GID qui existent classiquement sur l’hôte mais ils peuvent correspondre à un
utilisateur Unix sans droits sur l’hôte si on utilise les user namespaces.
Introspection de conteneur
La commande docker exec permet d’exécuter une commande à l’intérieur du conteneur s’il est lancé.
Une utilisation typique est d’introspecter un conteneur en lançant bash (ou sh).
docker exec -it <conteneur> /bin/bash
Docker Hub : télécharger des images

Une des forces de Docker vient de la distribution d’images :
pas besoin de dépendances, on récupère une boîte autonome
pas besoin de multiples versions en fonction des OS
Dans ce contexte un élément qui a fait le succès de Docker est le Docker Hub : hub.docker.com
Il s’agit d’un répertoire public et souvent gratuit d’images (officielles ou non) pour des milliers d’applications pré-configurées.
Docker Hub:
On peut y chercher et trouver presque n’importe quel logiciel au format d’image Docker.
Il suffit pour cela de chercher l’identifiant et la version de l’image désirée.
Puis utiliser docker run [<compte>/]<id_image>:<version>
La partie compte est le compte de la personne qui a poussé ses images sur le Docker Hub. Les images Docker officielles (ubuntu par exemple) ne
sont pas liées à un compte : on peut écrire simplement ubuntu:focal.
On peut aussi juste télécharger l’image : docker pull <image>
On peut également y créer un compte gratuit pour pousser et distribuer ses propres images, ou installer son propre serveur de distribution d’images
privé ou public, appelé registry.
En résumé

Premier TD : on installe Docker et on joue avec
Installer Docker sur la VM Ubuntu dans Guacamole
Accédez à votre VM via l’interface Guacamole
Pour accéder au copier-coller de Guacamole, il faut appuyer sur Ctrl+Alt+Shift et utiliser la zone de texte qui s’affiche (réappuyer sur
Ctrl+Alt+Shift pour revenir à la VM).
Pour installer Docker, suivez la documentation officielle pour installer Docker sur Ubuntu, depuis “Install using the repository” jusqu’aux deux
commandes sudo apt-get update et sudo apt-get install docker-ce docker-ce-cli containerd.io.
Docker nous propose aussi une installation en une ligne (one-liner), moins sécurisée : curl -sSL https://get.docker.com | sudo sh
Lancez sudo docker run hello-world. Bien lire le message renvoyé (le traduire sur Deepl si nécessaire). Que s’est-il passé ?
Il manque les droits pour exécuter Docker sans passer par sudo à chaque fois.
Le daemon tourne toujours en root

Un utilisateur ne peut accéder au client que s’il est membre du groupe docker
Ajoutez-le au groupe avec la commande sudo usermod -aG docker <user> (en remplaçant <user> par ce qu’il faut)
Pour actualiser la liste de groupes auquel appartient l’utilisateur, redémarrez la VM avec sudo reboot puis reconnectez-vous avec
Guacamole pour que la modification sur les groupes prenne effet.
Pour les prochaines fois, Docker nous propose aussi une installation en une ligne (one-liner) : curl -sSL https://get.docker.com | sudo sh
Autocomplétion
Pour vous faciliter la vie, ajoutez le plugin autocomplete pour Docker et Docker Compose à bash en copiant les commandes suivantes :
sudo apt update
sudo apt install bash-completion curl
sudo curl -L https://raw.githubusercontent.com/docker/compose/1.24.1/contrib/completion/bash/docker-compose -o /etc/bash_completion.d/docker-com
Important: Vous pouvez désormais appuyer sur la touche pour utiliser l’autocomplétion quand vous écrivez des commandes Docker
Pour vérifier l’installation

Les commandes de base pour connaître l’état de Docker sont :
docker info # affiche plein d'information sur l'engine avec lequel vous êtes en contact
docker ps # affiche les conteneurs en train de tourner
docker ps -a # affiche également les conteneurs arrêtés
Manipuler un conteneur
Commandes utiles : https://devhints.io/docker
Documentation docker run : https://docs.docker.com/engine/reference/run/
Mentalité :

Il faut aussi prendre l’habitude de bien lire ce que la console indique après avoir
passé vos commandes.
Avec l’aide du support et de --help, et en notant sur une feuille ou dans un fichier texte les commandes utilisées :
Lancez simplement un conteneur Debian en mode attach. Que se passe-t-il ?
Résultat :
Lancez un conteneur Debian (docker run puis les arguments nécessaires, cf. l’aide --help)n avec l’option “mode détaché” et la commande passée
au conteneur echo "Je suis le conteneur basé sur Debian". Rien n’apparaît. En effet en mode détaché la sortie standard n’est pas connectée au
terminal.
Lancez docker logs avec le nom ou l’id du conteneur. Vous devriez voir le résultat de la commande echo précédente.
Résultat :
Affichez la liste des conteneurs en cours d’exécution
Solution :
Affichez la liste des conteneurs en cours d’exécution et arrêtés.
Solution :
Lancez un conteneur debian en mode détaché avec la commande sleep 3600
Réaffichez la liste des conteneurs qui tournent
Tentez de stopper le conteneur, que se passe-t-il ?
docker stop <conteneur>
NB: On peut désigner un conteneur soit par le nom qu’on lui a donné, soit par le nom généré automatiquement, soit par son empreinte (toutes ces
informations sont indiquées dans un docker ps ou docker ps -a). L’autocomplétion fonctionne avec les deux noms.
Trouvez comment vous débarrasser d’un conteneur récalcitrant (si nécessaire, relancez un conteneur avec la commande sleep 3600 en mode
détaché).
Solution :
Tentez de lancer deux conteneurs avec le nom debian_container
Solution :
Le nom d’un conteneur doit être unique (à ne pas confondre avec le nom de l’image qui est le modèle utilisé à partir duquel est créé le conteneur).
Créez un conteneur avec le nom debian2

docker run debian -d --name debian2 sleep 500
Lancez un conteneur debian en mode interactif (options -i -t) avec la commande /bin/bash et le nom debian_interactif.
Explorer l’intérieur du conteneur : il ressemble à un OS Linux Debian normal.
Chercher sur Docker Hub

Visitez hub.docker.com
Cherchez l’image de Nginx (un serveur web), et téléchargez la dernière version (pull).
docker pull nginx
Lancez un conteneur Nginx. Notez que lorsque l’image est déjà téléchargée le lancement d’un conteneur est quasi instantané.
docker run --name "test_nginx" nginx
Ce conteneur n’est pas très utile, car on a oublié de configurer un port exposé sur localhost.
Trouvez un moyen d’accéder quand même au Nginx à partir de l’hôte Docker (indice : quelle adresse IP le conteneur possède-t-il ?).
Solution :
Arrêtez le(s) conteneur(s) nginx créé(s).

Relancez un nouveau conteneur nginx avec cette fois-ci le port correctement configuré dès le début pour pouvoir visiter votre Nginx en local.
docker run -p 8080:80 --name "test2_nginx" nginx # la syntaxe est : port_hote:port_container
En visitant l’adresse et le port associé au conteneur Nginx, on doit voir apparaître des logs Nginx dans son terminal car on a lancé le conteneur en
mode attach.
Supprimez ce conteneur. NB : On doit arrêter un conteneur avant de le supprimer, sauf si on utilise l’option “-f”.
On peut lancer des logiciels plus ambitieux, comme par exemple Funkwhale, une sorte d’iTunes en web qui fait aussi réseau social :
docker run --name funky_conteneur -p 80:80 funkwhale/all-in-one:1.0.1
Vous pouvez visiter ensuite ce conteneur Funkwhale sur le port 80 (après quelques secondes à suivre le lancement de l’application dans les logs) ! Mais
il n’y aura hélas pas de musique dedans :(
Attention à ne jamais lancer deux containers connectés au même port sur l’hôte, sinon cela échouera !
Supprimons ce conteneur :
docker rm -f funky_conteneur
Facultatif : Wordpress, MYSQL et les variables d’environnement

Lancez un conteneur Wordpress joignable sur le port 8080 à partir de l’image officielle de Wordpress du Docker Hub
Visitez ce Wordpress dans le navigateur
Nous pouvons accéder au Wordpress, mais il n’a pas encore de base MySQL configurée. Ce serait un peu dommage de configurer cette base de données
à la main. Nous allons configurer cela à partir de variables d’environnement et d’un deuxième conteneur créé à partir de l’image mysql.
Depuis Ubuntu:
Il va falloir mettre ces deux conteneurs dans le même réseau (nous verrons plus tarde ce que cela implique), créons ce réseau :
docker network create wordpress
Cherchez le conteneur mysql version 5.7 sur le Docker Hub.
Utilisons des variables d’environnement pour préciser le mot de passe root, le nom de la base de données et le nom d’utilisateur de la base de
données (trouver la documentation sur le Docker Hub).
Il va aussi falloir définir un nom pour ce conteneur
Résultat :
inspectez le conteneur MySQL avec docker inspect
Faites de même avec la documentation sur le Docker Hub pour préconfigurer l’app Wordpress.
En plus des variables d’environnement, il va falloir le mettre dans le même réseau, et exposer un port
Solution :
regardez les logs du conteneur Wordpress avec docker logs
visitez votre app Wordpress et terminez la configuration de l’application : si les deux conteneurs sont bien configurés, on ne devrait pas avoir à
configurer la connexion à la base de données
avec docker exec, visitez votre conteneur Wordpress. Pouvez-vous localiser le fichier wp-config.php ? Une fois localisé, utilisez docker cp pour
le copier sur l’hôte.
Faire du ménage
Il est temps de faire un petit docker stats pour découvrir l’utilisation du CPU et de la RAM de vos conteneurs !
Lancez la commande docker ps -aq -f status=exited. Que fait-elle ?
Combinez cette commande avec docker rm pour supprimer tous les conteneurs arrêtés (indice : en Bash, une commande entre les parenthèses de
“$()” est exécutée avant et utilisée comme chaîne de caractère dans la commande principale)
Solution :
S’il y a encore des conteneurs qui tournent (docker ps), supprimez un des conteneurs restants en utilisant l’autocomplétion et l’option adéquate
Listez les images
Supprimez une image
Que fait la commande docker image prune -a ?
Décortiquer un conteneur
En utilisant la commande docker export votre_conteneur -o conteneur.tar, puis tar -C conteneur_decompresse -xvf conteneur.tar pour
décompresser un conteneur Docker, explorez (avec l’explorateur de fichiers par exemple) jusqu’à trouver l’exécutable principal contenu dans le
conteneur.
Portainer
Portainer est un portail web pour gérer une installation Docker via une interface graphique. Il va nous faciliter la vie.
Lancer une instance de Portainer :
docker volume create portainer_data
docker run --detach --name portainer \
-p 9000:9000 \
-v portainer_data:/data \
-v /var/run/docker.sock:/var/run/docker.sock \
portainer/portainer-ce
Remarque sur la commande précédente : pour que Portainer puisse fonctionner et contrôler Docker lui-même depuis l’intérieur du conteneur il est
nécessaire de lui donner accès au socket de l’API Docker de l’hôte grâce au paramètre --volume ci-dessus.
Visitez ensuite la page http://localhost:9000 ou l’adresse IP publique de votre serveur Docker sur le port 9000 pour accéder à l’interface.
il faut choisir l’option “local” lors de la configuration
Créez votre user admin et choisir un mot de passe avec le formulaire.
Explorez l’interface de Portainer.
Créez un conteneur.
Créer une image en utilisant un Dockerfile
Jusqu’ici nous avons utilisé des images toutes prêtes.
Une des fonctionnalités principales de Docker est de pouvoir facilement construire des images à partir d’un simple fichier texte : le Dockerfile.
Le processus de build Docker

Un image Docker ressemble un peu à une VM car on peut penser à un Linux “freezé” dans un état.
En réalité c’est assez différent : il s’agit uniquement d’un système de fichier (par couches ou layers) et d’un manifeste JSON (des méta-données).
Les images sont créés en empilant de nouvelles couches sur une image existante grâce à un système de fichiers qui fait du union mount.
Chaque nouveau build génère une nouvelle image dans le répertoire des images (/var/lib/docker/images) (attention ça peut vite prendre
énormément de place)
On construit les images à partir d’un fichier Dockerfile en décrivant procéduralement (étape par étape) la construction.
Dockerfi les
Dockerfile: FROM alpine
RUN apk update && apk add nodejs
COPY . /app
WORKDIR /app
CMD ["node","index.js"]
WORKDIR /app
FROM alpine RUN apk COPY . /app CMD "node" "inde x.js"
+ + +
apk update host/index.js --> $ cd /app
apk add nodejs container/app $ node index.js
alpine
hello:v0.1
Exemple de Dockerfile :
FROM debian:latest
RUN apt update && apt install htop
CMD ['sleep 1000']
La commande pour construire l’image est :
docker build [-t tag] [-f dockerfile] <build_context>
généralement pour construire une image on se place directement dans le dossier avec le Dockerfile et les élements de contexte nécessaire
(programme, config, etc), le contexte est donc le caractère ., il est obligatoire de préciser un contexte.
exemple : docker build -t mondebian .
Le Dockerfile est un fichier procédural qui permet de décrire l’installation d’un logiciel (la configuration d’un container) en enchaînant des
instructions Dockerfile (en MAJUSCULE).
Exemple:
# our base image
FROM alpine:3.5
# Install python and pip
RUN apk add --update py2-pip
# upgrade pip
RUN pip install --upgrade pip
# install Python modules needed by the Python app
COPY requirements.txt /usr/src/app/
RUN pip install --no-cache-dir -r /usr/src/app/requirements.txt
# copy files required for the app to run
COPY app.py /usr/src/app/
COPY templates/index.html /usr/src/app/templates/
# tell the port number the container should expose
EXPOSE 5000
# run the application
CMD ["python", "/usr/src/app/app.py"]
Instruction FROM
L’image de base à partir de laquelle est construite l’image actuelle.
Instruction RUN
Permet de lancer une commande shell (installation, configuration).
Instruction ADD
Permet d’ajouter des fichier depuis le contexte de build à l’intérieur du conteneur.
Généralement utilisé pour ajouter le code du logiciel en cours de développement et sa configuration au conteneur.
Instruction CMD
Généralement à la fin du Dockerfile : elle permet de préciser la commande par défaut lancée à la création d’une instance du conteneur avec
docker run. on l’utilise avec une liste de paramètres
CMD ["echo 'Conteneur démarré'"]
Instruction ENTRYPOINT
Précise le programme de base avec lequel sera lancé la commande
ENTRYPOINT ["/usr/bin/python3"]
CMD et ENTRYPOINT
Ne surtout pas confondre avec RUN qui exécute une commande Bash uniquement pendant la construction de l’image.
L’instruction CMD a trois formes :
CMD ["executable","param1","param2"] (exec form, forme à préférer)

CMD ["param1","param2"] (combinée à une instruction ENTRYPOINT)
CMD command param1 param2 (shell form)
Si l’on souhaite que notre container lance le même exécutable à chaque fois, alors on peut opter pour l’usage d'ENTRYPOINT en combination avec CMD.
Instruction ENV
Une façon recommandée de configurer vos applications Docker est d’utiliser les variables d’environnement UNIX, ce qui permet une
configuration “au runtime”.
Instruction HEALTHCHECK
HEALTHCHECK permet de vérifier si l’app contenue dans un conteneur est en bonne santé.
HEALTHCHECK CMD curl --fail http://localhost:5000/health || exit 1
Les variables
On peut utiliser des variables d’environnement dans les Dockerfiles. La syntaxe est ${...}.
Exemple :
FROM busybox
ENV FOO=/bar
WORKDIR ${FOO} # WORKDIR /bar
ADD . $FOO # ADD . /bar
COPY \$FOO /quux # COPY $FOO /quux
Se référer au mode d’emploi pour la logique plus précise de fonctionnement des variables.
Documentation
Il existe de nombreuses autres instructions possibles très clairement décrites dans la documentation officielle :
https://docs.docker.com/engine/reference/builder/
Lancer la construction
La commande pour lancer la construction d’une image est :
docker build [-t <tag:version>] [-f <chemin_du_dockerfile>] <contexte_de_construction>
Lors de la construction, Docker télécharge l’image de base. On constate plusieurs téléchargements en parallèle.
Il lance ensuite la séquence des instructions du Dockerfile.
Observez l’historique de construction de l’image avec docker image history <image>
Il lance ensuite la série d’instructions du Dockerfile et indique un hash pour chaque étape.
C’est le hash correspondant à un layer de l’image
Les layers et la mise en cache

Docker construit les images comme une série de “couches” de fichiers successives.
On parle d'Union Filesystem car chaque couche (de fichiers) écrase la précédente.
Chaque couche correspond à une instruction du Dockerfile.
docker image history <conteneur> permet d’afficher les layers, leur date de construction et taille respectives.
Ce principe est au coeur de l'immutabilité des images Docker.
Au lancement d’un container, le Docker Engine rajoute une nouvelle couche de filesystem “normal” read/write par dessus la pile des couches de
l’image.
docker diff <container> permet d’observer les changements apportés au conteneur depuis le lancement.
Optimiser la création d’images

Les images Docker ont souvent une taille de plusieurs centaines de mégaoctets voire parfois gigaoctets. docker image ls permet de voir la taille
des images.
Or, on construit souvent plusieurs dizaines de versions d’une application par jour (souvent automatiquement sur les serveurs d’intégration
continue).
L’espace disque devient alors un sérieux problème.
Le principe de Docker est justement d’avoir des images légères car on va créer beaucoup de conteneurs (un par instance d’application/service).
De plus on télécharge souvent les images depuis un registry, ce qui consomme de la bande passante.
La principale bonne pratique dans la construction d’images est de limiter leur taille au maximum.
Limiter la taille d’une image

Choisir une image Linux de base minimale:
Une image ubuntu complète pèse déjà presque une soixantaine de mégaoctets.
mais une image trop rudimentaire (busybox) est difficile à débugger et peu bloquer pour certaines tâches à cause de binaires ou de
bibliothèques logicielles qui manquent (compilation par exemple).
Souvent on utilise des images de base construites à partir de alpine qui est un bon compromis (6 mégaoctets seulement et un gestionnaire
de paquets apk).
Par exemple python3 est fourni en version python:alpine (99 Mo), python:3-slim (179 Mo) et python:latest (918 Mo).
Les multi-stage builds

Quand on tente de réduire la taille d’une image, on a recours à un tas de techniques. Avant, on utilisait deux Dockerfile différents : un pour la version
prod, léger, et un pour la version dev, avec des outils en plus. Ce n’était pas idéal.
Par ailleurs, il existe une limite du nombre de couches maximum par
image (42 layers). Souvent on enchaînait les commandes en une seule pour économiser des couches (souvent, les commandes RUN et ADD), en y perdant
en lisibilité.
Maintenant on peut utiliser les multistage builds.
Avec les multi-stage builds, on peut utiliser plusieurs instructions FROM dans un Dockerfile. Chaque instruction FROM utilise une base différente.
On
sélectionne ensuite les fichiers intéressants (des fichiers compilés par exemple) en les copiant d’un stage à un autre.
Exemple de Dockerfile utilisant un multi-stage build :
FROM golang:1.7.3 AS builder
WORKDIR /go/src/github.com/alexellis/href-counter/
RUN go get -d -v golang.org/x/net/html
COPY app.go .
RUN CGO_ENABLED=0 GOOS=linux go build -a -installsuffix cgo -o app .
FROM alpine:latest
RUN apk --no-cache add ca-certificates
WORKDIR /root/
COPY --from=builder /go/src/github.com/alexellis/href-counter/app .
CMD ["./app"]
Créer des conteneurs personnalisés

Il n’est pas nécessaire de partir d’une image Linux vierge pour construire un conteneur.
On peut utiliser la directive FROM avec n’importe quelle image.
De nombreuses applications peuvent être configurées en étendant une image officielle
Exemple : une image Wordpress déjà adaptée à des besoins spécifiques.
L’intérêt ensuite est que l’image est disponible préconfigurée pour construire ou mettre à jour une infrastructure, ou lancer plusieurs instances
(plusieurs containers) à partir de cette image.
C’est grâce à cette fonctionnalité que Docker peut être considéré comme un outil d'infrastructure as code.
On peut également prendre une sorte de snapshot du conteneur (de son système de fichiers, pas des processus en train de tourner) sous forme
d’image avec docker commit <image> et docker push.
Publier des images vers un registry privé

Généralement les images spécifiques produites par une entreprise n’ont pas vocation à finir dans un dépôt public.
On peut installer des registries privés.
On utilise alors docker login <adresse_repo> pour se logger au registry et le nom du registry dans les tags de l’image.
Exemples de registries :
Gitlab fournit un registry très intéressant car intégré dans leur workflow DevOps.
Découverte d’une application web flask
Récupérez d’abord une application Flask exemple en la clonant :
git clone https://github.com/uptime-formation/microblog/
Ouvrez VSCode avec le dossier microblog en tapant code microblog ou bien en lançant VSCode avec code puis en cliquant sur Open Folder.
Dans VSCode, vous pouvez faire Terminal > New Terminal pour obtenir un terminal en bas de l’écran.
Observons ensemble le code dans VSCode.
Passons à Docker
Déployer une application Flask manuellement à chaque fois est relativement pénible. Pour que les dépendances de deux projets Python ne se perturbent
pas, il faut normalement utiliser un environnement virtuel virtualenv pour séparer ces deux apps.
Avec Docker, les projets sont déjà isolés dans des
conteneurs. Nous allons donc construire une image de conteneur pour empaqueter l’application et la manipuler plus facilement. Assurez-vous que
Docker est installé.
Pour connaître la liste des instructions des Dockerfiles et leur usage, se référer au manuel de référence sur les Dockerfiles.
Dans le dossier du projet ajoutez un fichier nommé Dockerfile et sauvegardez-le
Normalement, VSCode vous propose d’ajouter l’extension Docker. Il va nous faciliter la vie, installez-le. Une nouvelle icône apparaît dans la
barre latérale de gauche, vous pouvez y voir les images téléchargées et les conteneurs existants. L’extension ajoute aussi des informations utiles
aux instructions Dockerfile quand vous survolez un mot-clé avec la souris.
Ajoutez en haut du fichier : FROM ubuntu:latest Cette commande indique que notre image de base est la dernière version de la distribution
Ubuntu.
Nous pouvons déjà contruire un conteneur à partir de ce modèle Ubuntu vide :

docker build -t microblog .
Une fois la construction terminée lancez le conteneur.
Le conteneur s’arrête immédiatement. En effet il ne contient aucune commande bloquante et nous n’avons précisé aucune commande au
lancement. Pour pouvoir observer le conteneur convenablement il fautdrait faire tourner quelque chose à l’intérieur. Ajoutez à la fin du fichier la
ligne :
CMD ["/bin/sleep", "3600"]
Cette ligne indique au conteneur d’attendre pendant 3600 secondes comme au TP précédent.
Reconstruisez l’image et relancez un conteneur
Affichez la liste des conteneurs en train de fonctionner
Nous allons maintenant rentrer dans le conteneur en ligne de commande pour observer. Utilisez la commande : docker exec -it
<id_du_conteneur> /bin/bash
Vous êtes maintenant dans le conteneur avec une invite de commande. Utilisez quelques commandes Linux pour le visiter rapidement (ls, cd…).
Il s’agit d’un Linux standard, mais il n’est pas conçu pour être utilisé comme un système complet, juste pour une application isolée. Il faut
maintenant ajouter notre application Flask à l’intérieur. Dans le Dockerfile supprimez la ligne CMD, puis ajoutez :
RUN apt-get update -y
RUN apt-get install -y python3-pip
Reconstruisez votre image. Si tout se passe bien, poursuivez.
Pour installer les dépendances python et configurer la variable d’environnement Flask ajoutez:
COPY ./requirements.txt /requirements.txt
RUN pip3 install -r requirements.txt
ENV FLASK_APP microblog.py
Reconstruisez votre image. Si tout se passe bien, poursuivez.
Ensuite, copions le code de l’application à l’intérieur du conteneur. Pour cela ajoutez les lignes :
COPY ./ /microblog
WORKDIR /microblog
Cette première ligne indique de copier tout le contenu du dossier courant sur l’hôte dans un dossier /microblog à l’intérieur du conteneur.
Nous n’avons
pas copié les requirements en même temps pour pouvoir tirer partie des fonctionnalités de cache de Docker, et ne pas avoir à retélécharger les
dépendances de l’application à chaque fois que l’on modifie le contenu de l’app.
Puis, dans la 2e ligne, le dossier courant dans le conteneur est déplacé à /.
Reconstruisez votre image. Observons que le build recommence à partir de l’instruction modifiée. Les layers précédents avaient été mis en
cache par le Docker Engine.
Si tout se passe bien, poursuivez.
Enfin, ajoutons la section de démarrage à la fin du Dockerfile, c’est un script appelé boot.sh :
CMD ["./boot.sh"]
Reconstruisez l’image et lancez un conteneur basé sur l’image en ouvrant le port 5000 avec la commande : docker run -p 5000:5000 microblog
Naviguez dans le navigateur à l’adresse localhost:5000 pour admirer le prototype microblog.
Lancez un deuxième container cette fois avec : docker run -d -p 5001:5000 microblog
Une deuxième instance de l’app est maintenant en fonctionnement et accessible à l’adresse localhost:5001
Docker Hub
Avec docker login, docker tag et docker push, poussez l’image microblog sur le Docker Hub. Créez un compte sur le Docker Hub le cas
échéant.
Solution :
Améliorer le Dockerfile
Une image plus simple
A l’aide de l’image python:3.9-alpine et en remplaçant les instructions nécessaires (pas besoin d’installer python3-pip car ce programme est
désormais inclus dans l’image de base), repackagez l’app microblog en une image taggée microblog:slim ou microblog:light. Comparez la taille
entre les deux images ainsi construites.
Faire varier la configuration en fonction de l’environnement
Le serveur de développement Flask est bien pratique pour debugger en situation de développement, mais n’est pas adapté à la production.
Nous
pourrions créer deux images pour les deux situations mais ce serait aller contre l’impératif DevOps de rapprochement du dev et de la prod.
Pour démarrer l’application, nous avons fait appel à un script de boot boot.sh avec à l’intérieur :
#!/bin/bash
# ...
set -e
if [ "$CONTEXT" = 'DEV' ]; then
echo "Running Development Server"
FLASK_ENV=development exec flask run -h 0.0.0.0
else
echo "Running Production Server"
exec gunicorn -b :5000 --access-logfile - --error-logfile - app_name:app
fi
Déclarez maintenant dans le Dockerfile la variable d’environnement CONTEXT avec comme valeur par défaut PROD.
Construisez l’image avec build.
Puis, grâce aux bons arguments allant avec docker run, lancez une instance de l’app en configuration PROD et une instance en environnement DEV
(joignables sur deux ports différents).
Avec docker ps ou en lisant les logs, vérifiez qu’il existe bien une différence dans le programme lancé.
Exposer le port
Ajoutons l’instruction EXPOSE 5000 pour indiquer à Docker que cette app est censée être accédée via son port 5000.
NB : Publier le port grâce à l’option -p port_de_l-hote:port_du_container reste nécessaire, l’instruction EXPOSE n’est là qu’à titre de
documentation de l’image.
Dockerfile amélioré
`Dockerfile` final :
L’instruction HEALTHCHECK
HEALTHCHECK permet de vérifier si l’app contenue dans un conteneur est en bonne santé.
Dans un nouveau dossier ou répertoire, créez un fichier Dockerfile dont le contenu est le suivant :
FROM python:alpine
RUN apk add curl
RUN pip install flask
ADD /app.py /app/app.py
WORKDIR /app
EXPOSE 5000
HEALTHCHECK CMD curl --fail http://localhost:5000/health || exit 1
CMD python app.py
Créez aussi un fichier app.py avec ce contenu :
healthy = True
@app.route('/health')
def health():
global healthy
if healthy:
return 'OK', 200
else:
return 'NOT OK', 500
@app.route('/kill')
def kill():
global healthy
healthy = False
return 'You have killed your app.', 200
if __name__ == "__main__":
app.run(host="0.0.0.0")
Observez bien le code Python et la ligne HEALTHCHECK du Dockerfile puis lancez l’app. A l’aide de docker ps, relevez où Docker indique la santé
de votre app.
Visitez l’URL /kill de votre app dans un navigateur. Refaites docker ps. Que s’est-il passé ?
(Facultatif) Rajoutez une instruction HEALTHCHECK au Dockerfile de notre app microblog.
Facultatif : construire une image “à la main”

Avec docker commit, trouvons comment ajouter une couche à une image existante.
La commande docker diff peut aussi être utile.
Solution :
Facultatif : Décortiquer une image

Une image est composée de plusieurs layers empilés entre eux par le Docker Engine et de métadonnées.
Affichez la liste des images présentes dans votre Docker Engine.
Inspectez la dernière image que vous venez de créez (docker image --help pour trouver la commande)
Observez l’historique de construction de l’image avec docker image history <image>
Visitons en root (sudo su) le dossier /var/lib/docker/ sur l’hôte. En particulier, image/overlay2/layerdb/sha256/ :
On y trouve une sorte de base de données de tous les layers d’images avec leurs ancêtres.
Il s’agit d’une arborescence.
Vous pouvez aussi utiliser la commande docker save votre_image -o image.tar, et utiliser tar -C image_decompressee/ -xvf image.tar pour
décompresser une image Docker puis explorer les différents layers de l’image.
Pour explorer la hiérarchie des images vous pouvez installer https://github.com/wagoodman/dive
Facultatif : un Registry privé

En récupérant la commande indiquée dans la doc officielle, créez votre propre registry.
Puis trouvez comment y pousser une image dessus.
Enfin, supprimez votre image en local et récupérez-la depuis votre registry.
Solution :
Facultatif : Faire parler la vache

Créons un nouveau Dockerfile qui permet de faire dire des choses à une vache grâce à la commande cowsay.
Le but est de faire fonctionner notre
programme dans un conteneur à partir de commandes de type :
docker run --rm cowsay Coucou !
docker run --rm cowsay -f stegosaurus Yo!
docker run --rm cowsay -f elephant-in-snake Un éléphant dans un boa.
Doit-on utiliser la commande ENTRYPOINT ou la commande CMD ? Se référer au manuel de référence sur les Dockerfiles si besoin.
Pour information, cowsay s’installe dans /usr/games/cowsay.
La liste des options (incontournables) de cowsay se trouve ici : https://debian-facile.org/doc:jeux:cowsay
Solution :
L’instruction ENTRYPOINT et la gestion des entrées-sorties des programmes dans les Dockerfiles peut être un peu capricieuse et il faut parfois avoir
de bonnes notions de Bash et de Linux pour comprendre (et bien lire la documentation Docker).
On utilise parfois des conteneurs juste pour qu’ils s’exécutent une fois (pour récupérer le résultat dans la console, ou générer des fichiers). On
utilise alors l’option --rm pour les supprimer dès qu’ils s’arrêtent.
Facultatif : Un multi-stage build

Transformez le Dockerfile de l’app dnmonster située à l’adresse suivante pour réaliser un multi-stage build afin d’obtenir l’image finale la plus légère
possible :
https://github.com/amouat/dnmonster/
La documentation pour les multi-stage builds est à cette adresse : https://docs.docker.com/develop/develop-images/multistage-build/
Cycle de vie d’un conteneur
Un conteneur a un cycle de vie très court: il doit pouvoir être créé et supprimé rapidement même en contexte de production.
Conséquences :
On a besoin de mécanismes d’autoconfiguration, en particuler réseau car les IP des différents conteneur changent tout le temps.
On ne peut pas garder les données persistantes dans le conteneur.
Solutions :
Des réseaux dynamiques par défaut automatiques (DHCP mais surtout DNS automatiques)
Des volumes (partagés ou non, distribués ou non) montés dans les conteneurs
Réseau
Gestion des ports réseaux (port mapping)
L’instruction EXPOSE dans le Dockerfile informe Docker que le conteneur écoute sur les ports réseau au lancement. L’instruction EXPOSE ne publie
pas les ports. C’est une sorte de documentation entre la personne qui construit les images et la personne qui lance le conteneur à propos
des ports que l’on souhaite publier.
Par défaut les conteneurs n’ouvrent donc pas de port même s’ils sont déclarés avec EXPOSE dans le Dockerfile.
Pour publier un port au lancement d’un conteneur, c’est l’option -p <port_host>:<port_guest> de docker run.
Instruction port: d’un compose file.
Bridge et overlay
Un réseau bridge est une façon de créer un pont entre deux carte réseaux pour construire un réseau à partir de deux.
Par défaut les réseaux docker fonctionne en bridge (le réseau de chaque conteneur est bridgé à un réseau virtuel docker)
par défaut les adresses sont en 172.0.0.0/8, typiquement chaque hôte définit le bloc d’IP 172.17.0.0/16 configuré avec DHCP.
Un réseau overlay est un réseau virtuel privé déployé par dessus un réseau existant (typiquement public). Pour par exemple faire un cloud multi-
datacenters.
Le réseau Docker est très automatique
Serveur DNS et DHCP intégré dans le “user-defined network” (c’est une solution IPAM)
Donne un nom de domaine automatique à chaque conteneur.
Mais ne pas avoir peur d’aller voir comment on perçoit le réseau de l’intérieur. Nécessaire pour bien contrôler le réseau.
ingress : un loadbalancer automatiquement connecté aux nœuds d’un Swarm. Voir la doc sur les réseaux overlay.
Lier des conteneurs
Aujourd’hui il faut utiliser un réseau dédié créé par l’utilisateur (“user-defined bridge network”)
avec l’option --network de docker run

avec l’instruction networks: dans un docker composer
On peut aussi créer un lien entre des conteneurs
avec l’option --link de docker run

avec l’instruction link: dans un docker composer
MAIS cette fonctionnalité est obsolète et déconseillée
Plugins réseaux
Il existe :
les réseaux par défaut de Docker

plusieurs autres solutions spécifiques de réseau disponibles pour des questions de performance et de sécurité
Ex. : Weave Net pour un cluster Docker Swarm
fournit une autoconfiguration très simple
de la sécurité
un DNS qui permet de simuler de la découverte de service
Du multicast UDP
Volumes
Les volumes Docker via la sous-commande volume
docker volume ls
docker volume inspect
docker volume prune
docker volume create
docker volume rm
Bind mounting
Lorsqu’un répertoire hôte spécifique est utilisé dans un volume (la syntaxe -v HOST_DIR:CONTAINER_DIR), elle est souvent appelée bind mounting
(“montage lié”).
C’est quelque peu trompeur, car tous les volumes sont techniquement “bind mounted”. La particularité, c’est que le point de montage
sur l’hôte est explicite plutôt que caché dans un répertoire appartenant à Docker.
Exemple :
# Sur l'hôte
docker run -it -v /home/user/app/config.conf:/config/main.conf:ro -v /home/user/app/data:/data ubuntu /bin/bash
# Dans le conteneur
cd /data/
touch testfile
exit
# Sur l'hôte
ls /home/user/app/data:
Volumes nommés
L’autre technique est de créer d’abord un volume nommé avec :
docker volume create mon_volume
docker run -d -v mon_volume:/data redis
L’instruction VOLUME dans un Dockerfile
L’instruction VOLUME dans un Dockerfile permet de désigner les volumes qui devront être créés lors du lancement du conteneur. On précise ensuite avec
l’option -v de docker run à quoi connecter ces volumes. Si on ne le précise pas, Docker crée quand même un volume Docker au nom généré
aléatoirement, un volume “caché”.
Partager des données avec un volume
Pour partager des données on peut monter le même volume dans plusieurs conteneurs.
Pour lancer un conteneur avec les volumes d’un autre conteneur déjà montés on peut utiliser --volumes-from <container>
On peut aussi créer le volume à l’avance et l’attacher après coup à un conteneur.
Par défaut le driver de volume est local c’est-à-dire qu’un dossier est créé sur le disque de l’hôte.
docker volume create --driver local \
--opt type=btrfs \
--opt device=/dev/sda2 \
monVolume
Plugins de volumes
On peut utiliser d’autres systèmes de stockage en installant de nouveau plugins de driver de volume. Par exemple, le plugin vieux/sshfs permet de
piloter un volume distant via SSH.
Exemples:
SSHFS (utilisation d’un dossier distant via SSH)

NFS (protocole NFS)
BeeGFS (système de fichier distribué générique)
Amazon EBS (vendor specific)
etc.
docker volume create -d vieux/sshfs -o sshcmd=<sshcmd> -o allow_other sshvolume
docker run -p 8080:8080 -v sshvolume:/path/to/folder --name test someimage
Ou via docker-compose :
volumes:
sshfsdata:
driver: vieux/sshfs:latest
driver_opts:
sshcmd: "username@server:/location/on/the/server"
allow_other: ""
Permissions
Un volume est créé avec les permissions du dossier préexistant.
FROM debian
RUN groupadd -r graphite && useradd -r -g graphite graphite
RUN mkdir -p /data/graphite && chown -R graphite:graphite /data/graphite
VOLUME /data/graphite
USER graphite
CMD ["echo", "Data container for graphite"]
Backups de volumes
Pour effectuer un backup la méthode recommandée est d’utiliser un conteneur suplémentaire dédié
qui accède au volume avec --volume-from
qui est identique aux autres et donc normalement avec les mêmes UID/GID/permissions.
TP 3 - Réseaux
Portainer
Si vous aviez déjà créé le conteneur Portainer, vous pouvez le relancer en faisant docker start portainer, sinon créez-le comme suit :
-p 9000:9000 \
Partie 1 : Docker networking

Pour expérimenter avec le réseau, nous allons lancer une petite application nodejs d’exemple (moby-counter) qui fonctionne avec une file (queue) redis
(comme une base de données mais pour stocker des paires clé/valeur simples).
Récupérons les images depuis Docker Hub:
docker image pull redis:alpine
docker image pull russmckendrick/moby-counter
Lancez la commande ip -br a pour lister vos interfaces réseau
Pour connecter les deux applications créons un réseau manuellement:
docker network create moby-network
Docker implémente ces réseaux virtuels en créant des interfaces. Lancez la commande ip -br a de nouveau et comparez. Qu’est-ce qui a changé ?
Maintenant, lançons les deux applications en utilisant notre réseau :
docker run -d --name redis --network <réseau> redis:alpine
docker run -d --name moby-counter --network <réseau> -p 80:80 russmckendrick/moby-counter
Visitez la page de notre application. Qu’en pensez vous ? Moby est le nom de la mascotte Docker 🐳 😊. Faites un motif en cliquant.
Comment notre application se connecte-t-elle au conteneur redis ? Elle utilise ces instructions JS dans son fichier server.js:
var port = opts.redis_port || process.env.USE_REDIS_PORT || 6379;
var host = opts.redis_host || process.env.USE_REDIS_HOST || "redis";
En résumé par défaut, notre application se connecte sur l’hôte redis avec le port 6379
Explorons un peu notre réseau Docker.
Exécutez (docker exec) la commande ping -c 3 redis à l’intérieur de notre conteneur applicatif (moby-counter donc). Quelle est l’adresse IP
affichée ?
docker exec moby-counter ping -c3 redis
De même, affichez le contenu des fichiers /etc/hosts du conteneur (c’est la commande cat couplée avec docker exec). Nous constatons que
Docker a automatiquement configuré l’IP externe du conteneur dans lequel on est avec l’identifiant du conteneur.
Qu’est-ce que Docker fournit qui permet que ce ping fonctionne ?
Pour s’en assurer, interrogeons le serveur DNS de notre réseau moby-network en lançant la commande nslookup redis grâce à docker exec :
docker exec moby-counter nslookup redis
Créez un deuxième réseau moby-network2
Créez une deuxième instance de l’application dans ce réseau : docker run -d --name moby-counter2 --network moby-network2 -p 9090:80
russmckendrick/moby-counter
Lorsque vous pingez redis depuis cette nouvelle instance moby-counter2, qu’obtenez-vous ? Pourquoi ?
Vous ne pouvez pas avoir deux conteneurs avec les mêmes noms, comme nous l’avons déjà découvert.
Par contre, notre deuxième réseau fonctionne
complètement isolé de notre premier réseau, ce qui signifie que nous pouvons toujours utiliser le nom de domaine redis. Pour ce faire, nous devons
spécifier l’option --network-alias :
Créons un deuxième redis avec le même domaine: docker run -d --name redis2 --network moby-network2 --network-alias redis
redis:alpine
Lorsque vous pingez redis depuis cette nouvelle instance de l’application, quelle IP obtenez-vous ?
Lancez nslookup redis dans le conteneur moby-counter2 pour tester la résolution de DNS.
Vous pouvez retrouver la configuration du réseau et les conteneurs qui lui sont reliés avec docker network inspect moby-network2.
Notez la
section IPAM (IP Address Management).
Arrêtons nos conteneurs : docker stop moby-counter2 redis2.
Pour faire rapidement le ménage des conteneurs arrêtés lancez docker container prune.
De même docker network prune permet de faire le ménage des réseaux qui ne sont plus utilisés par aucun conteneur.
TP 3bis - Volumes
Portainer
Si vous aviez déjà créé le conteneur Portainer, vous pouvez le relancer en faisant docker start portainer, sinon créez-le comme suit :
-p 9000:9000 \
Remarque sur la commande précédente : pour que Portainer puisse fonctionner et contrôler Docker lui-même depuis l’intérieur du conteneur il est
nécessaire de lui donner accès au socket de l’API Docker de l’hôte grâce au paramètre --volume ci-dessus.
Visitez ensuite la page http://localhost:9000 pour accéder à l’interface.
Créez votre user admin avec le formulaire.
Explorez l’interface de Portainer.
Partie 2 : Volumes Docker

Introduction aux volumes
Pour comprendre ce qu’est un volume, lançons un conteneur en mode interactif et associons-y le dossier /tmp/dossier-hote de l’hôte au dossier
/dossier-conteneur sur le conteneur :
docker run -it -v /tmp/dossier-hote:/dossier-conteneur ubuntu /bin/bash
Dans le conteneur, navigons dans ce dossier et créons-y un fichier :
cd /dossier-conteneur/
touch test-depuis-conteneur
Sortons ensuite de ce conteneur avec la commande exit

exit
Après être sorti·e du conteneur, listons le contenu du dossier sur l’hôte avec la commande suivante ou avec le navigateur de fichiers d’Ubuntu :
ls /tmp/dossier-hote/
Le fichier test-depuis-conteneur a été crée par le conteneur au dossier que l’on avait connecté grâce à -v /tmp/dossier-hote:/dossier-conteneur
Tentez de créer un fichier depuis l’hôte dans ce dossier. Que se passe-t-il ? Que faut-il faire ? Pourquoi ?
L’app moby-counter, Redis et les volumes

Pour ne pas interférer avec la deuxième partie du TP :
Stoppez tous les conteneurs redis et moby-counter avec docker stop ou avec Portainer.
Supprimez les conteneurs arrêtés avec docker container prune
Lancez docker volume prune pour faire le ménage de volume éventuellement créés dans les TPs précédent
Lancez aussi docker network prune pour nettoyer les réseaux inutilisés
Volumes nommés
Lorsqu’un répertoire hôte spécifique est utilisé dans un volume (la syntaxe -v HOST_DIR:CONTAINER_DIR), elle est souvent appelée bind mounting.
C’est
quelque peu trompeur, car tous les volumes sont techniquement “bind mounted”. La différence, c’est que le point de montage est explicite plutôt que
caché dans un répertoire géré par Docker.
Nous allons recréer un conteneur avec cette fois-ci un volume nommé.
En effet, la bonne façon de créer des volumes consiste à les créer manuellement dans un premier temps (volumes nommés), puis d’y associer un
conteneur : docker volume create redis_data.
Lancez docker volume inspect redis_data.
Créez le conteneur moby-counter à l’intérieur :
docker network create moby-network

docker run -d --network moby-network --name moby-counter -p 8000:80 russmckendrick/moby-counter
Puis, à l’aide de la documentation disponible sur le Docker Hub, trouvons le point de montage où connecter un conteneur Redis pour que ses
données persistent à la suppression du conteneur.
créons le conteneur Redis connecté à notre volume nommé (il faut remplacer __VOLUME__:__POINT_DE_MONTAGE__ par les bonnes informations) :
docker run -d --name redis --network moby-network --volume __VOLUME__:__POINT_DE_MONTAGE__ redis
Récupérer un volume d’un conteneur supprimé

supprimez le conteneur redis : docker stop redis puis docker rm redis
recréons le conteneur redis, mais par erreur nous allons oublier de le connecter à un volume à la création :
docker run -d --name redis --network moby-network redis
docker run -d --name moby-counter --network moby-network -p 8000:80 russmckendrick/moby-counter
Visitez votre application dans le navigateur. Faites un motif reconnaissable en cliquant.
supprimez le nouveau conteneur redis : docker stop redis puis docker rm redis
Visitez votre application dans le navigateur. Elle est maintenant déconnectée de son backend.
Avons-nous vraiment perdu les données de notre conteneur précédent ? Non !

Le Dockerfile pour l’image officielle Redis ressemble à ça :
FROM alpine:3.5
RUN addgroup -S redis && adduser -S -G redis redis
RUN apk add --no-cache 'su-exec>=0.2'
ENV REDIS_VERSION 3.0.7
ENV REDIS_DOWNLOAD_URL http://download.redis.io/releases/redis-3.0.7.tar.gz
ENV REDIS_DOWNLOAD_SHA e56b4b7e033ae8dbf311f9191cf6fdf3ae974d1c
RUN set -x \
&& apk add --no-cache --virtual .build-deps \
gcc \
linux-headers \
make \
musl-dev \
tar \
&& wget -O redis.tar.gz "$REDIS_DOWNLOAD_URL" \
&& echo "$REDIS_DOWNLOAD_SHA \*redis.tar.gz" | sha1sum -c - \
&& mkdir -p /usr/src/redis \
&& tar -xzf redis.tar.gz -C /usr/src/redis --strip-components=1 \
&& rm redis.tar.gz \
&& make -C /usr/src/redis \
&& make -C /usr/src/redis install \
&& rm -r /usr/src/redis \
&& apk del .build-deps
RUN mkdir /data && chown redis:redis /data
VOLUME /data
WORKDIR /data
COPY docker-entrypoint.sh /usr/local/bin/
RUN ln -s usr/local/bin/docker-entrypoint.sh /entrypoint.sh # backwards compat
ENTRYPOINT ["docker-entrypoint.sh"]
EXPOSE 6379
CMD [ "redis-server" ]
Notez que, vers la fin du fichier, il y a une instruction VOLUME ; cela signifie que lorque notre conteneur a été lancé, un volume “caché” a effectivement
été créé par Docker.
Beaucoup de conteneurs Docker sont des applications stateful, c’est-à-dire qui stockent des données. Automatiquement ces conteneurs créent des
volument anonymes en arrière plan qu’il faut ensuite supprimer manuellement (avec rm ou prune).
Inspectez la liste des volumes (par exemple avec Portainer) pour retrouver l’identifiant du volume caché. Normalement il devrait y avoir un
volume portainer_data (si vous utilisez Portainer) et un volume anonyme avec un hash.
Créez un nouveau conteneur redis en le rattachant au volume redis “caché” que vous avez retrouvé (en copiant l’id du volume anonyme) :
docker
container run -d --name redis -v <volume_id>/_data:/data --network moby-network redis:alpine
Visitez la page de l’application. Normalement un motif de logos moby d’une précédente session devrait s’afficher (après un délai pouvant aller
jusqu’à plusieurs minutes)
Affichez le contenu du volume avec la commande : docker exec redis ls -lha /data
Supprimer les volumes et réseaux

Pour nettoyer tout ce travail, arrêtez d’abord les différents conteneurs redis et moby-counter.
Lancez la fonction prune pour les conteneurs d’abord, puis pour les réseaux, et enfin pour les volumes.
Comme les réseaux et volumes n’étaient plus attachés à des conteneurs en fonctionnement, ils ont été supprimés.
Généralement, il faut faire beaucoup plus attention au prune de volumes (données à perdre) qu’au prune de conteneurs (rien à perdre car
immutable et en général dans le registry).
Facultatif : utiliser VOLUME avec microblog
Clonons le repo microblog ailleurs :
git clone https://github.com/uptime-formation/microblog/ --branch tp2-dockerfile microblog-volume
Ouvrons ça avec VSCode : code microblog-volume
Lire le Dockerfile de l’application microblog.
Un volume Docker apparaît comme un dossier à l’intérieur du conteneur.

Nous allons faire apparaître le volume Docker comme un dossier à
l’emplacement /data sur le conteneur.
Pour que l’app Python soit au courant de l’emplacement de la base de données, ajoutez à votre Dockerfile une variable d’environnement
DATABASE_URL ainsi (cette variable est lue par le programme Python) :
ENV DATABASE_URL=sqlite:////data/app.db
Cela indique que l’on va demander à Python d’utiliser SQLite pour stocker la base de données comme un unique fichier au format .db (SQLite) dans un
dossier accessible par le conteneur. On a en fait indiqué à l’app Python que chemin de la base de données est :
/data/app.db
Ajouter au Dockerfile une instruction VOLUME pour stocker la base de données SQLite de l’application.
Solution :
Créez un volume nommé appelé microblog_db, et lancez un conteneur l’utilisant, créez un compte et écrivez un message.
Vérifier que le volume nommé est bien utilisé en branchant un deuxième conteneur microblog utilisant le même volume nommé.
(facultatif) Deux conteneurs Redis sur un seul volume

Créez un réseau moby-network2 et ajoutez un deuxième conteneur redis2 qui va partager les même données que le premier :
situé à l’intérieur du nouveau réseau (moby-network2) comme à la partie précédent.
utilisant l’option --network-alias redis pour pouvoir être joignable par moby-counter2 (que nous n’avons pas encore créé).
partageant le volume de données du premier (cf. cours)
monté en read-only (:ro après le paramètre de la question précédente)
Indice :
Le read-only est nécessaire pour que les deux Redis n’écrivent pas de façon contradictoire dans la base de valeurs.
Ajoutez une deuxième instance de l’application dans le deuxième réseau connectée à ce nouveau Redis.
Visitez la deuxième application : vous devriez voir également le motif de moby apparaître.
Facultatif : Packagez votre propre app
Vous possédez tous les ingrédients pour packager l’app de votre choix désormais ! Récupérez une image de base, basez-vous sur un Dockerfile existant
s’il vous inspire, et lancez-vous !

Docker Compose
Nous avons pu constater que lancer plusieurs conteneurs liés avec leur mapping réseau et les volumes liés implique des commandes assez
lourdes. Cela devient ingérable si l’on a beaucoup d’applications microservice avec des réseaux et des volumes spécifiques.
Pour faciliter tout cela et dans l’optique d'Infrastructure as Code, Docker introduit un outil nommé docker-compose qui permet de décrire de
applications multiconteneurs grâce à des fichiers YAML.
Pour bien comprendre qu’il ne s’agit que de convertir des options de commande Docker en YAML, un site vous permet de convertir une
commande docker run en fichier Docker Compose : https://www.composerize.com/
Le “langage” de Docker Compose : la documentation du langage (DSL) des compose-files est essentielle.
A quoi ça ressemble, YAML ?

- marché:
lieu: Marché de la Défense
jour: jeudi
horaire:
unité: "heure"
min: 12
max: 20
fruits:
- nom: pomme
couleur: "verte"
pesticide: avec
- nom: poires
couleur: jaune
pesticide: sans
légumes:
- courgettes
- salade
- potiron
Syntaxe
Alignement ! (2 espaces !!)
ALIGNEMENT !! (comme en python)
ALIGNEMENT !!! (le défaut du YAML, pas de correcteur syntaxique automatique, c’est bête mais vous y perdrez forcément quelques heures !
des listes (tirets)
des paires clé: valeur
Un peu comme du JSON, avec cette grosse différence que le JSON se fiche de l’alignement et met des accolades et des points-virgules
les extensions Docker et YAML dans VSCode vous aident à repérer des erreurs
Un exemple de fichier Docker Compose

services:
postgres:
image: postgres:10
environment:
POSTGRES_USER: rails_user
POSTGRES_PASSWORD: rails_password
POSTGRES_DB: rails_db
networks:
- back_end
redis:
image: redis:3.2-alpine
networks:
- back_end
rails:
build: .
depends_on:
- postgres
- redis
environment:
DATABASE_URL: "postgres://rails_user:rails_password@postgres:5432/rails_db"
REDIS_HOST: "redis:6379"
networks:
- front_end
- back_end
volumes:
- .:/app
nginx:
image: nginx:latest
networks:
- front_end
ports:
- 3000:80
volumes:
- ./nginx.conf:/etc/nginx/conf.d/default.conf:ro
networks:
front_end:
back_end:
Un deuxième exemple :
services:
wordpress:
depends_on:
- mysqlpourwordpress
environment:
- "WORDPRESS_DB_HOST=mysqlpourwordpress:3306"
- WORDPRESS_DB_PASSWORD=monwordpress
- WORDPRESS_DB_USER=wordpress
networks:
- wordpress
ports:
- "80:80"
image: wordpress
volumes:
- wordpress_config:/var/www/html/
mysqlpourwordpress:
image: "mysql:5.7"
environment:
- MYSQL_ROOT_PASSWORD=motdepasseroot
- MYSQL_DATABASE=wordpress
- MYSQL_USER=wordpress
- MYSQL_PASSWORD=monwordpress
networks:
- wordpress
volumes:
- wordpress_data:/var/lib/mysql/
networks:
wordpress:
volumes:
wordpress_config:
wordpress_data:
Le workflow de Docker Compose

Les commandes suivantes sont couramment utilisées lorsque vous travaillez avec Compose. La plupart se passent d’explications et ont des équivalents
Docker directs, mais il vaut la peine d’en être conscient·e :
updémarre tous les conteneurs définis dans le fichier compose et agrège la sortie des logs. Normalement, vous voudrez utiliser l’argument -d
pour exécuter Compose en arrière-plan.
build reconstruit toutes les images créées à partir de Dockerfiles. La commande up ne construira pas une image à moins qu’elle n’existe pas,
donc utilisez cette commande à chaque fois que vous avez besoin de mettre à jour une image (quand vous avez édité un Dockerfile). On peut
aussi faire docker-compose up --build
ps fournit des informations sur le statut des conteneurs gérés par Compose.
run fait tourner un conteneur pour exécuter une commande unique. Cela aura aussi pour effet de faire tourner tout conteneur décrit dans
depends_on, à moins que l’argument --no-deps ne soit donné.
logs affiche les logs. De façon générale la sortie des logs est colorée et agrégée pour les conteneurs gérés par Compose.
stop arrête les conteneurs sans les enlever.
rm enlève les contenants à l’arrêt. N’oubliez pas d’utiliser l’argument -v pour supprimer tous les volumes gérés par Docker.
down détruit tous les conteneurs définis dans le fichier Compose, ainsi que les réseaux
Le “langage” de Docker Compose

N’hésitez pas à passer du temps à explorer les options et commandes de docker-compose.
La documentation du langage (DSL) des compose-files est essentielle.
il est aussi possible d’utiliser des variables d’environnement dans Docker Compose : se référer au mode d’emploi pour les subtilités de
fonctionnement
Visualisation des applications microservice complexes

Certaines applications microservice peuvent avoir potentiellement des dizaines de petits conteneurs spécialisés. Le service devient alors difficile à
lire dans le compose file.
Il est possible de visualiser l’architecture d’un fichier Docker Compose en utilisant docker-compose-viz
Cet outil peut être utilisé dans un cadre d’intégration continue pour produire automatiquement la documentation pour une image en fonction du
code.

Articuler deux images avec Docker compose
Installez docker-compose avec sudo apt install docker-compose.
Pour vous faciliter la vie et si ce n’est pas déjà le cas, ajoutez le plugin autocomplete pour Docker et Docker Compose à bash en copiant les
commandes suivantes :
sudo apt update
sudo apt install bash-completion curl
sudo curl -L https://raw.githubusercontent.com/docker/compose/1.24.1/contrib/completion/bash/docker-compose -o /etc/bash_completion.d/docker-com
identidock : une application Flask qui se connecte à redis
Démarrez un nouveau projet dans VSCode (créez un dossier appelé identidock et chargez-le avec la fonction Add folder to workspace)
Dans un sous-dossier app, ajoutez une petite application python en créant ce fichier identidock.py :
from flask import Flask, Response, request, abort
import requests
import hashlib
import redis
import os
import logging
LOGLEVEL = os.environ.get('LOGLEVEL', 'INFO').upper()
logging.basicConfig(level=LOGLEVEL)
cache = redis.StrictRedis(host='redis', port=6379, db=0)
salt = "UNIQUE_SALT"
default_name = 'toi'
@app.route('/', methods=['GET', 'POST'])
def mainpage():
name = default_name
if request.method == 'POST':
name = request.form['name']
salted_name = salt + name
name_hash = hashlib.sha256(salted_name.encode()).hexdigest()
header = '<html><head><title>Identidock</title></head><body>'
body = '''<form method="POST">
Salut <input type="text" name="name" value="{0}"> !
<input type="submit" value="submit">
</form>
<p>Tu ressembles à ça :
<img src="/monster/{1}"/>
'''.format(name, name_hash)
footer = '</body></html>'
return header + body + footer
@app.route('/monster/<name>')
def get_identicon(name):
found_in_cache = False
try:
image = cache.get(name)
redis_unreachable = False
if image is not None:
found_in_cache = True
logging.info("Image trouvée dans le cache")
except:
redis_unreachable = True
logging.warning("Cache redis injoignable")
if not found_in_cache:
logging.info("Image non trouvée dans le cache")
try:
r = requests.get('http://dnmonster:8080/monster/' + name + '?size=80')

image = r.content
logging.info("Image générée grâce au service dnmonster")
if not redis_unreachable:
cache.set(name, image)
logging.info("Image enregistrée dans le cache redis")
except:
logging.critical("Le service dnmonster est injoignable !")
abort(503)
return Response(image, mimetype='image/png')
if __name__ == '__main__':
app.run(debug=True, host='0.0.0.0', port=5000)
uWSGI est un serveur python de production très adapté pour servir notre serveur intégré Flask, nous allons l’utiliser.
Dockerisons maintenant cette nouvelle application avec le Dockerfile suivant :
FROM python:3.7
RUN groupadd -r uwsgi && useradd -r -g uwsgi uwsgi
RUN pip install Flask uWSGI requests redis
WORKDIR /app
COPY app/identidock.py /app
EXPOSE 5000 9191
USER uwsgi
CMD ["uwsgi", "--http", "0.0.0.0:5000", "--wsgi-file", "/app/identidock.py", \
"--callable", "app", "--stats", "0.0.0.0:9191"]
Observons le code du Dockerfile ensemble s’il n’est pas clair pour vous. Juste avant de lancer l’application, nous avons changé d’utilisateur avec
l’instruction USER, pourquoi ?.
Construire l’application, pour l’instant avec docker build, la lancer et vérifier avec docker exec, whoami et id l’utilisateur avec lequel tourne le
conteneur.
Réponse :
Le fichier Docker Compose

A la racine de notre projet identidock (à côté du Dockerfile), créez un fichier de déclaration de notre application appelé docker-compose.yml avec
à l’intérieur :
services:
identidock:
build: .
ports:
- "5000:5000"
Plusieurs remarques :
la première ligne après services déclare le conteneur de notre application

les lignes suivantes permettent de décrire comment lancer notre conteneur
build: . indique que l’image d’origine de notre conteneur est le résultat de la construction d’une image à partir du répertoire courant
(équivaut à docker build -t identidock .)
la ligne suivante décrit le mapping de ports entre l’extérieur du conteneur et l’intérieur.
Lancez le service (pour le moment mono-conteneur) avec docker-compose up (cette commande sous-entend docker-compose build)
Visitez la page web de l’app.
Ajoutons maintenant un deuxième conteneur. Nous allons tirer parti d’une image déjà créée qui permet de récupérer une “identicon”. Ajoutez à la
suite du fichier Compose (attention aux indentations !) :
dnmonster:
image: amouat/dnmonster:1.0
Le docker-compose.yml doit pour l’instant ressembler à ça :
services:
identidock:
build: .
ports:
- "5000:5000"
dnmonster:
Enfin, nous déclarons aussi un réseau appelé identinet pour y mettre les deux conteneurs de notre application.
Il faut déclarer ce réseau à la fin du fichier (notez que l’on doit spécifier le driver réseau) :
networks:
identinet:
driver: bridge
Il faut aussi mettre nos deux services identidock et dnmonster sur le même réseau en ajoutant deux fois ce bout de code où c’est nécessaire
(attention aux indentations !) :
networks:
- identinet
Ajoutons également un conteneur redis (attention aux indentations !). Cette base de données sert à mettre en cache les images et à ne pas les
recalculer à chaque fois.
redis:
image: redis
networks:
- identinet
docker-compose.yml final :
services:
identidock:
build: .
ports:
- "5000:5000"
- "9191:9191" # port pour les stats
networks:
- identinet
dnmonster:
networks:
- identinet
redis:
image: redis
networks:
- identinet
networks:
identinet:
driver: bridge
Lancez l’application et vérifiez que le cache fonctionne en cherchant les messages dans les logs de l’application.
N’hésitez pas à passer du temps à explorer les options et commandes de docker-compose, ainsi que la documentation officielle du langage des
Compose files.
Le Hot Code Reloading (rechargement du code à chaud)

En s’inspirant des exercices sur les volumes (TP3) et du fichier boot.sh de l’app microblog (TP2), modifions le docker compose.yml pour y inclure des
instructions pour lancer le serveur python en mode debug : la modification du code source devrait immédiatement être répercutée dans les logs
d'identidock, et recharger la page devrait nous montrer la nouvelle version du code de l’application.
Solution :
D’autres services
Exercices de google-fu
ex: un pad HedgeDoc
On se propose ici d’essayer de déployer plusieurs services pré-configurés comme Wordpress, Nextcloud, Sentry ou votre logiciel préféré.
Récupérez (et adaptez si besoin) à partir d’Internet un fichier docker-compose.yml permettant de lancer un pad HedgeDoc ou autre avec sa base de
données. Je vous conseille de toujours chercher dans la documentation officielle ou le repository officiel (souvent sur Github) en premier.
Vérifiez que le service est bien accessible sur le port donné.
Si besoin, lisez les logs en quête bug et adaptez les variables d’environnement.
Une stack Elastic

Centraliser les logs
L’utilité d’Elasticsearch est que, grâce à une configuration très simple de son module Filebeat, nous allons pouvoir centraliser les logs de tous nos
conteneurs Docker.
Pour ce faire, il suffit d’abord de télécharger une configuration de Filebeat prévue à cet effet :
curl -L -O https://raw.githubusercontent.com/elastic/beats/7.10/deploy/docker/filebeat.docker.yml
Renommons cette configuration et rectifions qui possède ce fichier pour satisfaire une contrainte de sécurité de Filebeat :
mv filebeat.docker.yml filebeat.yml
sudo chown root filebeat.yml
sudo chmod go-w filebeat.yml
Enfin, créons un fichier docker-compose.yml pour lancer une stack Elasticsearch :
services:
elasticsearch:
image: docker.elastic.co/elasticsearch/elasticsearch:7.5.0
environment:
- discovery.type=single-node
- xpack.security.enabled=false
networks:
- logging-network
filebeat:
image: docker.elastic.co/beats/filebeat:7.5.0
user: root
depends_on:
- elasticsearch
volumes:
- ./filebeat.yml:/usr/share/filebeat/filebeat.yml:ro
- /var/lib/docker/containers:/var/lib/docker/containers:ro
- /var/run/docker.sock:/var/run/docker.sock
networks:
- logging-network
environment:
- -strict.perms=false
kibana:
image: docker.elastic.co/kibana/kibana:7.5.0
depends_on:
- elasticsearch
ports:
- 5601:5601
networks:
- logging-network
networks:
logging-network:
driver: bridge
Il suffit ensuite de :
se rendre sur Kibana (port 5601)

de configurer l’index en tapant * dans le champ indiqué, de valider
et de sélectionner le champ @timestamp, puis de valider.
L’index nécessaire à Kibana est créé, vous pouvez vous rendre dans la partie Discover à gauche (l’icône boussole 🧭) pour lire vos logs.
Il est temps de faire un petit docker stats pour découvrir l’utilisation du CPU et de la RAM de vos conteneurs !
Facultatif : Ajouter un nœud Elasticsearch

Puis, à l’aide de la documentation Elasticsearch et/ou en adaptant de bouts de code Docker Compose trouvés sur internet, ajoutez et configurez un nœud
Elastic. Toujours à l’aide de la documentation Elasticsearch, vérifiez que ce nouveau nœud communique bien avec le premier.
Facultatif : ajouter une stack ELK à microblog
Dans la dernière version de l’app microblog, Elasticsearch est utilisé pour fournir une fonctionnalité de recherche puissante dans les posts de l’app.
Avec l’aide du tutoriel de Miguel Grinberg, écrivez le docker-compose.yml qui permet de lancer une stack entière pour microblog. Elle devra contenir un
conteneur microblog, un conteneur mysql, un conteneur elasticsearch et un conteneur kibana.
Facultatif : Utiliser Traefik

Vous pouvez désormais faire l’exercice 1 du TP7 pour configurer un serveur web qui permet d’accéder à vos services via des domaines.
Orchestration
Un des intérêts principaux de Docker et des conteneurs en général est de :
favoriser la modularité et les architectures microservice.

permettre la scalabilité (mise à l’échelle) des applications en multipliant les conteneurs.
A partir d’une certaine échelle, il n’est plus question de gérer les serveurs et leurs conteneurs à la main.
Les nœuds d’un cluster sont les machines (serveurs physiques, machines virtuelles, etc.) qui font tourner vos applications (composées de conteneurs).
L’orchestration consiste à automatiser la création et la répartition des conteneurs à travers un cluster de serveurs. Cela peut permettre de :
déployer de nouvelles versions d’une application progressivement.

faire grandir la quantité d’instances de chaque application facilement.
voire dans le cas de l’auto-scaling de faire grossir l’application automatiquement en fonction de la demande.
Docker Swarm
Swarm est l'outil de clustering et d’orchestration natif de Docker (développé par Docker Inc.).
Il s’intègre très bien avec les autres commandes docker (on a même pas l’impression de faire du clustering).
Il permet de gérer de très grosses productions Docker.
Swarm utilise l’API standard du Docker Engine (sur le port 2376) et sa propre API de management Swarm (sur le port 2377).
Il a perdu un peu en popularité face à Kubernetes mais c’est très relatif (voir comparaison plus loin).
Architecture de Docker Swarm
Docker Enterprise Edition:

Swarm Ar chitectur e
BYO TCP Load Balancer
Swarm Manager nodes ● Usually 3, 5, or 7 managers,

Quorum-based for HA and quorum status.
consensus gr oup (r aft)
node1 (leader) ● Managers can also be
work ers
Manager Manager Manager
node2 ● Usually at least 1, but

often many work ers.
Worker Worker Worker
● Workers cannot be
managers (unless
Swarm W orker nodes
explicitly pr omoted)
Un ensemble de nœuds de contrôle pour gérer les conteneurs

Un ensemble de nœuds worker pour faire tourner les conteneurs
Les nœuds managers sont en fait aussi des workers et font tourner des conteneurs, c’est leur rôles qui varient.
Consensus entre managers Swarm
L’algorithme Raft : http://thesecretlivesofdata.com/raft/
Pas d'intelligent balancing dans Swarm
l’algorithme de choix est “spread”, c’est-à-dire qu’il répartit au maximum en remplissant tous les nœuds qui répondent aux contraintes
données.
Docker Services et Stacks

les services : la distribution d’un seul conteneur en plusieurs exemplaires
les stacks : la distribution (en plusieurs exemplaires) d’un ensemble de conteneurs (app multiconteneurs) décrits dans un fichier Docker
Compose
services:
web:
image: username/repo
deploy:
replicas: 5
resources:
limits:
cpus: "0.1"
memory: 50M
restart_policy:
condition: on-failure
ports:
- "4000:80"
networks:
- webnet
networks:
webnet:
Référence pour les options Swarm de Docker Compose : https://docs.docker.com/compose/compose-file/#deploy
Le mot-clé deploy est lié à l’usage de Swarm
options intéressantes :
update_config : pour pouvoir rollback si l’update fail
placement : pouvoir choisir le nœud sur lequel sera déployé le service
replicas : nombre d’exemplaires du conteneur
resources : contraintes d’utilisation de CPU ou de RAM sur le nœud
Sous-commandes Swarm
swarm init : Activer Swarm et devenir manager d’un cluster d’un seul nœud
swarm join : Rejoindre un cluster Swarm en tant que nœud manager ou worker
service create : Créer un service (= un conteneur en plusieurs exemplaires)
service inspect : Infos sur un service
service ls : Liste des services
service rm : Supprimer un service
service scale : Modifier le nombre de conteneurs qui fournissent un service
service ps : Liste et état des conteneurs qui fournissent un service
service update : Modifier la définition d’un service
docker stack deploy : Déploie une stack (= fichier Docker compose) ou update une stack existante
docker stack ls : Liste les stacks
docker stack ps : Liste l’état du déploiement d’une stack
docker stack rm : Supprimer une ou des stacks
docker stack services : Liste les services qui composent une stack
docker node inspect : Informations détaillées sur un nœud
docker node ls : Liste les nœuds
docker node ps : Liste les tâches en cours sur un nœud
docker node promote : Transforme un nœud worker en manager
docker node demote : Transforme un nœud manager en worker
Répartition de charge (load balancing)

Un load balancer : une sorte d'“aiguillage” de trafic réseau, typiquement HTTP(S) ou TCP.
Un aiguillage intelligent qui se renseigne sur plusieurs critères avant de choisir la direction.
Cas d’usage :
Éviter la surcharge : les requêtes sont réparties sur différents backends pour éviter de les saturer.
Haute disponibilité : on veut que notre service soit toujours disponible, même en cas de panne (partielle) ou de maintenance.
Donc on va dupliquer chaque partie de notre service et mettre les différentes instances derrière un load balancer.
Le load balancer va vérifier pour chaque backend s’il est disponible (healthcheck) avant de rediriger le trafic.
Répartition géographique : en fonction de la provenance des requêtes on va rediriger vers un datacenter adapté (+ ou - proche)
Le loadbalancing de Swarm est automatique

Loadbalancer intégré : Ingress
Permet de router automatiquement le trafic d’un service vers les nœuds qui l’hébergent et sont disponibles.
Pour héberger une production il suffit de rajouter un loadbalancer externe qui pointe vers un certain nombre de nœuds du cluster et le trafic sera
routé automatiquement à partir de l’un des nœuds.
Solutions de loadbalancing externe

HAProxy : Le plus répandu en loadbalancing
Træfik : Simple à configurer et fait pour l’écosystème Docker
NGINX : Serveur web générique mais a depuis quelques années des fonctions puissantes de loadbalancing et de TCP forwarding.
Gérer les données sensibles dans Swarm avec les secrets Docker
echo "This is a secret" | docker secret create my_secret_data
docker service create --name monservice --secret my_secret_data redis:alpine

=> monte le contenu secret dans /var/run/my_secret_data
Docker Machine
C’est l’outil de gestion d’hôtes Docker
Il est capable de créer des serveurs Docker “à la volée”
Concrètement, docker-machine permet de créer automatiquement des machines avec le Docker Engine et ssh configuré et de gérer les
certificats TLS pour se connecter à l’API Docker des différents serveurs.
Il permet également de changer le contexte de la ligne de commande Docker pour basculer sur l’un ou l’autre serveur avec les variables
d’environnement adéquates.
Il permet également de se connecter à une machine en ssh en une simple commande.
Exemple :
docker-machine create --driver digitalocean \
--digitalocean-ssh-key-fingerprint 41:d9:ad:ba:e0:32:73:58:4f:09:28:15:f2:1d:ae:5c \
--digitalocean-access-token "a94008870c9745febbb2bb84b01d16b6bf837b4e0ce9b516dbcaf4e7d5ff2d6" \
hote-digitalocean
Pour basculer eval $(docker env hote-digitalocean);
docker run -d nginx:latest créé ensuite un conteneur sur le droplet digitalocean précédemment créé.
docker ps -a affiche le conteneur en train de tourner à distance.
wget $(docker-machine ip hote-digitalocean) va récupérer la page nginx.
Présentation de Kubernetes
Les pods Kubernetes servent à grouper des conteneurs en unités d’application (microservices ou non) fortement couplées (un peu comme les
stacks Swarm)
Les services sont des groupes de pods exposés à l’extérieur
Les deployments sont une abstraction pour scaler ou mettre à jours des groupes de pods (un peu comme les tasks dans Swarm).
Présentation de Kubernetes
Une autre solution très à la mode depuis 4 ans. Un buzz word du DevOps en France :)
Une solution robuste, structurante et open source d’orchestration Docker.
Au cœur du consortium Cloud Native Computing Foundation très influent dans le monde de l’informatique.
Hébergeable de façon identique dans le cloud, on-premise ou en mixte.
Kubernetes a un flat network (un overlay de plus bas niveau que Swarm) : https://neuvector.com/network-security/kubernetes-networking/
Comparaison Swarm et Kubernetes

Swarm plus intégré avec la CLI et le workflow Docker.
Swarm est plus fluide, moins structurant mais moins automatique que Kubernetes.
Swarm groupe les containers entre eux par stack.
Kubernetes au contraire crée des pods avec une meilleure isolation.
Kubernetes a une meilleure fault tolerance que Swarm
attention au contre-sens : un service Swarm est un seul conteneur répliqué, un service Kubernetes est un groupe de conteneurs (pod)
répliqué, plus proche des Docker Stacks.
Comparaison Swarm et Kubernetes

Kubernetes a plus d’outils intégrés. Il s’agit plus d’un écosystème qui couvre un large panel de cas d’usage.
Swarm est beaucoup plus simple à mettre en œuvre qu’une stack Kubernetes.
Swarm serait donc mieux pour les clusters moyen et Kubernetes pour les très gros
Introduction à Swarm
Initialisez Swarm avec docker swarm init.
Créer un service
A l’aide de la propriété deploy: de docker compose, créer un service en 5 exemplaires (replicas) à partir de l’image traefik/whoami accessible sur le
port 9999 et connecté au port 80 des 5 replicas.
Solution :
Accédez à votre service et actualisez plusieurs fois la page. Les informations affichées changent. Pourquoi ?
Lancez une commande service scale pour changer le nombre de replicas de votre service et observez le changement avec docker service ps
hello
La stack example-voting-app
Cloner l’application example-voting-app ici : https://github.com/dockersamples/example-voting-app
Lire le schéma d’architecture de l’app example-voting-app sur Github. A noter que le service worker existe en deux versions utilisant un langage
de programmation différent (Java ou .NET), et que tous les services possèdent des images pour conteneurs Windows et pour conteneurs Linux.
Ces versions peuvent être déployées de manière interchangeable et ne modifient pas le fonctionnement de l’application multi-conteneur. C’est
une démonstration de l’utilité du paradigme de la conteneurisation et de l’architecture dite “micro-service”.
Lire attentivement les fichiers docker-compose.yml, docker-compose-simple.yml, docker-stack-simple.yml et docker-stack.yml. Ce sont tous des
fichiers Docker Compose classiques avec différentes options liées à un déploiement via Swarm. Quelles options semblent spécifiques à Docker
Swarm ? Ces options permettent de configurer des fonctionnalités d'orchestration.
Dessiner rapidement le schéma d’architecture associé au fichier docker-compose-simple.yml, puis celui associé à docker-stack.yml en indiquant
bien à quel réseau quel service appartient.
Avec docker swarm init, transformer son installation Docker en une installation Docker compatible avec Swarm. Lisez attentivement le message
qui vous est renvoyé.
Déployer la stack du fichier docker-stack.yml : docker stack deploy --compose-file docker-stack.yml vote
docker stack ls indique 6 services pour la stack vote. Observer également l’output de docker stack ps vote et de docker stack services vote.
Qu’est-ce qu’un service dans la terminologie de Swarm ?
Accéder aux différents front-ends de la stack grâce aux informations contenues dans les commandes précédentes. Sur le front-end lié au vote,
actualiser plusieurs fois la page. Que signifie la ligne Processed by container ID […] ? Pourquoi varie-t-elle ?
Scaler la stack en ajoutant des replicas du front-end lié au vote avec l’aide de docker service --help. Accédez à ce front-end et vérifier que cela
a bien fonctionné en actualisant plusieurs fois.
Clustering entre ami·es

Avec un service
Se grouper par 2 ou 3 pour créer un cluster à partir de vos VM respectives (il faut utiliser une commande Swarm pour récupérer les instructions
nécessaires).
Si grouper plusieurs des VM n’est pas possible, vous pouvez créer un cluster multi-nodes très simplement avec l’interface du site Play With
Docker, il faut s’y connecter avec vos identifiants Docker Hub.
Vous pouvez faire docker swarm --help pour obtenir des infos manquantes, ou faire docker swarm leave --force pour réinitialiser votre
configuration Docker Swarm si besoin.
N’hésitez pas à regarder dans les logs avec systemctl status docker comment se passe l’élection du nœud leader, à partir du moment où vous
avez plus d’un manager.
Lancez le service suivant :

docker service create --name whoami --replicas 5 --publish published=80,target=80 traefik/whoami
Accédez au service depuis un node, et depuis l’autre. Actualisez plusieurs fois la page. Les informations affichées changent. Lesquelles, et
pourquoi ?
Avec la stack example-voting-app

Si besoin, cloner de nouveau le dépôt de l’application example-voting-appavec git clone https://github.com/dockersamples/example-voting-
app puis déployez la stack de votre choix.
Ajouter dans le Compose file des instructions pour scaler différemment deux services (3 replicas pour le service front par exemple). N’oubliez
pas de redéployer votre Compose file.
puis spécifier quelques options d’orchestration exclusives à Docker Swarm : que fait mode: global ? N’oubliez pas de redéployer votre Compose
file.
Avec Portainer ou avec docker-swarm-visualizer, explorer le cluster ainsi créé (le fichier docker-stack.yml de l’app example-voting-app contient
déjà un exemplaire de docker-swarm-visualizer).
Trouver la commande pour déchoir et promouvoir l’un de vos nœuds de manager à worker et vice-versa.
Puis sortir un nœud du cluster (drain) : docker node update --availability drain <node-name>
Facultatif : débugger la config Docker de example-voting-app

Vous avez remarqué ? Nous avons déployé une super stack d’application de vote avec succès mais, si vous testez le vote, vous verrez que ça ne marche
pas, il n’est pas comptabilisé.
Outre le fait que c’est un plaidoyer vivant contre le vote électronique, vous pourriez tenter de débugger ça maintenant
(c’est plutôt facile).
Indice 1 :
Indice 2 :
Indice 3 :
Solution / explications :
Introduction à Kubernetes
Le fichier kube-deployment.yml de l’app example-voting-app décrit la même app pour un déploiement dans Kubernetes plutôt que dans Docker
Compose ou Docker Swarm. Tentez de retrouver quelques équivalences entre Docker Compose / Swarm et Kubernetes en lisant attentivement ce fichier
qui décrit un déploiement Kubernetes.
Facultatif : Utiliser Traefik avec Swarm
Vous pouvez désormais faire l’exercice 2 du TP 7 pour configurer un serveur web qui permet d’accéder à vos services Swarm via des domaines
spécifiques.
Conclusion
Conclusions sur l’écosystème Docker

Configurer de la CI/CD
La nature facile à déployer des conteneurs et l’intégration du principe d’Infrastructure-as-Code les rend indispensable dans de la CI/CD
(intégration continue et déploiement continu).
Les principaux outils de CI sont Gitlab, Jenkins, Github Actions, Travis CI…
Gitlab propose par défaut des runners préconfigurés qui utilisent des conteneurs Docker et tournent en général dans un cluster Kubernetes.
Gitlab propose aussi un registry d’images Docker, privé ou public, par projet.
Les tests à l’intérieur des conteneurs peuvent aussi être faits de façon plus poussée, avec par exemple Ansible comme source de healthcheck ou
comme suite pour les tests.
Dans une autre catégorie, Gitpod base son workflow sur des images Docker permettant de configurer un environnement de développement
Gérer les logs des conteneurs

Avec Elasticsearch, Filebeat et Kibana… grâce aux labels sur les conteneurs Docker
Gérer le reverse proxy

Avec Traefik, aussi grâce aux labels sur les conteneurs Docker
Ou avec Nginx, avec deux projets :
https://github.com/nginx-proxy/nginx-proxy
https://github.com/nginx-proxy/acme-companion
Monitorer des conteneurs

Avec Prometheus pour Docker et Docker Swarm
Ou bien Netdata, un peu plus joli et configuré pour monitorer des conteneurs out-of-the-box
Tests sur des conteneurs

Ansible comme source de healthcheck
Bonnes pratiques et outils

Sécurité / durcissement
un conteneur privilégié est root sur la machine !
des cgroups correct : ulimit -a
par défaut les user namespaces ne sont pas utilisés !
exemple de faille : https://medium.com/@mccode/processes-in-containers-should-not-run-as-root-2feae3f0df3b

exemple de durcissement conseillé : https://docs.docker.com/engine/security/userns-remap/
le benchmark Docker CIS : https://github.com/docker/docker-bench-security/
La sécurité de Docker c’est aussi celle de la chaîne de dépendance, des images, des packages installés dans celles-ci : on fait confiance à trop de
petites briques dont on ne vérifie pas la provenance ou la mise à jour
Clair : l’analyse statique d’images Docker
docker-socket-proxy : protéger la socket Docker quand on a besoin de la partager à des conteneurs comme Traefik ou Portainer
Limites de Docker
Stateful
les conteneurs stateless c’est bien beau mais avec une base de données, ça ne se gère pas magiquement du tout
quelques ressources sur le stateful avec Docker : https://container.training/swarm-selfpaced.yml.html#450
Configurer le réseau de façon plus complexe avec des plugins réseau
Réseaux “overlay”: IP in IP, VXLAN…

…mais on a rapidement besoin de plugins exclusifs à Kubernetes : Calico, Flannel, Canal (Calico + Flannel), Cilium (qui utilise eBPF)
Volumes distribués
problème des volumes partagés / répliqués
domaine à part entière
Solution 1 : solutions applicatives robustes
pour MySQL/MariaDB : Galera
pour Postgres : on peut citer Citus ou pgpool, voir la comparaison de différentes solutions
Elasticsearch est distribué out-of-the-box
Solution 2 : volume drivers avec Docker
Flocker, Convoy, visent à intégrer une technologie de réplication
c’est un moyen, pas une solution : reste un outil pour configurer ce que l’on souhaite
DataOps
Doit se baser sur une solution applicative complète comme Kafka
avec Compose pour les différents services et Swarm pour le scaling
Solutions actuelles peut-être plus orientées Kubernetes
Ressources :
Pas-à-pas très détaillé d’une pipeline “ETL” https://medium.com/sfu-cspmp/building-data-pipeline-kafka-docker-4d2a6cfc92ca
dépôt lié : https://github.com/salcaino/sfucmpt733
Exemple avec Kafka : https://github.com/rogaha/data-processing-pipeline/blob/master/docker-compose.yml
Aller plus loin

Le livre Mastering Docker, de Russ McKendrick et Scott Gallagher
les ressources présentes dans la bibliographie
la liste de Awesome Docker

Dockercraft : administrez vos containers dans Minecraft
Retours
Comment ça s’est passé ?
Difficulté : trop facile ? trop dur ? quoi en particulier ?
Vitesse : trop rapide ? trop lent ? lors de quoi en particulier ?
Attentes sur le contenu ? Les manipulations ?
Questions restées ouvertes ? Nouvelles questions ?
Envie d’utiliser Docker ? ou de le jeter à la poubelle ?

Créer une pipeline de build d’image Docker avec les outils CI/CD Gitlab
1. Si vous n’en avez pas déjà un, créez un compte sur Gitlab.com : https://gitlab.com/users/sign_in#register-pane
2. Créez un nouveau projet et avec Git, le Web IDE Gitlab, ou bien en forkant une app existante depuis l’interface Gitlab, poussez-y l’app de votre
choix (par exemple microblog, dnmonster ou l’app healthcheck vue au TP2).
3. Ajoutez un Dockerfile à votre repository ou vérifiez qu’il en existe bien un.
4. Créez un fichier .gitlab-ci.yml depuis l’interface web de Gitlab et choisissez “Docker” comme template. Observons-le ensemble attentivement.
5. Faites un commit de ce fichier.
6. Vérifiez votre CI : il faut vérifier sur le portail de Gitlab comment s’est exécutée la pipeline.
7. Vérifiez dans la section Container Registry que votre image a bien été push.
Ressources
La section Quick Start de la documentation Gitlab-CI
Vous pouvez trouver des exemples de CI dans la documentation Gitlab.
La section dédiée à docker build de la documentation Gitlab
La section de la documentation dédiée au Container Registry
Avec BitBucket
BitBucket propose aussi son outil de pipeline, à la différence qu’il n’a pas de registry intégré, le template par défaut propose donc de pousser son image
sur le registry Docker Hub.
Il suffit de créer un repo BitBucket puis d’y ajouter le template de CI Docker proposé (le template est caché derrière un bouton See more).
Ensuite, il faut ajouter des Repository variables avec ses identifiants Docker Hub. Dans le template, ce sont les variables DOCKERHUB_USERNAME,
DOCKERHUB_PASSWORD et DOCKERHUB_NAMESPACE (identique à l’username ici).
Ressources
https://support.atlassian.com/bitbucket-cloud/docs/run-docker-commands-in-bitbucket-pipelines/
Conclusion
Déployer notre container ou notre projet Docker Compose
Nous avons fait la partie CI (intégration continue). Une étape supplémentaire est nécessaire pour ajouter le déploiement continu de l’app (CD) : si
aucune étape précédente n’a échoué, la nouvelle version de l’app devra être déployée sur votre serveur, via une connexion SSH et rsync par exemple.
Il
faudra ajouter des variables secrètes au projet (clé SSH privée par exemple), cela se fait dans les options de Gitlab ou de BitBucket.

Exercice 1 - Utiliser Traefik pour le routage
Traefik est un reverse proxy très bien intégré à Docker. Il permet de configurer un routage entre un point d’entrée (ports 80 et 443 de l’hôte) et des
containers Docker, grâce aux informations du daemon Docker et aux labels sur chaque containers.
Nous allons nous baser sur le guide d’introduction
Traefik - Getting started.
Avec l’aide de la documentation Traefik, ajoutez une section pour le reverse proxy Traefik pour dans un fichier Docker Compose de votre choix.
Solution :
Explorez le dashboard Traefik accessible sur le port indiqué dans le fichier Docker Compose.
Pour que Traefik fonctionne, 2 étapes :
faire en sorte que Traefik reçoive la requête quand on s’adresse à l’URL voulue (DNS + routage)
faire en sorte que Traefik sache vers quel conteneur rediriger le trafic reçu (et qu’il puisse le faire)
Ajouter des labels à l’app web que vous souhaitez desservir grâce à Traefik à partir de l’exemple de la doc Traefik, grâce aux labels ajoutés dans
le docker-compose.yml (attention à l’indentation).
Solution :
Avec l’aide de la documentation Traefik sur Let’s Encrypt et Docker Compose, configurez Traefik pour qu’il crée un certificat Let’s Encrypt pour
votre container.
Solution :
Exercice 2 - Swarm avec Traefik

Avec l’aide de la documentation Traefik sur Docker Swarm, configurez Traefik avec Swarm.
Solution :
QCM Docker
Entourez la bonne réponse
Question 1
Quelle est la principale différence entre une machine virtuelle (VM) et un conteneur ?
1. Un conteneur est une boîte qui contient un logiciel Windows alors qu’une VM fonctionne généralement sous Linux.
2. Un conteneur permet de faire des applications distribuées dans le cloud contrairement aux machines virtuelles.
3. Un conteneur partage le noyau du système hôte alors qu’une machine virtuelle virtualise son propre noyau indépendant.
Question 2
En quoi Docker permet de faire de l'Infrastructure as Code ?
1. Comme Ansible, Docker se connecte en SSH à un Linux pour décrire des configurations.
2. Docker permet avec les Dockerfiles et les fichiers Compose de décrire l’installation d’un logiciel et sa configuration.
Question 3
Quels sont les principaux atouts de Docker ?
1. Il permet de rendre compatible tous les logiciels avec le cloud (AWS, etc.) et facilite l’IoT.
2. Il utilise le langage Go qui est de plus en plus populaire et accélère les logiciels qui l’utilise.
3. Il permet d’uniformiser les déploiements logiciels et facilite la construction d’application distribuées.
Question 4
Pour créer un conteneur Docker à partir du code d’un logiciel il faut d’abord :
1. Écrire un Dockerfile qui explique comment empaqueter le code puis construire l’image Docker avec docker build.
2. Créer un cluster avec docker-machine puis compiler le logiciel avec Docker Stack.
Question 5
Un volume Docker est :
1. Un espace de stockage connecté à un ou plusieurs conteneurs docker.

2. Une image fonctionnelle à partir de laquelle on crée des conteneurs identiques.
3. Un snapshot de l’application que l’on déploie dans un cluster comme Swarm.
Question 6
Indiquez la ou les affirmations vraies :
Comment configurer de préférence un conteneur à sa création (lancement avec docker run) ?
1. Reconstruire l’image à chaque fois à partir du Dockerfile avant.

2. Utiliser des variables d’environnement pour définir les paramètres à la volée.
3. Faire docker exec puis aller modifier les fichiers de configuration à l’intérieur
4. Associer le conteneur à un volume qui rassemble des fichiers de configuration
Question 7
Un Compose file ou fichier Compose permet :
1. D’installer Docker facilement sur des VPS et de contrôler un cluster.

2. D’alléger les images et de détecter les failles de sécurité dans le packaging d’une application.
3. De décrire une application multiconteneurs, sa configuration réseau et son stockage.
Question 8
La philosophie de Docker est basée sur :
1. L’immutabilité, c’est-à-dire le fait de jeter et recréer un conteneur pour le changer plutôt que d’aller modifier l’intérieur.
2. Le cloud, c’est-à-dire la vente de plateforme et de logiciel “as a service”.
3. L’infrastructure-as-code, c’est-à-dire la description d’un état souhaité de l’infrastructure hébergeant application
Question 9
1. Docker est très pratique pour distribuer un logiciel mais tous les conteneurs doivent obligatoirement être exposés à Internet.
2. Docker utilise un cloud pour distribuer facilement des logiciels dans de nombreuses versions.
3. Docker est une catastrophe en terme de sécurité car les conteneurs sont peu isolés.
Question 10
Docker Swarm est :
1. Un cloud où pousser et récupérer les images Docker de la terre entière.

2. Une solution de clustering et d’orchestration intégrée directement avec Docker.
3. Un logiciel qui complète ce qu’offre Kubernetes en y ajoutant des fonctionnalités manquantes
Bibliographie
Docker
McKendrick, Gallagher 2017 Mastering Docker - Second Edition
Pour aller plus loin

Miell,Sayers2019 - Docker in Practice
Cheatsheet
https://devhints.io/docker
Ressources
Doc officielle : https://docs.docker.com/

Référence officielle : https://docs.docker.com/reference/
Awesome Docker, liste de ressources sur Docker : https://github.com/veggiemonk/awesome-docker
Portainer, GUI pour Docker : https://www.portainer.io/installation/
Lazy Docker, terminal pour Docker : https://github.com/jesseduffield/lazydocker
Convoy, driver pour volumes Docker : https://github.com/rancher/convoy
Marcel, le Docker français : https://github.com/brouberol/marcel
Accéder à ses containers dans Minecraft : https://github.com/docker/dockercraft
Doc officielle sur la sécurité dans Docker : https://docs.docker.com/engine/security/
Documentation sur le système de filesystem overlay de Docker : https://docs.docker.com/storage/storagedriver/overlayfs-driver/
Tutoriels officiels sur la sécurité dans Docker : https://github.com/docker/labs/tree/master/security
Vidéo sur les bonnes pratiques dans Docker : https://noti.st/aurelievache/PrttUh
Vidéo “Containers, VMs… Comment ces technologies fonctionnent et comment les différencier ?” (Quentin Adam)
https://www.youtube.com/watch?v=wG4_JQXvZIc
Diapositives sur Docker, Swarm, Kubernetes : https://container.training/
en particulier les prolèmes du stateful : https://container.training/swarm-selfpaced.yml.html#450
DevOps
Krief - Learning DevOps - The complete guide (Azure Devops, Jenkins, Kubernetes, Terraform, Ansible, sécurité) - 2019
The DevOps Handbook
Kubernetes
Module 3
Kubernetes
Administrer des applications multiconteneurs complexes

06 - Rappels Docker
11 - Cours - Helm, le gestionnaire de paquets Kubernetes et les Opérateurs
TP optionnel - Exposer une application en HTTPS via certmanager et un ingress nginx
TP opt. - Le RBAC
Bibliographie

Kubernetes est une solution d’orchestration de conteneurs extrêmement populaire.
Le projet est très ambitieux : une façon de considérer son ampleur est de voir Kubernetes comme un système d’exploitation (et un standard
ouvert) pour les applications distribuées et le cloud.
Le projet est développé en Open Source au sein de la Cloud Native Computing Foundation.
Concrètement : Architecture de Kubernetes
Kubernetes rassemble en un cluster et fait coopérer un groupe de serveurs appelés noeuds(nodes).
Kubernetes a une architecture Master/workers (cf. cours 2) composée d’un control plane et de nœuds de calculs (workers).
Cette architecture permet essentiellement de rassembler les machines en un cluster unique sur lequel on peut faire tourner des “charges de
calcul” (workloads) très diverses.
Sur un tel cluster le déploiement d’un workload prend la forme de ressources (objets k8s) qu’on décrit sous forme de code et qu’on crée
ensuite effectivement via l’API Kubernetes.
Pour uniformiser les déploiement logiciel Kubernetes est basé sur le standard des conteneurs (défini aujourd’hui sous le nom Container
Runtime Interface, Docker est l’implémentation la plus connue).
Plutôt que de déployer directement des conteneurs, Kubernetes crée des aggrégats de un ou plusieurs conteneurs appelés des Pods. Les pods
sont donc l’unité de base de Kubernetes.
Philosophie derrière Kubernetes et le mouvement “Cloud Native”

Historique et popularité
Kubernetes est un logiciel développé originellement par Google et basé sur une dizaine d’années d’expérience de déploiement d’applications énormes
(distribuées) sur des clusters de machines.
Dans la mythologie Cloud Native on raconte que son ancêtre est l’orchestrateur borg utilisé par Google dans les années 2000.
La première version est sortie en 2015 et k8s est devenu depuis l’un des projets open source les plus populaires du monde.
L’écosystème logiciel de Kubernetes s’est développée autour la Cloud Native Computing Foundation qui comprend notamment : Google, CoreOS,
Mesosphere, Red Hat, Twitter, Huawei, Intel, Cisco, IBM, Docker, Univa et VMware. Cette fondation vise au pilotage et au financement collaboratif du
développement de Kubernetes (un peut comme la Linux Foundation).
Trois transformations profondes de l’informatique
Kubernetes se trouve au coeur de trois transformations profondes techniques, humaines et économiques de l’informatique:
Le cloud
La conteneurisation logicielle
Le mouvement DevOps
Il est un des projets qui symbolise et supporte techniquement ces transformations. D’où son omniprésence dans les discussions informatiques
actuellement.
Le Cloud
Au delà du flou dans l’emploi de ce terme, le cloud est un mouvement de réorganisation technique et économique de l’informatique.
On retourne à la consommation de “temps de calcul” et de services après une “aire du Personnal Computer”.
Pour organiser cela on définit trois niveaux à la fois techniques et économiques de l’informatique:
Software as a Service: location de services à travers internet pour les usagers finaux
Plateform as a Service: location d’un environnement d’exécution logiciel flexible à destination des développeurs
Infrastructure as a Service: location de resources “matérielles” à la demande pour installer des logiciels sans avoir à maintenir un data
center.
Conteneurisation
La conteneurisation est permise par l’isolation au niveau du noyau du système d’exploitation du serveur : les processus sont isolés dans des namespaces
au niveau du noyau. Cette innovation permet de simuler l’isolation sans ajouter une couche de virtualisation comme pour les machines virtuelles.
Ainsi les conteneurs permettent d’avoir des performances proche d’une application traditionnelle tournant directement sur le système d’exploitation
hote et ainsi d’optimiser les ressources.
Les images de conteneurs sont aussi beaucoup plus légers qu’une image de VM ce qui permet de
Les technologies de conteneurisation permettent donc de faire des boîtes isolées avec les logiciels pour apporter l’uniformisation du déploiement:
Un façon standard de packager un logiciel (basée sur le)

Les conteneurs sont souvent comparés à l’innovation du porte conteneur pour le transport de marchandise.
Le mouvement DevOps
Dépasser l’opposition culturelle et de métier entre les développeurs et les administrateurs système.
Intégrer tout le monde dans une seule équipe et …
Calquer les rythmes de travail sur l’organisation agile du développement logiciel
Rapprocher techniquement la gestion de l’infrastructure du développement avec l’infrastructure as code.
Concrètement on écrit des fichiers de code pour gérer les éléments d’infra
l’état de l’infrastructure est plus claire et documentée par le code
la complexité est plus gérable car tout est déclaré et modifiable au fur et à mesure de façon centralisée
l’usage de git et des branches/tags pour la gestion de l’évolution d’infrastructure
Objectifs du DevOps
Rapidité (velocity) de déploiement logiciel (organisation agile du développement et livraison jusqu’à plusieurs fois par jour)
Implique l’automatisation du déploiement et ce qu’on appelle la CI/CD c’est à dire une infrastructure de déploiement continu à partir de
code.
Passage à l’échelle (horizontal scaling) des logiciels et des équipes de développement (nécessaire pour les entreprises du cloud qui doivent servir
pleins d’utilisateurs)
Meilleure organisation des équipes
meilleure compréhension globale du logiciel et de son installation de production car le savoir est mieux partagé
organisation des équipes par thématique métier plutôt que par spécialité technique (l’équipe scale mieux)
Apports techniques de Kubernetes pour le DevOps
Abstraction et standardisation des infrastructures:

Langage descriptif et incrémental: on décrit ce qu’on veut plutôt que la logique complexe pour l’atteindre
Logique opérationnelle intégrée dans l’orchestrateur: la responsabilité des l’état du cluster est laissé au controlleur k8s ce qui simplifie le travail
On peut alors espérer fluidifier la gestion des défis techniques d’un grosse application et atteindre plus ou moins la livraison logicielle continue (CD de
CI/CD)
Architecture logicielle optimale pour Kubernetes
Kubernetes est très versatile et permet d’installer des logiciels traditionnels “monolithiques” (gros backends situés sur une seule machine).
Cependant aux vues des transformations humaines et techniques précédentes, l’organisation de Kubernetes prend vraiment sens pour le développement
d’applications microservices:
des applications avec de nombreux de “petits” services.

chaque service a des problématiques très limitées (gestion des factures = un logiciel qui fait que ça)
les services communiquent par le réseaux selon différents modes/API (REST, gRPC, job queues, GraphQL)
Les microservices permettent justement le DevOps car:
ils peuvent être déployés séparéments

une petite équipe gère chaque service ou groupe thématique de services
Nous y reviendrons pour expliquer l’usage des ressources Kubernetes.
Objets fondamentaux de Kubernetes

Les pods Kubernetes servent à grouper des conteneurs fortement couplés en unités d’application
Les deployments sont une abstraction pour créer ou mettre à jour (ex : scaler) des groupes de pods.
Enfin, les services sont des points d’accès réseau qui permettent aux différents workloads (deployments) de communiquer entre eux et avec
l’extérieur.
Au delà de ces trois éléments, l’écosystème d’objets de Kubernetes est vaste et complexe
Kubernetes entre Cloud et auto-hébergement

Un des intérêts principaux de Kubernetes est de fournir un modèle de Plateform as a Service (PaaS) suffisamment versatile qui permet l’interopérabilité
entre des fournisseurs de clouds différents et des solutions auto-hébergées (on premise).
Cependant cette interopérabilité n’est pas automatique (pour les cas complexes) car Kubernetes permet beaucoup de variations. Concrètement il existe
des variations entre les installations possibles de Kubernetes
Distributions et “flavours” de Kubernetes

Kubernetes est avant tout un ensemble de standards qui peuvent avoir des implémentations concurrentes. Il existe beaucoup de variétés (flavours) de
Kubernetes, implémentant concrètement les solutions techniques derrière tout ce que Kubernetes ne fait que définir : solutions réseau, stockage
(distribué ou non), loadbalancing, service de reverse proxy (Ingress), autoscaling de cluster (ajout de nouvelles VM au cluster automatiquement),
monitoring…
Il est très possible de monter un cluster Kubernetes en dehors de ces fournisseurs, mais cela demande de faire des choix (ou bien une solution
opinionated ouverte comme Rancher) et une relative maîtrise d’un nombre varié de sujets (bases de données, solutions de loadbalancing, redondance du
stockage…).
C’est là un tradeoff de kubernetes : tout est ouvert et standardisé, mais devant la (relative) complexité et connaissance nécessaire pour mettre en place
sa propre solution (de stockage distribué par exemple) il est souvent préférable de louer un cluster chez un fournisseur quitte à retomber dans un certain
vendor lock-in (enfermement propriétaire).
Quelques variantes connues de Kubernetes:
Google Kubernetes Engine (GKE) (Google Cloud Plateform): L’écosystème Kubernetes développé par Google. Très populaire car très flexible
tout en étant l’implémentation de référence de Kubernetes.
Azure Kubernetes Services (AKS) (Microsoft Azure): Un écosystème Kubernetes axé sur l’intégration avec les services du cloud Azure
(stockage, registry, réseau, monitoring, services de calcul, loadbalancing, bases de données…).
Elastic Kubernetes Services (EKS) (Amazon Web Services): Un écosystème Kubernetes assez standard à la sauce Amazon axé sur l’intégration
avec le cloud Amazon (la gestion de l’accès, des loadbalancers ou du scaling notamment, le stockage avec Amazon EBS, etc.).
Rancher: Un écosystème Kubernetes très complet, assez opinionated et entièrement open-source, non lié à un fournisseur de cloud. Inclut
l’installation de stack de monitoring (Prometheus), de logging, de réseau mesh (Istio) via une interface web agréable. Rancher maintient aussi de
nombreuses solutions open source, comme par exemple Longhorn pour le stockage distribué.
K3S: Un écosystème Kubernetes fait par l’entreprise Rancher et axé sur la légèreté. Il remplace etcd par une base de données Postgres, utilise
Traefik pour l’ingress et Klipper pour le loadbalancing.
Openshift : Une version de Kubernetes configurée et optimisée par Red Hat pour être utilisée dans son écosystème. Tout est intégré donc plus
guidé, avec l’inconvénient d’être un peu captif·ve de l’écosystème et des services vendus par Red Hat.

Architecture de Kubernetes - Partie 1
Kubernetes master
Le Kubernetes master est responsable du maintien de l’état souhaité pour votre cluster. Lorsque vous interagissez avec Kubernetes, par exemple
en utilisant l’interface en ligne de commande kubectl, vous communiquez avec le master Kubernetes de votre cluster.
Le “master” fait référence à un ensemble de processus gérant l’état du cluster. Le master peut également être répliqué pour la disponibilité et la
redondance.
Noeuds Kubernetes
Les nœuds d’un cluster sont les machines (serveurs physiques, machines virtuelles, etc.) qui exécutent vos applications et vos workflows. Le master
node Kubernetes contrôle chaque noeud; vous interagirez rarement directement avec les nœuds.
Pour utiliser Kubernetes, vous utilisez les objets de l’API Kubernetes pour décrire l’état souhaité de votre cluster: quelles applications ou autres
processus que vous souhaitez exécuter, quelles images de conteneur elles utilisent, le nombre de réplicas, les ressources réseau et disque que vous
mettez à disposition, et plus encore.
Vous définissez l’état souhaité en créant des objets à l’aide de l’API Kubernetes, généralement via l’interface en ligne de commande, kubectl.
Vous pouvez également utiliser l’API Kubernetes directement pour interagir avec le cluster et définir ou modifier l’état souhaité.
Une fois que vous avez défini l’état souhaité, le plan de contrôle Kubernetes (control plane) permet de faire en sorte que l’état actuel du cluster
corresponde à l’état souhaité. Pour ce faire, Kubernetes effectue automatiquement diverses tâches, telles que le démarrage ou le redémarrage de
conteneurs, la mise à jour du nombre de replicas d’une application donnée, etc.
Le Kubernetes Control Plane
Le control plane Kubernetes comprend un ensemble de processus en cours d’exécution sur votre cluster:
Le master Kubernetes est un ensemble de trois processus qui s’exécutent sur un seul nœud de votre cluster, désigné comme nœud maître
(master node en anglais). Ces processus sont:
kube-apiserver: expose l’API pour parler au cluster

kube-controller-manager: basé sur une boucle qui controlle en permanence l’état des resources et essaie de le corriger s’il n’est plus
conforme.
kube-scheduler: monitore les resources des différents workers, décide et cartographie ou doivent être créé les conteneur(Pods)
Chaque nœud (master et worker) de votre cluster exécute deux processus :

kubelet, qui communique avec le Kubernetes master et controle
la création et l’état des pods sur son noeud.
kube-proxy, un proxy réseau reflétant les services réseau Kubernetes sur chaque nœud.
Les différentes parties du control plane Kubernetes, telles que les processus kube-controller-manager et kubelet, déterminent la manière dont
Kubernetes communique avec votre cluster.
Le control plane conserve un enregistrement de tous les objets Kubernetes du système et exécute des boucles de contrôle continues pour gérer l’état de
ces objets. À tout moment, les boucles de contrôle du control plane répondent aux modifications du cluster et permettent de faire en sorte que l’état réel
de tous les objets du système corresponde à l’état souhaité que vous avez fourni.
Par exemple, lorsque vous utilisez l’API Kubernetes pour créer un objet Deployment, vous fournissez un nouvel état souhaité pour le système. Le
control plane Kubernetes enregistre la création de cet objet et exécute vos instructions en lançant les applications requises et en les planifiant vers des
nœuds de cluster, afin que l’état actuel du cluster corresponde à l’état souhaité.
Le client kubectl
…Permet depuis sa machine de travail de contrôler le cluster avec une ligne de commande qui ressemble un peu à celle de Docker (cf. TP1 et TP2):
Lister les ressources

Créer et supprimer les ressources
Gérer les droits d’accès
etc.
Cet utilitaire s’installe avec un gestionnaire de paquet classique mais est souvent fourni directement par une distribution de développement de
kubernetes.
Nous l’installerons avec snap dans le TP1.
Pour se connecter, kubectl a besoin de l’adresse de l’API Kubernetes, d’un nom d’utilisateur et d’un certificat.
Ces informations sont fournies sous forme d’un fichier YAML appelé kubeconfig
Comme nous le verrons en TP ces informations sont généralement fournies directement par le fournisseur d’un cluster k8s (provider ou k8s de
dev)
Le fichier kubeconfig par défaut se trouve sur Linux à l’emplacement ~/.kube/config.
On peut aussi préciser la configuration au runtime comme ceci: kubectl --kubeconfig=fichier_kubeconfig.yaml <commandes_k8s>
Le même fichier kubeconfig peut stocker plusieurs configurations dans un fichier YAML :
Exemple :
apiVersion: v1
clusters:
- cluster:
certificate-authority: /home/jacky/.minikube/ca.crt
server: https://172.17.0.2:8443
name: minikube
- cluster:
certificate-authority-data: LS0tLS1CRUdJTiBDRVJUSUZJQ0FURS0tLS0tCk1JSURKekNDQWcrZ0F3SUJBZ0lDQm5Vd0RRWUpLb1pJaHZjTkFRRUxCUUF3TXpFVk1CTUdBMVVF
server: https://5ba26bee-00f1-4088-ae11-22b6dd058c6e.k8s.ondigitalocean.com
name: do-lon1-k8s-tp-cluster
contexts:
- context:
cluster: minikube
user: minikube
name: minikube
- context:
cluster: do-lon1-k8s-tp-cluster
user: do-lon1-k8s-tp-cluster-admin
name: do-lon1-k8s-tp-cluster
current-context: do-lon1-k8s-tp-cluster
kind: Config
preferences: {}
users:
- name: do-lon1-k8s-tp-cluster-admin
user:
token: 8b2d33e45b980c8642105ec827f41ad343e8185f6b4526a481e312822d634aa4
- name: minikube
user:
client-certificate: /home/jacky/.minikube/profiles/minikube/client.crt
client-key: /home/jacky/.minikube/profiles/minikube/client.key
Ce fichier déclare 2 clusters (un local, un distant), 2 contextes et 2 users.
Installation de développement
Pour installer un cluster de développement :
solution officielle : Minikube, tourne dans Docker par défaut (ou dans des VMs)
solution très pratique et vanilla: kind
avec Docker Desktop depuis peu (dans une VM aussi)
un cluster léger avec k3s, de Rancher (simple et utilisable en production/edge)
Commander un cluster en tant que service (managed cluster) dans le cloud

Tous les principaux provider de cloud fournissent depuis plus ou moins longtemps des solutions de cluster gérées par eux :
Google Cloud Plateform avec Google Kubernetes Engine (GKE) : très populaire car très flexible et l’implémentation de référence de Kubernetes.
AWS avec EKS : Kubernetes assez standard mais à la sauce Amazon pour la gestion de l’accès, des loadbalancers ou du scaling.
Azure avec AKS : Kubernetes assez standard mais à la sauce Amazon pour la gestion de l’accès, des loadbalancers ou du scaling.
DigitalOcean ou Scaleway : un peu moins de fonctions mais plus simple à appréhender
Pour sa qualité on recommande souvent Google GKE qui est plus ancien avec un bonne UX. Mais il s’agit surtout de faciliter l’intégration avec
l’existant:
Si vous utilisez déjà AWS ou Azure
Installer un cluster de production on premise : l’outil officiel kubeadm

kubeadm est un utilitaire aider générer les certificats et les configurations spéciques pour le control plane et connecter les noeuds au control plane. Il
permet également d’effectuer des taches de maintenant comme la mise à jour progressive (rolling) de chaque noeud du cluster.
Installer le dæmon Kubelet sur tous les noeuds

Installer l’outil de gestion de cluster kubeadm sur un noeud master
Générer les bons certificats avec kubeadm
Installer un réseau CNI k8s comme flannel (d’autres sont possible et le choix vous revient)
Déployer la base de données etcd avec kubeadm
Connecter les nœuds worker au master.
L’installation est décrite dans la documentation officielle
Opérer et maintenir un cluster de production Kubernetes “à la main” est très complexe et une tâche à ne pas prendre à la légère. De nombreux éléments
doivent être installés et géré par les opérateurs.
Mise à jour et passage de version de kubernetes qui doit être fait très régulièrement car une version n’est supportée que 2 ans.
Choix d’une configuration réseau et de sécurité adaptée.
Installation probable de système de stockage distribué comme Ceph à maintenir également dans le temps
Etc.
Kubespray
https://kubespray.io/#/
En réalité utiliser kubeadm directement en ligne de commande n’est pas la meilleure approche car cela ne respecte pas l’infrastructure as code et rend
plus périlleux la maintenance/maj du cluster par la suite.
Le projet kubespray est un installer de cluster kubernetes utilisant Ansible et kubeadm. C’est probablement l’une des méthodes les plus populaires pour
véritablement gérer un cluster de production on premise.
Mais la encore il s’agit de ne pas sous-estimer la complexité de la maintenance (comme avec kubeadm).
Installer un cluster complètement à la main pour s’exercer

On peut également installer Kubernetes de façon encore plus manuelle pour mieux comprendre ses rouages et composants.
Ce type d’installation est
décrite par exemple ici : Kubernetes the hard way.
Remarque sur les clusters hybrides

Il est possible de connecter plusieurs clusters ensembles dans le cloud chez plusieurs fournisseurs

Au cours de nos TPs nous allons passer rapidement en revue deux manières de mettre en place Kubernetes :
Un cluster de développement avec minikube

Un cluster managed loué chez un provider (Scaleway, DigitalOcean, Azure ou Google Cloud)
Nous allons d’abord passer par la première option.
Découverte de Kubernetes
Installer le client CLI kubectl
kubectl est le point d’entré universel pour contrôler tous les type de cluster kubernetes.
C’est un client en ligne de commande qui communique en
REST avec l’API d’un cluster.
Nous allons explorer kubectl au fur et à mesure des TPs. Cependant à noter que :
kubectl peut gérer plusieurs clusters/configurations et switcher entre ces configurations

kubectl est nécessaire pour le client graphique Lens que nous utiliserons plus tard.
La méthode d’installation importe peu. Pour installer kubectl sur Ubuntu nous ferons simplement: sudo snap install kubectl --classic.
Faites kubectl version pour afficher la version du client kubectl.
Installer Minikube
Minikube est la version de développement de Kubernetes (en local) la plus répendue. Elle est maintenue par la cloud native foundation et très proche
de kubernetes upstream. Elle permet de simuler un ou plusieurs noeuds de cluster sous forme de conteneurs docker ou de machines virtuelles.
Pour installer minikube la méthode recommandée est indiquée ici: https://minikube.sigs.k8s.io/docs/start/
Nous utiliserons classiquement docker comme runtime pour minikube (les noeuds k8s seront des conteneurs simulant des serveurs). Ceci est, bien sur,
une configuration de développement. Elle se comporte cependant de façon très proche d’un véritable cluster.
Si Docker n’est pas installé, installer Docker avec la commande en une seule ligne : curl -fsSL https://get.docker.com | sh, puis ajoutez-vous
au groupe Docker avec sudo usermod -a -G docker <votrenom>, et faites sudo reboot pour que cela prenne effet.
Pour lancer le cluster faites simplement: minikube start (il est également possible de préciser le nombre de coeurs de calcul, la mémoire et et
d’autre paramètre pour adapter le cluster à nos besoins.)
Minikube configure automatiquement kubectl (dans le fichier ~/.kube/config) pour qu’on puisse se connecter au cluster de développement.
Testez la connexion avec kubectl get nodes.
Affichez à nouveau la version kubectl version. Cette fois-ci la version de kubernetes qui tourne sur le cluster actif est également affichée. Idéalement
le client et le cluster devrait être dans la même version mineure par exemple 1.20.x.
Bash completion
Pour permettre à kubectl de compléter le nom des commandes et ressources avec <Tab> il est utile d’installer l’autocomplétion pour Bash :
sudo apt install bash-completion
source <(kubectl completion bash)
echo "source <(kubectl completion bash)" >> ${HOME}/.bashrc
Vous pouvez désormais appuyer sur <Tab> pour compléter vos commandes kubectl, c’est très utile !
Explorons notre cluster k8s

Notre cluster k8s est plein d’objets divers, organisés entre eux de façon dynamique pour décrire des applications, tâches de calcul, services et droits
d’accès. La première étape consiste à explorer un peu le cluster :
Listez les nodes pour récupérer le nom de l’unique node (kubectl get nodes) puis affichez ses caractéristiques avec kubectl describe
node/minikube.
La commande get est générique et peut être utilisée pour récupérer la liste de tous les types de ressources.
De même, la commande describe peut s’appliquer à tout objet k8s. On doit cependant préfixer le nom de l’objet par son type (ex : node/minikube ou
nodes minikube) car k8s ne peut pas deviner ce que l’on cherche quand plusieurs ressources ont le même nom.
Pour afficher tous les types de ressources à la fois que l’on utilise : kubectl get all
NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE
service/kubernetes ClusterIP 10.96.0.1 <none> 443/TCP 2m34s
Il semble qu’il n’y a qu’une ressource dans notre cluster. Il s’agit du service d’API Kubernetes, pour qu’on puisse communiquer avec le cluster.
En réalité il y en a généralement d’autres cachés dans les autres namespaces. En effet les éléments internes de Kubernetes tournent eux-mêmes sous
forme de services et de daemons Kubernetes. Les namespaces sont des groupes qui servent à isoler les ressources de façon logique et en termes de
droits (avec le Role-Based Access Control (RBAC) de Kubernetes).
Pour vérifier cela on peut :
Afficher les namespaces : kubectl get namespaces
Un cluster Kubernetes a généralement un namespace appelé default dans lequel les commandes sont lancées et les ressources créées si on ne précise
rien. Il a également aussi un namespace kube-system dans lequel résident les processus et ressources système de k8s. Pour préciser le namespace on
peut rajouter l’argument -n à la plupart des commandes k8s.
Pour lister les ressources liées au kubectl get all -n kube-system.
Ou encore : kubectl get all --all-namespaces (peut être abrégé en kubectl get all -A) qui permet d’afficher le contenu de tous les
namespaces en même temps.
Pour avoir des informations sur un namespace : kubectl describe namespace/kube-system
Déployer une application en CLI

Nous allons maintenant déployer une première application conteneurisée. Le déploiement est un peu plus complexe qu’avec Docker, en particulier car il
est séparé en plusieurs objets et plus configurable.
Pour créer un déploiement en ligne de commande (par opposition au mode déclaratif que nous verrons plus loin), on peut lancer par exemple:
kubectl create deployment demonstration --image=monachus/rancher-demo.
Cette commande crée un objet de type deployment. Nous pourvons étudier ce deployment avec la commande kubectl describe
deployment/demonstration.
Notez la liste des événements sur ce déploiement en bas de la description.
De la même façon que dans la partie précédente, listez les pods avec kubectl. Combien y en a-t-il ?
Agrandissons ce déploiement avec kubectl scale deployment demonstration --replicas=5
kubectl describe deployment/demonstration permet de constater que le service est bien passé à 5 replicas.
Observez à nouveau la liste des évènements, le scaling y est enregistré…

Listez les pods pour constater
A ce stade impossible d’afficher l’application : le déploiement n’est pas encore accessible de l’extérieur du cluster. Pour régler cela nous devons
l’exposer grace à un service :
kubectl expose deployment demonstration --type=NodePort --port=8080 --name=demonstration-service
Affichons la liste des services pour voir le résultat: kubectl get services
Un service permet de créer un point d’accès unique exposant notre déploiement. Ici nous utilisons le type Nodeport car nous voulons que le service soit
accessible de l’extérieur par l’intermédiaire d’un forwarding de port.
Avec minikube ce forwarding de port doit être concrêtisé avec la commande minikube service demonstration-service. Normalement la page s’ouvre
automatiquement et nous voyons notre application.
Sauriez-vous expliquer ce que l’app fait ?

Pour le comprendre ou le confirmer, diminuez le nombre de réplicats à l’aide de la commande utilisée précédement pour passer à 5 réplicats. Qu
se passe-t-il ?
Une autre méthode pour accéder à un service (quel que soit sont type) en mode développement est de forwarder le traffic par l’intermédiaire de kubectl
(et des composants kube-proxy installés sur chaque noeuds du cluster).
Pour cela on peut par exemple lancer: kubectl port-forward svc/demonstration-service 8080:8080 --address 127.0.0.1
Vous pouvez désormais accéder à votre app via via kubectl sur: http://localhost:8080. Quelle différence avec l’exposition précédente via
minikube ?
=> Un seul conteneur s’affiche. En effet kubectl port-forward sert à créer une connexion de developpement/debug qui pointe toujours vers le même
pod en arrière plan.
Pour exposer cette application en production sur un véritable cluster, nous devrions plutôt avoir recours à service de type un LoadBalancer. Mais
minikube ne propose pas par défaut de loadbalancer. Nous y reviendrons dans le cours sur les objets kubernetes.
Simplifier les lignes de commande k8s
Pour gagner du temps on dans les commandes Kubernetes on peut définir un alias: alias kc='kubectl' (à mettre dans votre .bash_profile en
faisant echo "alias kc='kubectl'" >> ~/.bash_profile, puis en faisant source ~/.bash_profile).
Vous pouvez ensuite remplacer kubectl par kc dans les commandes.
Également pour gagner du temps en ligne de commande, la plupart des mots-clés de type Kubernetes peuvent être abrégés :
services devient svc

deployments devient deploy
etc.
La liste complète : https://blog.heptio.com/kubectl-resource-short-names-heptioprotip-c8eff9fb7202

Essayez d’afficher les serviceaccounts (users) et les namespaces avec une commande courte.
Une 2e installation : Mettre en place un cluster K8s managé chez le provider de cloud Scaleway
Je vais louer pour vous montrer un cluster kubernetes managé. Vous pouvez également louez le votre si vous préférez en créant un compte chez ce
provider de cloud.
Créez un compte (ou récupérez un accès) sur Scaleway.

Créez un cluster Kubernetes avec l’interface Scaleway
La création prend environ 5 minutes.
Sur la page décrivant votre cluster, un gros bouton en bas de la page vous incite à télécharger ce même fichier kubeconfig (Download
Kubeconfig).
Ce fichier contient la configuration kubectl adaptée pour la connexion à notre cluster.
Une 3e installation: k3s sur votre VPS

K3s est une distribution de Kubernetes orientée vers la création de petits clusters de production notamment pour l’informatique embarquée et l’Edge
computing. Elle a la caractéristique de rassembler les différents composants d’un cluster kubernetes en un seul “binaire” pouvant s’exécuter en mode
master (noeud du control plane) ou agent (noeud de calcul).
Avec K3s, il est possible d’installer un petit cluster d’un seul noeud en une commande ce que nous allons faire ici:
Lancez dans un terminal la commande suivante: curl -sfL https://get.k3s.io | INSTALL_K3S_EXEC="--disable=traefik" sh -
La configuration kubectl pour notre nouveau cluster k3s est dans le fichier /etc/rancher/k3s/k3s.yaml et accessible en lecture uniquement par root.
Pour se connecter au cluster on peut donc faire (parmis d’autre méthodes pour gérer la kubeconfig):
Copie de la conf sudo cp /etc/rancher/k3s/k3s.yaml ~/.kube/k3s.yaml

Changer les permission sudo chown $USER ~/.kube/k3s.yaml
activer cette configuration pour kubectl avec une variable d’environnement: export KUBECONFIG=~/.kube/k3s.yaml
Tester la configuration avec kubectl get nodes qui devrait renvoyer quelque chose proche de:
NAME STATUS ROLES AGE VERSION
vnc-stagiaire-... Ready control-plane,master 10m v1.21.7+k3s1
Merger la configuration kubectl

La/Les configurations de kubectl sont à déclarer dans la variable d’environnement KUBECONFIG. Nous allons déclarer deux fichiers de config et les
merger automatiquement.
Téléchargeons le fichiers de configuration scaleway fourni par le formateur ou à récupérer sur votre espace Scaleway. Enregistrez le par exemple
dans ~/.kube/scaleway.yaml.
Copiez le fichier de config k3s /etc/rancher/k3s/k3s.yaml dans ~/.kube: sudo cp /etc/rancher/k3s/k3s.yaml ~/.kube/ && sudo chown
stagiaire ~/.kube/k3s.yaml
Changez la variable d’environnement pour déclarer la config par défaut avec en plus nos deux nouvelles configs: export
KUBECONFIG=~/.kube/config:~/.kube/scaleway.yaml:~/.kube/k3s.yaml
Pour afficher la configuration fusionnée des fichiers et l’exporter comme configuration par défaut lancez: kubectl config view --flatten >
~/.kube/config.
Remettons l’env par défaut (vide): export KUBECONFIG=''.
Maintenant que nos trois configs sont fusionnées, observons l’organisation du fichier ~/.kube/config en particulier les éléments des listes YAML
de:
clusters
contexts
users
Listez les contextes avec kubectl config get-contexts et affichez les contexte courant avec kubectl config current-context.
Changez de contexte avec kubectl config use-context <nom_contexte>.
Testons quelle connexion nous utilisons avec avec kubectl get nodes.
Observons les derniers évènements arrivés à notre cluster avec kubectl get events --watch.
Au délà de la ligne de commande…

Accéder à la dashboard Kubernetes
Le moyen le plus classique pour avoir une vue d’ensemble des ressources d’un cluster est d’utiliser la Dashboard officielle. Cette Dashboard est
généralement installée par défaut lorsqu’on loue un cluster chez un provider.
On peut aussi l’installer dans minikube ou k3s.
=> Démonstration
Installer Lens
Lens est une interface graphique (un client “lourd”) pour Kubernetes. Elle se connecte en utilisant kubectl et la configuration ~/.kube/config par défaut
et nous permettra d’accéder à un dashboard puissant et agréable à utiliser.
Vous pouvez l’installer en lançant ces commandes :
## Install Lens
curl -LO https://github.com/lensapp/lens/releases/download/v4.1.4/Lens-4.1.4.amd64.deb
sudo dpkg -i Lens-4.1.4.amd64.deb
Lancez l’application Lens dans le menu “internet” de votre machine VNC

Sélectionnez le cluster Scaleway en cliquant sur le bouton plus au lancement
Explorons ensemble les ressources dans les différentes rubriques et namespaces
Installer Argocd sur notre cluster k3s
Argocd est une solution de “Continuous Delivery” dédiée au GitOps avec Kubernetes. Elle fourni une interface assez géniale pour détecter et monitorer
les ressources d’un cluster.
Nous verrons dans le TP5 comment l’installer et l’utiliser.

L’API et les Objets Kubernetes
Utiliser Kubernetes consiste à déclarer des objets grâce à l’API Kubernetes pour décrire l’état souhaité d’un cluster : quelles applications ou autres
processus exécuter, quelles images elles utilisent, le nombre de replicas, les ressources réseau et disque que vous mettez à disposition, etc.
On définit des objets généralement via l’interface en ligne de commande et kubectl de deux façons :
en lançant une commande kubectl run <conteneur> ..., kubectl expose ...
en décrivant un objet dans un fichier YAML ou JSON et en le passant au client kubectl apply -f monpod.yml
Vous pouvez également écrire des programmes qui utilisent directement l’API Kubernetes pour interagir avec le cluster et définir ou modifier l’état
souhaité. Kubernetes est complètement automatisable !
La commande apply
Kubernetes encourage le principe de l’infrastructure-as-code : il est recommandé d’utiliser une description YAML et versionnée des objets et
configurations Kubernetes plutôt que la CLI.
Pour cela la commande de base est kubectl apply -f object.yaml.
La commande inverse kubectl delete -f object.yaml permet de détruire un objet précédement appliqué dans le cluster à partir de sa description.
Lorsqu’on vient d’appliquer une description on peut l’afficher dans le terminal avec kubectl apply -f myobj.yaml view-last-applied
Globalement Kubernetes garde un historique de toutes les transformations des objets : on peut explorer, par exemple avec la commande kubectl
rollout history deployment.
Parenthèse : Le YAML
Kubernetes décrit ses ressources en YAML. A quoi ça ressemble, YAML ?
- marché:
lieu: Marché de la Place
jour: jeudi
horaire:
unité: "heure"
min: 12
max: 20
fruits:
- nom: pomme
couleur: "verte"
pesticide: avec
- nom: poires
couleur: jaune
pesticide: sans
légumes:
- courgettes
- salade
- potiron
Syntaxe
Alignement ! (2 espaces !!)
ALIGNEMENT !! (comme en python)
ALIGNEMENT !!! (le défaut du YAML, pas de correcteur syntaxique automatique, c’est bête mais vous y perdrez forcément du temps !)
des listes (tirets)
des paires clé: valeur
Un peu comme du JSON, avec cette grosse différence que le JSON se fiche de l’alignement et met des accolades et des points-virgules
les extensions Kubernetes et YAML dans VSCode vous aident à repérer des erreurs
Syntaxe de base d’une description YAML Kubernetes

Les description YAML permettent de décrire de façon lisible et manipulable de nombreuses caractéristiques des ressources Kubernetes (un peu comme
un Compose file par rapport à la CLI Docker).
Exemple
Création d’un service simple :

kind: Service
apiVersion: v1
metadata:
labels:
k8s-app: kubernetes-dashboard
name: kubernetes-dashboard
namespace: kubernetes-dashboard
spec:
ports:
- port: 443
targetPort: 8443
selector:
k8s-app: kubernetes-dashboard
type: NodePort
Remarques de syntaxe :
Toutes les descriptions doivent commencer par spécifier la version d’API (minimale) selon laquelle les objets sont censés être créés
Il faut également préciser le type d’objet avec kind
Le nom dans metadata:\n name: value est également obligatoire.
On rajoute généralement une description longue démarrant par spec:
Description de plusieurs ressources

On peut mettre plusieurs ressources à la suite dans un fichier k8s : cela permet de décrire une installation complexe en un seul fichier
par exemple le dashboard Kubernetes https://github.com/kubernetes/dashboard/blob/master/aio/deploy/recommended.yaml
L’ordre n’importe pas car les ressources sont décrites déclarativement c’est-à-dire que:
Les dépendances entre les ressources sont déclarées

Le control plane de Kubernetes se charge de planifier l’ordre correct de création en fonction des dépendances (pods avant le déploiement,
rôle avec l’utilisateur lié au rôle)
On préfère cependant les mettre dans un ordre logique pour que les humains puissent les lire.
On peut sauter des lignes dans le YAML et rendre plus lisible les descriptions
On sépare les différents objets par ---
Objets de base
Les namespaces
Tous les objets Kubernetes sont rangés dans différents espaces de travail isolés appelés namespaces.
Cette isolation permet 3 choses :
ne voir que ce qui concerne une tâche particulière (ne réfléchir que sur une seule chose lorsqu’on opère sur un cluster)
créer des limites de ressources (CPU, RAM, etc.) pour le namespace
définir des rôles et permissions sur le namespace qui s’appliquent à toutes les ressources à l’intérieur.
Lorsqu’on lit ou créé des objets sans préciser le namespace, ces objets sont liés au namespace default.
Pour utiliser un namespace autre que default avec kubectl il faut :
le préciser avec l’option -n : kubectl get pods -n kube-system

créer une nouvelle configuration dans la kubeconfig pour changer le namespace par defaut.
Kubernetes gère lui-même ses composants internes sous forme de pods et services.
Si vous ne trouvez pas un objet, essayez de lancer la commande kubectl avec l’option -A ou --all-namespaces
Les Pods
Un Pod est l’unité d’exécution de base d’une application Kubernetes que vous créez ou déployez. Un Pod représente des process en cours d’exécution
dans votre Cluster.
Un Pod encapsule un conteneur (ou souvent plusieurs conteneurs), des ressources de stockage, une IP réseau unique, et des options qui contrôlent
comment le ou les conteneurs doivent s’exécuter (ex: restart policy). Cette collection de conteneurs et volumes tournent dans le même environnement
d’exécution mais les processus sont isolés.
Un Pod représente une unité de déploiement : un petit nombre de conteneurs qui sont étroitement liés et qui partagent :
les mêmes ressources de calcul

des volumes communs
la même IP donc le même nom de domaine
peuvent se parler sur localhost
peuvent se parler en IPC
ont un nom différent et des logs différents
Chaque Pod est destiné à exécuter une instance unique d’un workload donné. Si vous désirez mettre à l’échelle votre workload, vous devez multiplier le
nombre de Pods avec un déploiement.
Pour plus de détail sur la philosophie des pods, vous pouvez consulter ce bon article.
Kubernetes fournit un ensemble de commande pour débugger des conteneurs :
kubectl logs <pod-name> -c <conteneur_name> (le nom du conteneur est inutile si un seul)
kubectl exec -it <pod-name> -c <conteneur_name> -- bash
kubectl attach -it <pod-name>
Enfin, pour debugger la sortie réseau d’un programme on peut rapidement forwarder un port depuis un pods vers l’extérieur du cluster :
kubectl port-forward <pod-name> <port_interne>:<port_externe>

C’est une commande de debug seulement : pour exposer correctement des processus k8s, il faut créer un service, par exemple avec NodePort.
Pour copier un fichier dans un pod on peut utiliser: kubectl cp <pod-name>:</path/to/remote/file> </path/to/local/file>
Pour monitorer rapidement les ressources consommées par un ensemble de processus il existe les commande kubectl top nodes et kubectl top pods
Un manifeste de Pod
rancher-demo-pod.yaml
apiVersion: v1
kind: Pod
metadata:
name: rancher-demo-pod
spec:
containers:
- image: monachus/rancher-demo:latest
name: rancher-demo-container
ports:
- containerPort: 8080
name: http
protocol: TCP
- image: redis
name: redis-container
ports:
name: http
protocol: TCP
Rappel sur quelques concepts

Haute disponibilité
Faire en sorte qu’un service ait un “uptime” élevé.
On veut que le service soit tout le temps accessible même lorsque certaines ressources manquent :
elles tombent en panne

elles sont sorties du service pour mise à jour, maintenance ou modification
Pour cela on doit avoir des ressources multiples…
Plusieurs serveurs
Plusieurs versions des données
Plusieurs accès réseau
Il faut que les ressources disponibles prennent automatiquement le relais des ressources indisponibles.
Pour cela on utilise en particulier:
des “load balancers” : aiguillages réseau intelligents

des “healthchecks” : une vérification de la santé des applications
Nous allons voir que Kubernetes intègre automatiquement les principes de load balancing et de healthcheck dans l’orchestration de conteneurs
Répartition de charge (load balancing)

Un load balancer : une sorte d'“aiguillage” de trafic réseau, typiquement HTTP(S) ou TCP.
Un aiguillage intelligent qui se renseigne sur plusieurs critères avant de choisir la direction.
Cas d’usage :
Éviter la surcharge : les requêtes sont réparties sur différents backends pour éviter de les saturer.
L’objectif est de permettre la haute disponibilité : on veut que notre service soit toujours disponible, même en période de panne/maintenance.
Donc on va dupliquer chaque partie de notre service et mettre les différentes instances derrière un load balancer.
Le load balancer va vérifier pour chaque backend s’il est disponible (healthcheck) avant de rediriger le trafic.
Répartition géographique : en fonction de la provenance des requêtes on va rediriger vers un datacenter adapté (+ proche).
Healthchecks
Fournir à l’application une façon d’indiquer qu’elle est disponible, c’est-à-dire :
qu’elle est démarrée (liveness)
qu’elle peut répondre aux requêtes (readiness).
Application microservices
Une application composée de nombreux petits services communiquant via le réseau. Le calcul pour répondre à une requête est décomposé en
différente parties distribuées entre les services. Par exemple:
un service est responsable de la gestion des clients et un autre de la gestion des commandes.
Ce mode de développement implique souvent des architectures complexes pour être mis en oeuvre et kubernetes est pensé pour faciliter leur
gestion à grande échelle.
Imaginez devoir relancer manuellement des services vitaux pour une application en hébergeant des centaines d’instances : c’est en particulier à ce
moment que kubernetes devient indispensable.
2 exemples d’application microservices:
https://github.com/microservices-patterns/ftgo-application -> fonctionne avec le très bon livre Microservices pattern visible sur le readme.
https://github.com/GoogleCloudPlatform/microservices-demo -> Exemple d’application microservice de référence de Google pour Kubernetes.
L’architecture découplée des services Kubernetes
Comme nous l’avons vu dans le TP1, déployer une application dans kubernetes demande plusieurs étapes. En réalité en plus des pods l’ensemble de la
gestion d’un service applicatif se décompose dans Kubernetes en 3 à 4 objets articulés entre eux:
replicatset
deployment
service
(ingress)
Les Deployments (deploy)
Les déploiements sont les objets effectivement créés manuellement lorsqu’on déploie une application. Ce sont des objets de plus haut niveau que les
pods et replicaset et les pilote pour gérer un déploiement applicatif.

Les poupées russes Kubernetes : un Deployment contient un
ReplicaSet, qui contient des Pods, qui contiennent des conteneurs
Si c’est nécessaire d’avoir ces trois types de ressources c’est parce que Kubernetes respecte un principe de découplage des responsabilités.
La responsabilité d’un déploiement est de gérer la coexistence et le tracking de versions multiples d’une application et d’effectuer des montées de
version automatiques en haute disponibilité en suivant une RolloutStrategy (CF. TP optionnel).
Ainsi lors des changements de version, un seul deployment gère automatiquement deux replicasets contenant chacun une version de l’application : le
découplage est nécessaire.
Un deployment implique la création d’un ensemble de Pods désignés par une étiquette label et regroupé dans un Replicaset.
Exemple :
apiVersion: apps/v1
kind: Deployment
metadata:
name: nginx-deployment
labels:
app: nginx
spec:
replicas: 3
strategy:
type: Recreate
selector:
matchLabels:
app: nginx
template:
metadata:
labels:
app: nginx
spec:
containers:
- name: nginx
image: nginx:1.7.9
ports:
- containerPort: 80
Pour les afficher : kubectl get deployments
La commande kubectl run sert à créer un deployment à partir d’un modèle. Il vaut mieux utilisez apply -f.
Les ReplicaSets (rs)

Dans notre modèle, les ReplicaSet servent à gérer et sont responsables pour:
la réplication (avoir le bon nombre d’instances et le scaling)
la santé et le redémarrage automatique des pods de l’application (Self-Healing)
kubectl get rs pour afficher la liste des replicas.
En général on ne les manipule pas directement (c’est déconseillé) même s’il est possible de les modifier et de les créer avec un fichier de ressource.
Pour créer des groupes de conteneurs on utilise soit un Deployment soit d’autres formes de workloads (DaemonSet, StatefulSet, Job) adaptés à
d’autres cas.
Les Services
Dans Kubernetes, un service est un objet qui :
Désigne un ensemble de pods (grâce à des tags) généralement géré par un déploiement.
Fournit un endpoint réseau pour les requêtes à destination de ces pods.
Configure une politique permettant d’y accéder depuis l’intérieur ou l’extérieur du cluster.
L’ensemble des pods ciblés par un service est déterminé par un selector.
Par exemple, considérons un backend de traitement d’image (stateless, c’est-à-dire ici sans base de données) qui s’exécute avec 3 replicas. Ces replicas
sont interchangeables et les frontends ne se soucient pas du backend qu’ils utilisent. Bien que les pods réels qui composent l’ensemble backend puissent
changer, les clients frontends ne devraient pas avoir besoin de le savoir, pas plus qu’ils ne doivent suivre eux-mêmes l’état de l’ensemble des backends.
L’abstraction du service permet ce découplage : les clients frontend s’addressent à une seule IP avec un seul port dès qu’ils ont besoin d’avoir recours à
un backend. Les backends vont recevoir la requête du frontend aléatoirement.
Les Services sont de trois types principaux :
ClusterIP: expose le service sur une IP interne au cluster. Les autres pods peuvent alors accéder au service de l’intérieur du cluster, mais il n’est
pas l’extérieur.
NodePort: expose le service depuis l’IP de chacun des noeuds du cluster en ouvrant un port directement sur le nœud, entre 30000 et 32767. Cela
permet d’accéder aux pods internes répliqués. Comme l’IP est stable on peut faire pointer un DNS ou Loadbalancer classique dessus.

Crédits à Ahmet Alp Balkan pour les schémas
LoadBalancer: expose le service en externe à l’aide d’un Loadbalancer de fournisseur de cloud. Les services NodePort et ClusterIP, vers lesquels
le Loadbalancer est dirigé sont automatiquement créés.

Crédits Ahmet Alp Balkan
Les autres types de Workloads Kubernetes
En plus du déploiement d’un application, Il existe pleins d’autre raisons de créer un ensemble de Pods:
Le DaemonSet: Faire tourner un agent ou démon sur chaque nœud, par exemple pour des besoins de monitoring, ou pour configurer le réseau sur
chacun des nœuds.
Le Job : Effectuer une tache unique de durée limitée et ponctuelle, par exemple de nettoyage d’un volume ou la préparation initiale d’une
application, etc.
Le CronJob : Effectuer une tache unique de durée limitée et récurrente, par exemple de backup ou de régénération de certificat, etc.
De plus même pour faire tourner une application, les déploiements ne sont pas toujours suffisants. En effet ils sont peu adaptés à des applications
statefull comme les bases de données de toutes sortes qui ont besoin de persister des données critiques. Pour celà on utilise un StatefulSet que nous
verrons par la suite.
Étant donné les similitudes entre les DaemonSets, les StatefulSets et les Deployments, il est important de comprendre un peu précisément quand les
utiliser.
Les Deployments (liés à des ReplicaSets) doivent être utilisés :
lorsque votre application est complètement découplée du nœud

que vous pouvez en exécuter plusieurs copies sur un nœud donné sans considération particulière
que l’ordre de création des replicas et le nom des pods n’est pas important
lorsqu’on fait des opérations stateless
Les DaemonSets doivent être utilisés :
lorsqu’au moins une copie de votre application doit être exécutée sur tous les nœuds du cluster (ou sur un sous-ensemble de ces nœuds).
Les StatefulSets doivent être utilisés :
lorsque l’ordre de création des replicas et le nom des pods est important
lorsqu’on fait des opérations stateful (écrire dans une base de données)
Jobs
Les jobs sont utiles pour les choses que vous ne voulez faire qu’une seule fois, comme les migrations de bases de données ou les travaux par lots. Si
vous exécutez une migration en tant que Pod dans un deployment:
Dès que la migration se finit le processus du pod s’arrête.

Le replicaset qui détecte que l'“application” s’est arrêter va tenter de la redémarrer en recréant le pod.
Votre tâche de migration de base de données se déroulera donc en boucle, en repeuplant continuellement la base de données.
CronJobs
Comme des jobs, mais se lancent à un intervalle régulier, comme les cron sur les systèmes unix.

Dans ce court TP nous allons redéployer notre application demonstration du TP1 mais cette fois en utilisant kubectl apply -f et en visualisant le
résultat dans Lens.
N’hésitez pas aussi à observer les derniers évènements arrivés à votre cluster avec kubectl get events --watch.
Changez de contexte pour k3s avec kubectl config use-context k3s ou kubectl config use-context default
Chargez également la configuration de k3s dans Lens en cliquant à nouveau sur plus et en selectionnant k3s ou default
Commencez par supprimer les ressources demonstration et demonstration-service du TP1
Créez un dossier TP2_deploy_using_files_and_Lens sur le bureau de la machine distante et ouvrez le avec VSCode.
Nous allons d’abord déployer notre application comme un simple Pod (non recommandé mais montré ici pour l’exercice).
Créez un fichier demo-pod.yaml avec à l’intérieur le code d’exemple du cours précédent de la partie Pods.
Appliquez le ficher avec kubectl apply -f <fichier>
Constatez dans Lens dans la partie pods que les deux conteneurs du pod sont bien démarrés (deux petits carrés vert à droite de la ligne du pod)
Modifiez le nom du pod dans la description précédente et réappliquez la configuration. Kubernetes mets à jour le nom.
Modifier le nom du conteneur rancher-demo et réappliquez la configuration. Que se passe-t-il ?
=> Kubernetes refuse d’appliquer le nouveau nom de conteneur car un pod est largement immutable. Pour changer d’une quelquonque façon les
conteneurs du pod il faut supprimer (kubectl delete -f <fichier>) et recréer le pod. Mais ce travail de mise à jour devrais être géré par un
déploiement pour automatiser et pour garantir la haute disponibilité de notre application demonstration.
Kubernetes fournit un ensemble de commande pour débugger des conteneurs :
kubectl logs <pod-name> -c <conteneur_name> (le nom du conteneur est inutile si un seul)
kubectl exec -it <pod-name> -c <conteneur_name> -- bash
kubectl attach -it <pod-name>
Explorez le pod avec la commande kubectl exec -it <pod-name> -c <conteneur_name> -- bash écrite plus haut.
Supprimez le pod.
Avec un déploiement (méthode à utiliser)

Créez un fichier demo-deploy.yaml avec à l’intérieur le code suivant à compléter:
apiVersion: apps/v1
kind: Deployment
metadata:
name: demonstration
labels:
nom-app: demonstration
partie: objet-deploiement
spec:
selector:
matchLabels:
partie: les-petits-pods-demo
strategy:
type: Recreate
replicas: 1
template:
metadata:
labels:
spec:
containers:
- image: <image>
name: <name>
ports:
- containerPort: <port>
name: demo-http
Appliquez ce nouvel objet avec kubectl.

Inspectez le déploiement dans Lens.
Changez le nom d’un conteneur et réappliquez: Cette fois le déploiement se charge créer un nouveau pod avec les bonnes caractéristiques et de
supprimer l’ancien.
Changez le nombre de réplicats.
Ajoutons un service en mode NodePort

Créez un fichier demo-svc.yaml avec à l’intérieur le code suivant à compléter:
apiVersion: v1
kind: Service
metadata:
name: demo-service
labels:
partie: le-fameux-service-demo
spec:
ports:
- port: <port>
selector:
type: NodePort
Appliquez ce nouvel objet avec kubectl.

Inspectez le service dans Lens.
Visitez votre application avec l’Internal ip du noeud (à trouver dans les information du node) et le nodeport (port 3xxxx) associé au service, le
nombre de réplicat devrait apparaître.
Pour tester, changez le label du selector dans le service (lignes nom-app: demonstration et partie: les-petits-pods-demo à remplacer dans le
fichier ) et réappliquez.
Constatez que l’application n’est plus accessible dans le navigateur. Pourquoi ?
Allez voir la section endpoints dans lens, constatez que quand l’étiquette est la bonne la liste des IPs des pods est présente et après la modification
du selector la liste est vide (None)
=> Les services kubernetes redirigent le trafic basés sur les étiquettes (labels) appliquées sur les pods du cluster. Il faut donc de même éviter d’utiliser
deux fois le même label pour des parties différentes de l’application.
Solution
Le dépôt Git de la correction de ce TP est accessible ici : git clone -b correction_k8s_tp2 https://github.com/Uptime-
Formation/corrections_tp.git
06 - Rappels Docker
Les Dockerfiles
Cours
TP
Les volumes et les conteneurs

Cours
TP
Pour un exemple docker que nous allons réutiliser dans le TP3 vous pouvez cloner le code suivant: git clone -b correction_k8s_tp2
https://github.com/Uptime-Formation/corrections_tp.git

Récupérez le projet de base en clonant la correction du TP2: git clone -b exercice https://github.com/Uptime-Formation/tp3-k8s.git tp3. On peut
ouvrir une fenêtre VSCode directement dans le dossier qui nous intéresse avec : code tp3.
Ce TP va consister à créer des objets Kubernetes pour déployer une application microservices (plutôt simple) : monsterstack.
Elle est composée :
d’un front-end en Flask (Python) appelé monstericon,

d’un service de backend qui génère des images (un avatar de monstre correspondant à une chaîne de caractères) appelé dnmonster
et d’un datastore redis servant de cache pour les images de monstericon
Nous allons également utiliser le builder kubernetes skaffold pour déployer l’application en mode développement : l’image du frontend monstericon
sera construite à partir du code source présent dans le dossier app et automatiquement déployée dans minikube.
Etudions le code et testons avec docker-compose

Monstericon est une application web python (flask) qui propose un petit formulaire et lance une requete sur le backend pour chercher une image
et l’afficher.
Monstericon est construit à partir du Dockerfile présent dans le dossier TP3.
Le fichier docker-compose.yml est utile pour faire tourner les trois services de l’application dans docker rapidement (plus simple que kubernetes)
Pour lancer l’application il suffit d’exécuter: docker-compose up
Passons maintenant à Kubernetes.
Utiliser Kompose (facultatif)

Explorer avec Kompose comment on peut traduire un fichier docker-compose.yml en ressources Kubernetes (ce sont les instructions à la page suivante :
https://kubernetes.io/fr/docs/tasks/configure-pod-container/translate-compose-kubernetes/).
D’abord, installons Kompose :

# Linux
curl -L https://github.com/kubernetes/kompose/releases/download/v1.26.1/kompose-linux-amd64 -o kompose
chmod +x kompose
sudo mv ./kompose /usr/local/bin/kompose
Puis, utilisons la commande kompose convert et observons les fichiers générés. On peut ensuite faire kubectl apply avec les ressources créées à partir
du fichier Compose.
Déploiements pour le backend d’image dnmonster et le datastore redis

Maintenant nous allons également créer un déploiement pour dnmonster:
créez dnmonster.yaml dans le dossier k8s-deploy-dev et collez-y le code suivant :
dnmonster.yaml :
apiVersion: apps/v1
kind: Deployment
metadata:
name: dnmonster
labels:
app: monsterstack
spec:
selector:
matchLabels:
app: monsterstack
partie: dnmonster
strategy:
type: Recreate
replicas: 5
template:
metadata:
labels:
app: monsterstack
partie: dnmonster
spec:
containers:
- image: amouat/dnmonster:1.0
name: dnmonster
ports:
name: dnmonster
Ensuite, configurons un deuxième deployment redis.yaml:
apiVersion: apps/v1
kind: Deployment
metadata:
name: redis
labels:
app: monsterstack
spec:
selector:
matchLabels:
app: monsterstack
partie: redis
strategy:
type: Recreate
replicas: 1
template:
metadata:
labels:
app: monsterstack
partie: redis
spec:
containers:
- image: redis:latest
name: redis
ports:
name: redis
Installez skaffold en suivant les indications ici: https://skaffold.dev/docs/install/
Appliquez ces ressources avec kubectl et vérifiez dans Lens que les 3 réplicats sont bien lancés.
Déploiement du frontend monstericon

Ajoutez au fichier monstericon.yml du dossier k8s-deploy-dev le code suivant:
apiVersion: apps/v1
kind: Deployment
metadata:
name: monstericon
labels:
app: monsterstack
spec:
selector:
matchLabels:
app: monsterstack
partie: monstericon
strategy:
type: Recreate
replicas: 3
template:
metadata:
labels:
app: monsterstack
partie: monstericon
spec:
containers:
- name: monstericon
image: monstericon
ports:
L’image monstericon de ce déploiement n’existe pas sur le Docker Hub, et notre Kubernetes doit pouvoir accéder à la nouvelle version de l’image
construite à partir du Dockerfile. Nous allons utiliser skaffold pour cela.
Il y a plusieurs possibilités :
utiliser minikube : minikube a la capacité de se connecter au registry de notre installation Docker locale
sur k3s ou sur un cluster cloud : pousser à chaque itération notre image sur un registry distant (Docker Hub)
pour ce faire, il faut éditer le fichier skaffold.yaml et le fichier de Deployment correspondant pour remplacer le nom de l’image
monstericon pour faire référence à l’adresse à laquelle on souhaite pousser l’image sur le registry distant (ex:
docker.io/MON_COMPTE_DOCKER_HUB/monstericon)
il est possible qu’il faille ajouter au même niveau que artifacts: dans le fichier skaffold.yaml ceci :
local:
push: true
heureusement le mécanisme de layers des images Docker ne nous oblige à uploader que les layers modifiés de notre image à chaque build
(plus long) configurer un registry local (en Docker ou en Kubernetes) auquel Skaffold et Kubernetes peuvent accéder
c’est plus long car il faut simplement configurer les certificats HTTPS ou expliciter que l’on peut utiliser un registry non sécurisé (HTTP)
ensuite il suffit de déployer un registry tout simple (l’image officielle registry:2) ou plus avancé (Harbour par exemple)
(plus avancé) utiliser Kaniko, un programme de Google qui permet de builder directement dans le cluster Kubernetes :
https://skaffold.dev/docs/pipeline-stages/builders/docker/#dockerfile-in-cluster-with-kaniko
Observons le fichier skaffold.yaml
Lancez skaffold run pour construire et déployer l’application automatiquement (skaffold utilise ici le registry docker local et kubectl)
Santé du service avec les Probes
Ajoutons des healthchecks au conteneur dans le pod avec la syntaxe suivante (le mot-clé livenessProbe doit être à la hauteur du i de image:) :
livenessProbe:
tcpSocket: # si le socket est ouvert c'est que l'application est démarrée
port: 5000
initialDelaySeconds: 5 # wait before firt probe
timeoutSeconds: 1 # timeout for the request
periodSeconds: 10 # probe every 10 sec
failureThreshold: 3 # fail maximum 3 times
readinessProbe:
httpGet:
path: /healthz # si l'application répond positivement sur sa route /healthz c'est qu'elle est prête pour le traffic
port: 5000
httpHeaders:
- name: Accept
value: application/json
initialDelaySeconds: 5
timeoutSeconds: 1
periodSeconds: 10
failureThreshold: 3
La livenessProbe est un test qui s’assure que l’application est bien en train de tourner. S’il n’est pas rempli le pod est automatiquement supprimé et
recréé en attendant que le test fonctionne.
Ainsi, k8s sera capable de savoir si notre conteneur applicatif fonctionne bien, quand le redémarrer. C’est une bonne pratique pour que le replicaset
Kubernetes sache quand redémarrer un pod et garantir que notre application se répare elle même (self-healing).
Cependant une application peut être en train de tourner mais indisponible pour cause de surcharge ou de mise à jour par exemple. Dans ce cas on
voudrait que le pod ne soit pas détruit mais que le traffic évite l’instance indisponible pour être renvoyé vers un autre backend ready.
La readinessProbe est un test qui s’assure que l’application est prête à répondre aux requêtes en train de tourner. S’il n’est pas rempli le pod est marqué
comme non prêt à recevoir des requêtes et le service évitera de lui en envoyer.
Configuration d’une application avec des variables d’environnement simples
Notre application monstericon peut être configurée en mode DEV ou PROD. Pour cela elle attend une variable d’environnement CONTEXT pour lui
indiquer si elle doit se lancer en mode PROD ou en mode DEV. Ici nous mettons l’environnement DEV en ajoutant (aligné avec la livenessProbe):
env:
- name: CONTEXT
value: DEV
Ajouter des indications de ressource nécessaires pour garantir la qualité de service
Ajoutons aussi des contraintes sur l’usage du CPU et de la RAM, en ajoutant à la même hauteur que env: :
resources:
requests:
cpu: "100m" # 10% de proc
memory: "50Mi"
limits:
cpu: "300m" # 30% de proc
memory: "200Mi"
Nos pods auront alors la garantie de disposer d’un dixième de CPU (100/1000) et de 50 mégaoctets de RAM. Ce type d’indications permet de remplir
au maximum les ressources de notre cluster tout en garantissant qu’aucune application ne prend toute les ressources à cause d’un fuite mémoire etc.
Relancer skaffold run pour appliquer les modifications.

Avec kubectl describe deployment monstericon, lisons les résultats de notre readinessProbe, ainsi que comment s’est passée la stratégie de
déploiement type: Recreate.
Exposer notre stack avec des services
Les services K8s sont des endpoints réseaux qui balancent le trafic automatiquement vers un ensemble de pods désignés par certains labels. Ils sont un
peu la pierre angulaire des applications microservices qui sont composées de plusieurs sous parties elles même répliquées.
Pour créer un objet Service, utilisons le code suivant, à compléter :
apiVersion: v1
kind: Service
metadata:
name: <nom_service>
labels:
app: monsterstack
spec:
ports:
- port: <port>
selector:
app: <app_selector>
partie: <tier_selector>
type: <type>
---
Ajoutez le code précédent au début de chaque fichier déploiement. Complétez pour chaque partie de notre application :
le nom du service (name: dans metadata:) par le nom de notre programme. En particulier, il faudra forcément appeler les services redis et
dnmonster comme ça car cela permet à Kubernetes de créer les entrées DNS correspondantes. Le pod monstericon pourra ainsi les joindre en
demandant à Kubernetes l’IP derrière dnmonster et redis.
nom de la partie par le nom de notre programme (monstericon, dnmonster et redis)
le port par le port du service
les selectors app et partie par ceux du pod correspondant.
Le type sera : ClusterIP pour dnmonster et redis, car ce sont des services qui n’ont à être accédés qu’en interne, et LoadBalancer pour monstericon.
Appliquez à nouveau avec skaffold run.

Listez les services avec kubectl get services.
Visitez votre application dans le navigateur avec minikube service monstericon.
Supprimez l’application avec skaffold delete.
Ajoutons un ingress (~ reverse proxy) pour exposer notre application en http

Pour Minikube : Installons le contrôleur Ingress Nginx avec minikube addons enable ingress.
Pour les autres types de cluster (cloud ou k3s), lire la documentation sur les prérequis pour les objets Ingress et installez l’ingress controller
appelé ingress-nginx : https://kubernetes.io/docs/concepts/services-networking/ingress/#prerequisites. Si besoin, aidez-vous du TP suivant sur
l’utilisation de Helm.
Avant de continuer, vérifiez l’installation du contrôleur Ingress Nginx avec kubectl get svc -n ingress-nginx ingress-nginx-controller : le
service ingress-nginx-controller devrait avoir une IP externe.
Il s’agit d’une implémentation de reverse proxy dynamique (car ciblant et s’adaptant directement aux objets services k8s) basée sur nginx configurée
pour s’interfacer avec un cluster k8s.
Repassez le service monstericon en mode ClusterIP. Le service n’est plus accessible sur un port. Nous allons utiliser l’ingress à la place pour
afficher la page.
Ajoutez également l’objet Ingress suivant dans le fichier monster-ingress.yaml :
apiVersion: networking.k8s.io/v1
kind: Ingress
metadata:
name: monster-ingress
annotations:
nginx.ingress.kubernetes.io/rewrite-target: /
spec:
ingressClassName: nginx
rules:
- host: monsterstack.local # à changer si envie/besoin
http:
paths:
- path: /
pathType: Prefix
backend:
service:
name: monstericon
port:
number: 5000
Ajoutez ce fichier avec skaffold run.
Récupérez l’ip de minikube avec minikube ip, (ou alors allez observer l’objet Ingress dans Lens dans la section Networking. Sur cette ligne,
récupérez l’ip de minikube en 192.x.x.x.).
Ajoutez la ligne <ip-minikube> monsterstack.local au fichier /etc/hosts avec sudo nano /etc/hosts puis CRTL+S et CTRL+X pour sauver et
quitter.
Visitez la page http://monsterstack.local pour constater que notre Ingress (reverse proxy) est bien fonctionnel.
Solution
Le dépôt Git de la correction de ce TP est accessible ici : git clone -b tp3 https://github.com/Uptime-Formation/corrections_tp.git

Les solutions réseau dans Kubernetes ne sont pas standard.
Il existe plusieurs façons d’implémenter le réseau.
Rappel, les objets Services

Les Services sont de trois types principaux :
ClusterIP: expose le service sur une IP interne au cluster appelée ClusterIP. Les autres pods peuvent alors accéder au service mais pas
l’extérieur.
NodePort:expose le service depuis l’IP publique de chacun des noeuds du cluster en ouvrant port directement sur le nœud, entre 30000 et
32767. Cela permet d’accéder aux pods internes répliqués. Comme l’IP est stable on peut faire pointer un DNS ou Loadbalancer classique dessus.
Dans la pratique, on utilise très peu ce type de service.

Crédits à Ahmet Alp Balkan pour les schémas
LoadBalancer: expose le service en externe à l’aide d’un Loadbalancer de fournisseur de cloud. Les services NodePort et ClusterIP, vers lesquels
le Loadbalancer est dirigé sont automatiquement créés.
Dans la pratique, on utilise que ponctuellement ce type de service, pour du HTTP/s on ne va pas exposer notre service (ce sera un service
de type ClusterIP) et on va utiliser à la place un objet Ingress (voir ci-dessous).

Fournir des services LoadBalancer on premise avec MetalLB

Dans un cluster managé provenant d’un fournisseur de cloud, la création d’un objet Service Lodbalancer entraine le provisionning d’une nouvelle
machine de loadbalancing à l’extérieur du cluster avec une IPv4 publique grâce à l’offre d’IaaS du provideur (impliquant des frais supplémentaires).
Cette intégration n’existe pas par défaut dans les clusters de dev comme minikube ou les cluster on premise (le service restera pending et fonctionnera
comme un NodePort). Le projet MetalLB cherche à y remédier en vous permettant d’installer un loadbalancer directement dans votre cluster en utilisant
une connexion IP classique ou BGP pour la haute disponibilité.
Les objets Ingresses

Un Ingress est un objet pour gérer dynamiquement le reverse proxy HTTP/HTTPS dans Kubernetes. Documentation:
https://kubernetes.io/docs/concepts/services-networking/ingress/#what-is-ingress
Exemple de syntaxe d’un ingress:
kind: Ingress
metadata:
name: ingress-wildcard-host
spec:
rules:
- host: "domain1.bar.com"
http:
paths:
- pathType: Prefix
path: "/bar"
backend:
service:
name: service1
port:
number: 80
- pathType: Prefix
path: "/foo"
backend:
service:
name: service2
port:
number: 80
- host: "domain2.foo.com"
http:
paths:
- pathType: Prefix
path: "/"
backend:
service:
name: service3
port:
number: 80
Pour pouvoir créer des objets ingress il est d’abord nécessaire d’installer un ingress controller dans le cluster:
Il s’agit d’un déploiement conteneurisé d’un logiciel de reverse proxy (comme nginx) et intégré avec l’API de kubernetes
Le controlleur agit donc au niveau du protocole HTTP et doit lui-même être exposé (port 80 et 443) à l’extérieur, généralement via un service de
type LoadBalancer.
Le controleur redirige ensuite vers différents services (généralement configurés en ClusterIP) qui à leur tour redirigent vers différents ports sur
les pods selon l’URL de la requête.
Il existe plusieurs variantes d'ingress controller:
Un ingress basé sur Nginx plus ou moins officiel à Kubernetes et très utilisé: https://kubernetes.github.io/ingress-nginx/
Un ingress Traefik optimisé pour k8s.
il en existe d’autres : celui de payant l’entreprise Nginx, Contour, HAProxy…
Chaque provider de cloud et flavour de kubernetes est légèrement différent au niveau de la configuration du controlleur ce qui peut être déroutant au
départ:
minikube permet d’activer l’ingress nginx simplement (voir TP)

autre example: k3s est fourni avec traefik configuré par défaut
On peut installer plusieurs ingress controllers correspondant à plusieurs IngressClasses
Comparaison des controlleurs: https://medium.com/flant-com/comparing-ingress-controllers-for-kubernetes-9b397483b46b
Gestion dynamique des certificats à l’aide de certmanager

Certmanager est une application kubernetes (un operator) plus ou moins officielle capable de générer automatiquement des certificats TLS/HTTPS pour
nos ingresses.
Documentation d’installation: https://cert-manager.io/docs/installation/kubernetes/
Tutorial pas à pas pour générer un certificat automatiquement avec un ingress et letsencrypt: https://cert-manager.io/docs/tutorials/acme/ingress/
Exemple de syntaxe d’un ingress utilisant certmanager:
kind: Ingress
metadata:
name: kuard
annotations:
kubernetes.io/ingress.class: "nginx"
cert-manager.io/issuer: "letsencrypt-prod"
spec:
tls:
- hosts:
- example.example.com
secretName: quickstart-example-tls
rules:
- host: example.example.com
http:
paths:
- path: /
pathType: Exact
backend:
service:
name: kuard
port:
number: 80
Le mesh networking et les service meshes

Un service mesh est un type d’outil réseau pour connecter un ensemble de pods, généralement les parties d’une application microservices de façon
encore plus intégrée que ne le permet Kubernetes.
En effet opérer une application composée de nombreux services fortement couplés discutant sur le réseau implique des besoins particuliers en terme de
routage des requêtes, sécurité et monitoring qui nécessite l’installation d’outils fortement dynamique autour des nos conteneurs.
Un exemple de service mesh est https://istio.io qui, en ajoutant en conteneur “sidecar” à chacun des pods à supervisés, ajoute à notre application
microservice un ensemble de fonctionnalités d’intégration très puissant.
CNI (container network interface) : Les implémentations du réseau Kubernetes

Beaucoup de solutions de réseau qui se concurrencent, demandant un comparatif un peu fastidieux.
plusieurs solutions très robustes

diffèrent sur l’implémentation : BGP, réseau overlay ou non (encapsulation VXLAN, IPinIP, autre)
toutes ne permettent pas d’appliquer des NetworkPolicies : l’isolement et la sécurité réseau
peuvent parfois s’hybrider entre elles (Canal = Calico + Flannel)
ces implémentations sont souvent concrètement des DaemonSets : des pods qui tournent dans chacun des nodes de Kubernetes
Calico, Flannel, Weave ou Cilium sont très employées et souvent proposées en option par les fournisseurs de cloud
Cilium a la particularité d’utiliser la technologie eBPF de Linux qui permet une sécurité et une rapidité accrue
Comparaisons :
https://www.objectif-libre.com/fr/blog/2018/07/05/comparatif-solutions-reseaux-kubernetes/
https://rancher.com/blog/2019/2019-03-21-comparing-kubernetes-cni-providers-flannel-calico-canal-and-weave/
Les network policies : des firewalls dans le cluster

Par défaut, les pods ne sont pas isolés au niveau réseau : ils acceptent le trafic de n’importe quelle source.
Les pods deviennent isolés en ayant une NetworkPolicy qui les sélectionne. Une fois qu’une NetworkPolicy (dans un certain namespace) inclut un pod
particulier, ce pod rejettera toutes les connexions qui ne sont pas autorisées par cette NetworkPolicy.
Des exemples de Network Policies : Kubernetes Network Policy Recipes
Ressources sur le réseau

Documentation officielle : https://kubernetes.io/fr/docs/concepts/services-networking/service/
An introduction to service meshes - DigitalOcean
Kubernetes NodePort vs LoadBalancer vs Ingress? When should I use what?
Determine best networking option - Project Calico
Doc officielle sur les solutions de networking
Vidéos
Des vidéos assez complètes sur le réseau, faites par Calico :
Kubernetes Ingress networking

Kubernetes Services networking
Kubernetes networking on Azure
Sur MetalLB, les autres vidéos de la chaîne sont très bien :
Why you need to use MetalLB - Adrian Goins

Déployer Wordpress et MySQL avec du stockage et des Secrets
Nous allons suivre ce tutoriel pas à pas : https://kubernetes.io/docs/tutorials/stateful-application/mysql-wordpress-persistent-volume/
Il faut :
Créez un projet TP4.

Créer la kustomization.yaml avec le générateur de secret.
Copier les 2 fichiers dans le projet.
Les ajouter comme resources à la kustomization.yaml.
Commentons un peu le contenu des deux fichier mysql-deployment.yaml et wordpress-deployment.yaml.
Vérifier que le stockage et le secret ont bien fonctionnés.

Exposez et visitez le service avec minikube service wordpress. Faite la configuration de base de wordpress.
Observer le déploiement du secret à l’intérieur des pods
Entrez dans le pod de mysql grâce au terminal de Lens.

Cherchez la variable d’environnement MYSQL_ROOT_PASSWORD à l’aide des commande env | grep MYSQL. Le conteneur mysql a utilisé cette variable
accessible de lui seul pour se configurer.
Observez la persistence
Supprimez et recréer les deux déploiements (mais pas le total). En rechargeant le site on constate que les données ont été conservées.
Allez observer la section stockage dans Lens. Commentons ensemble.
Supprimer tout avec kubectl delete -k .. Que s’est-il passé ? (côté storage)
En l’état les PersistentVolumes générés par la combinaise du PersistentVolumeClaim et de la StorageClass de minikube sont également supprimés en
même tant que les PVC. Les données sont donc perdues et au chargement du site on doit relancer l’installation.
Pour éviter cela il faut que la storageClass standard soit configurée avec une Reclaim Policy à retain (conserver) et non delete. Cependant minikube
dans docker ne permet pas simplement de faire une storage class en mode retain (à cause d’un bug semble-t-il). Nous allons donc créer manuellement
des volumes avec une storageClass retain.
Créez deux volumes en cliquant sur le + > create resource en bas à gauche de Lens et collez le code suivant:
---
kind: PersistentVolume
apiVersion: v1
metadata:
name: wordpress-mysql-pv
labels:
type: local
spec:
storageClassName: manual
capacity:
storage: 100Mi
accessModes:
- ReadWriteOnce
hostPath:
path: "/mnt/mysql-data"
---
kind: PersistentVolume
apiVersion: v1
metadata:
name: wordpress-pv
labels:
type: local
spec:
storageClassName: manual
capacity:
storage: 100Mi
accessModes:
- ReadWriteOnce
hostPath:
path: "/mnt/wp-data"
Modifiez les PersistentVolumeClaims(PVC) des deploiements wordpress et mysql pour passer le storage à 100Mi et ajouter storageClassName:
manual dans la spec: de chaque PVC.
Recréez les ressources avec apply. Les volumes devraient se connecter à nos conteneurs mysql et wordpress.
Essayons avec Scaleway

Le stockage dans Kubernetes
Les Volumes Kubernetes
Comme dans Docker, Kubernetes fournit la possibilité de mondes volumes virtuels dans les conteneurs de nos pod. On liste séparément les volumes de
notre pod puis on les monte une ou plusieurs dans les différents conteneurs Exemple:
apiVersion: v1
kind: Pod
metadata:
name: test-pd
spec:
containers:
- image: k8s.gcr.io/test-webserver
name: test-container
volumeMounts:
- mountPath: /test-pd
name: test-volume
volumes:
- name: test-volume
hostPath:
# chemin du dossier sur l'hôte
path: /data
# ce champ est optionnel
type: Directory
La problématique des volumes et du stockage est plus compliquée dans kubernetes que dans docker car k8s cherche à répondre à de nombreux cas
d’usages. doc officielle. Il y a donc de nombeux types de volumes kubernetes correspondants à des usages de base et aux solutions proposées par les
principaux fournisseurs de cloud.
Mentionnons quelques d’usage de base des volumes:
hostPath: monte un dossier du noeud ou est plannifié le pod à l’intérieur du conteneur.

local: comme hostPath mais conscient de la situation physique du volume sur le noeud et à combiner avec les placements de pods avec
nodeAffinity
emptyDir: un dossier temporaire qui est supprimé en même temps que le pod
configMap: pour monter des fichiers de configurations provenant du cluster à l’intérieur des pods
secret: pour monter un secret (configuration) provenant du cluster à l’intérieur des pods
cephfs: monter un volume ceph provenant d’un ceph installé sur le cluster
etc.
En plus de la gestion manuelle des volumes avec les option précédentes, kubernetes permet de provisionner dynamiquement du stockage en utilisant
des plugins de création de volume grâce à 3 types d’objets: StorageClass PersistentVolume et PersistentVolumeClaim.
Les types de stockage avec les StorageClasses
Le stockage dynamique dans Kubernetes est fourni à travers des types de stockage appelés StorageClasses :
dans le cloud, ce sont les différentes offres de volumes du fournisseur,

dans un cluster auto-hébergé c’est par exemple des opérateurs de stockage comme rook.io ou longhorn(Rancher).
doc officielle
Demander des volumes et les liers aux pods :PersistentVolumes et PersistentVolumeClaims
Quand un conteneur a besoin d’un volume, il crée une PersistentVolumeClaim : une demande de volume (persistant). Si un des objets StorageClass est
en capacité de le fournir, alors un PersistentVolume est créé et lié à ce conteneur : il devient disponible en tant que volume monté dans le conteneur.
les StorageClasses fournissent du stockage

les conteneurs demandent du volume avec les PersistentVolumeClaims
les StorageClasses répondent aux PersistentVolumeClaims en créant des objets PersistentVolumes : le conteneur peut accéder à son volume.
doc officielle
Le provisionning de volume peut être manuelle (on crée un objet PersistentVolume ou non la PersistentVolumeClaim mène directement à la création
d’un volume persistant si possible)
Des déploiements plus stables et précautionneux : les StatefulSets
L’objet StatefulSet est relativement récent dans Kubernetes.
On utilise les Statefulsets pour répliquer un ensemble de pods dont l’état est important : par exemple, des pods dont le rôle est d’être une base de
données, manipulant des données sur un disque.
Un objet StatefulSet représente un ensemble de pods dotés d’identités uniques et de noms d’hôtes stables. Quand on supprime un StatefulSet, par
défaut les volumes liés ne sont pas supprimés.
Les StatefulSets utilisent un nom en commun suivi de numéros qui se suivent. Par exemple, un StatefulSet nommé web comporte des pods nommés web-
0, web-1 et web-2. Par défaut, les pods StatefulSet sont déployés dans l’ordre et arrêtés dans l’ordre inverse (web-2, web-1 puis web-0).
En général, on utilise des StatefulSets quand on veut :
des identifiants réseau stables et uniques
du stockage stable et persistant
des déploiements et du scaling contrôlés et dans un ordre défini
des rolling updates dans un ordre défini et automatisées
Article récapitulatif des fonctionnalités de base pour applications stateful: https://medium.com/capital-one-tech/conquering-statefulness-on-kubernetes-

26336d5f4f17
Paramétrer ses Pods

Les ConfigMaps
D’après les recommandations de développement 12factor, la configuration de nos programmes doit venir de l’environnement. L’environnement est ici
Kubernetes.
Les objets ConfigMaps permettent d’injecter dans des pods des ensemble clés/valeur de configuration en tant que volumes/fichiers de configuration ou
variables d’environnement.
les Secrets
Les Secrets se manipulent comme des objets ConfigMaps, mais ils sont chiffrés et faits pour stocker des mots de passe, des clés privées, des certificats,
des tokens, ou tout autre élément de config dont la confidentialité doit être préservée.
Un secret se créé avec l’API Kubernetes, puis c’est au pod de
demander à y avoir accès.
Il y a 3 façons de donner un accès à un secret :
le secret est un fichier que l’on monte en tant que volume dans un conteneur (pas nécessairement disponible à l’ensemble du pod). Il est possible
de ne jamais écrire ce secret sur le disque (volume tmpfs).
le secret est une variable d’environnement du conteneur.
Pour définir qui et quelle app a accès à quel secret, on peut utiliser les fonctionnalités “RBAC” de Kubernetes.
Lier utilisateurs et autorisations: Le Role-Based Access Control (RBAC)

Kubernetes intègre depuis quelques versions un système de permissions fines sur les ressources et les namespaces. Il fonctionne en liant des ensembles
de permissions appelées Roles à des identités/comptes humains appelés User ou des comptes de services pour vos programmes appelés ServiceAccount.
Exemple de comment générer un certificat à créer un nouvel utilisateur dans minikube: https://docs.bitnami.com/tutorials/configure-rbac-in-your-
kubernetes-cluster/
Roles et ClusterRoles + bindings

Une role est un objet qui décrit un ensemble d’actions permises sur certaines ressources et s’applique sur un seul namespace. Pour prendre un
exemple concret, voici la description d’un roles qui authorise la lecture, création et modification de pods et de services dans le namespace par défaut:
kind: Role
apiVersion: rbac.authorization.k8s.io/v1
metadata:
namespace: default
name: pod-and-services
rules:
- apiGroups: [""]
resources: ["pods", "services"]
verbs: ["create", "delete", "get", "list", "patch", "update", "watch", "proxy"]
Un role est une liste de règles rules
Les rules sont décrites à l’aide de 8 verbes différents qui sont ceux présent dans le role d’exemple au dessus qu’ont associe à une liste d’objets.
Le role ne fait rien par lui même : il doit être appliqué à une identité ie un User ou ServiceAccount.
Classiquement on crée des Roles comme admin ou monitoring qui désignent un ensemble de permission consistante pour une tâche donnée.
Notre role exemple est limité au namespace default. Pour créer des permissions valable pour tout le cluster on utilise à la place un objet appelé
un ClusterRole qui fonctionne de la même façon mais indépendamment des namespace.
Les Roles et ClusterRoles sont ensuite appliqués aux ServicesAccounts à l’aide respectivement de RoleBinding et ClusterRoleBinding comme
l’exemple suivant:
apiVersion: rbac.authorization.k8s.io/v1
kind: RoleBinding
metadata:
namespace: default
name: pods-and-services
subjects:
- apiGroup: rbac.authorization.k8s.io
kind: User
name: alice
- apiGroup: rbac.authorization.k8s.io
kind: Group
name: mydevs
roleRef:
apiGroup: rbac.authorization.k8s.io
kind: Role
name: pod-and-services
En plus des rôles que vous pouvez créer pour les utilisateur·ices et processus de votre cluster, il existe déjà dans kubernetes un ensemble de
ClusterRoles prédéfinis qui sont affichables avec :
kubectl get clusterroles
La plupart de ces rôles intégrés sont destinés au kube-system, c’est-à-dire aux processus internes du cluster.
Cependant quatre rôles génériques existent aussi par défaut :
Le rôle cluster-admin fournit un accès complet à l’ensemble du cluster.

Le rôle admin fournit un accès complet à un espace de noms précis.
Le rôle edit permet à un·e utilisateur·ice de modifier des choses dans un espace de noms.
Le rôle view permet l’accès en lecture seule à un espace de noms.
La commande kubectl auth can-i <verb> <type_de_resource> permet de déterminer selon le profil utilisé (défini dans votre kubeconfig) les
permissions actuelles de l’user sur les objets Kubernetes.
11 - Cours - Helm, le gestionnaire de paquets Kubernetes et les

Opérateurs
Nous avons vu que dans Kubernetes la configuration de nos services / applications se fait généralement via de multiples fichiers YAML.
Les kustomizations permettent de rassembler ces descriptions en dossier de code et ont pas mal d’avantages mais on a vite besoin de quelque chose de
plus puissant.
Pour s’adapter à plein de paramétrages différents de notre application

Pour éviter la répétition de code
C’est donc “trop” déclaratif en quelque sorte, et il faut se concentrer sur les quelques propriétés que l’on souhaite créer ou modifier,
Helm
Pour pallier ce problème, il existe un utilitaire appelé Helm, qui produit les fichiers de déploiement que l’on souhaite.
Helm est le package manager recommandé par Kubernetes, il utilise les fonctionnalités de templating du langage Go.
Helm permet donc de déployer des applications / stacks complètes en utilisant un système de templating et de dépendances, ce qui permet d’éviter la
duplication et d’avoir ainsi une arborescence cohérente pour nos fichiers de configuration.
Mais Helm propose également :
la possibilité de mettre les Charts dans un répertoire distant (Git, disque local ou partagé…), et donc de distribuer ces Charts publiquement.
un système facilitant les Updates et Rollbacks de vos applications.
Il existe des sortes de stores d’applications Kubernetes packagées avec Helm, le plus gros d’entre eux est Kubeapps Hub, maintenu par l’entreprise
Bitnami qui fournit de nombreuses Charts assez robustes.
Si vous connaissez Ansible, un chart Helm est un peu l’équivalent d’un rôle Ansible dans l’écosystème Kubernetes.
Concepts
Les quelques concepts centraux de Helm :
Un package Kubernetes est appelé Chart dans Helm.
Un Chart contient un lot d’informations nécessaires pour créer une application Kubernetes :
la Config contient les informations dynamiques concernant la configuration d’une Chart

Une Release est une instance existante sur le cluster, combinée avec une Config spécifique.
Quelques commandes Helm:
Voici quelques commandes de bases pour Helm :
helm repo add bitnami https://charts.bitnami.com/bitnami: ajouter un repo contenant des charts
helm search repo bitnami : rechercher un chart en particulier
helm install my-release my-chart --values=myvalues.yaml : permet d’installer le chart my-chart avec le nom my-release et les valeurs de
variable contenues dans myvalues.yaml (elles écrasent les variables par défaut)
helm upgrade my-release my-chart : permet de mettre à jour notre release avec une nouvelle version.
helm ls: Permet de lister les Charts installés sur votre Cluster
helm delete my-release: Permet de désinstaller la release my-release de Kubernetes
La configuration d’un Chart: des templates d’objets Kubernetes
Visitons un exemple de Chart : minecraft
On constate que Helm rassemble des fichiers de descriptions d’objets k8s avec des variables (moteur de templates de Go) à l’intérieur, ce qui permet de
factoriser le code et de gérer puissamment la différence entre les versions.
Kubernetes API et extension par APIgroups
Tous les types de resources Kubernetes correspondent à un morceau (un sous arbre) d’API REST de Kubernetes. Ces chemins d’API pour chaque
ressources sont classés par groupe qu’on appelle des apiGroups:
On peut lister les resources et leur groupes d’API avec la commande kubectl api-resources -o wide.
Ces groups correspondent aux préfixes indiqué dans la section apiVersion des descriptions de ressources.
Ces groupes d’API sont versionnés sémantiquement et classés en alpha beta et stable. beta indique déjà un bon niveau de stabilité et
d’utilisabilité et beaucoup de ressources officielles de kubernetes ne sont pas encore en api stable. Exemple: les CronJobs viennent de se stabiliser
au début 2021.
N’importe qui peut développer ses propres types de resources appelées CustomResourceDefinition (voir ci dessous) et créer un apiGroup pour les
ranger.
Documentation: https://kubernetes.io/docs/reference/using-api/
Operators et Custom Resources Definitions (CRD)

Un opérateur est :
un morceau de logique opérationnelle de votre infrastructure (par exemple: la mise à jour votre logiciel de base de donnée stateful comme
cassandra ou elasticsearch) …
… implémenté dans kubernetes par un/plusieurs conteneur(s) “controller” …
… controllé grâce à une extension de l’API Kubernetes sous forme de nouveaux type d’objets kubernetes personnalisés (de haut niveau) appelés
CustomResourcesDefinition …
… qui crée et supprime des resources de base Kubernetes comme résultat concrêt.
Les opérateurs sont un sujet le plus méta de Kubernetes et sont très à la mode depuis leur démocratisation par Red Hat pour la gestion automatique de
base de données.
Il peuvent être développés avec un framework Go ou Ansible

Ils sont généralement répertoriés sur le site: https://operatorhub.io/
Exemples :
L’opérateur Prometheus permet d’automatiser le monitoring d’un cluster et ses opérations de maintenance.
la chart officielle de la suite Elastic (ELK) définit des objets de type elasticsearch
KubeVirt permet de rajouter des objets de type VM pour les piloter depuis Kubernetes
Azure propose des objets correspondant à ses ressources du cloud Azure, pour pouvoir créer et paramétrer des ressources Azure directement via
la logique de Kubernetes.
Limites des opérateurs
Il est possible de développer soit même des opérateurs mais il s’agit de développement complexes qui devraient être entrepris par les développeurs du
logiciel et qui sont surtout utiles pour des applications distribuées et stateful. Les opérateurs n’ont pas forcément vocation à remplacer les Charts Helm
comme on l’entend parfois.
Voir : https://thenewstack.io/kubernetes-when-to-use-and-when-to-avoid-the-operator-pattern/

Helm est un “gestionnaire de paquet” ou vu autrement un “outil de templating avancé” pour k8s qui permet d’installer des applications sans faire des
copier-coller pénibles de YAML :
Pas de duplication de code

Possibilité de créer du code générique et flexible avec pleins de paramètres pour le déploiement.
Des déploiements avancés avec plusieurs étapes
Inconvénient: Helm ajoute souvent de la complexité non nécessaire car les Charts sur internet sont très paramétrables pour de multiples cas d’usages
(plein de code qui n’est utile que dans des situations spécifiques).
Helm ne dispense pas de maîtriser l’administration de son cluster.
Installer Helm
Pour installer Helm sur Ubuntu, utilisez : sudo snap install helm --classic
Suivez le Quickstart : https://helm.sh/docs/intro/quickstart/
Autocomplete
helm completion bash | sudo tee /etc/bash_completion.d/helm et relancez votre terminal.
Utiliser un chart Helm pour installer Wordpress
Cherchez Wordpress sur https://artifacthub.io/.
Prenez la version de Bitnami et ajoutez le dépôt avec la première commande à droite (ajouter le dépôt et déployer une release).
Installer une “release” wordpress-tp de cette application (ce chart) avec helm install wordpress-tp bitnami/wordpress
Suivez les instructions affichées dans le terminal pour trouver l’IP et afficher le login et password de notre installation. Dans minikube il faut
également lancer minikube service wordpress-tp.
Notre Wordpress est prêt. Connectez-vous-y avec les identifiants affichés (il faut passer les commandes indiquées pour récupérer le mot de passe
stocké dans un secret k8s).
Vous pouvez constater que l’utilisateur est par default user ce qui n’est pas très pertinent. Un chart prend de nombreux paramètres de configuration qui
sont toujours listés dans le fichier values.yaml à la racine du Chart.
On peut écraser certains de ces paramètres dans un nouveau fichier par exemple myvalues.yaml et installer la release avec l’option --
values=myvalues.yaml.
Désinstallez Wordpress avec helm uninstall wordpress-tp
Utiliser la fonction template de Helm pour étudier les ressources d’un Chart
Visitez le code des charts de votre choix en clonant le répertoire Git des Charts officielles Bitnami et en l’explorant avec VSCode :
git clone https://github.com/bitnami/charts/
code charts
Regardez en particulier les fichiers templates et le fichier de paramètres values.yaml.
Comment modifier l’username et le password wordpress à l’installation ? il faut donner comme paramètres le yaml suivant:
wordpressUsername: <votrenom>
wordpressPassword: <easytoguesspasswd>
Nous allons paramétrer plus encore l’installation. Créez un dossier TP5 avec à l’intérieur un fichier values.yaml contenant:
wordpressUsername: <stagiaire> # replace
wordpressPassword: myunsecurepassword
wordpressBlogName: Kubernetes example blog
replicaCount: 1
service:
type: ClusterIP
ingress:
enabled: true
hostname: wordpress.<stagiaire>.formation.dopl.uk # replace with your hostname pointing on the cluster ingress loadbalancer IP
tls: true
certManager: true
annotations:
cert-manager.io/cluster-issuer: letsencrypt-prod
kubernetes.io/ingress.class: nginx
En utilisant ces paramètres, plutôt que d’installer le chart, nous allons faire le rendu (templating) des fichiers ressource générés par le chart: helm
template wordpress-tp bitnami/wordpress --values=values.yaml > wordpress-tp-manifests.yaml.
On peut maintenant lire dans ce fichier les objets kubernetes déployés par le chart et ainsi apprendre de nouvelles techniques et syntaxes. En le
parcourant on peut constater que la plupart des objets abordés pendant cette formation y sont présent plus certains autres.
Installer ArgoCD
Voir le TP Gitlab et ArgoCD.
1. Installer cert-manager avec la commande kubectl apply -f https://github.com/jetstack/cert-manager/releases/download/v1.6.1/cert-

manager.yaml
Créer un certificat Letsencrypt pour notre cluster k3s: version Traefik

2. Objet de type ClusterIssuer à créer pour configurer Let’s Encrypt :
apiVersion: cert-manager.io/v1alpha2
kind: ClusterIssuer
metadata:
# name: letsencrypt-staging
name: letsencrypt-prod
spec:
acme:
email: cto@doxx.fr
privateKeySecretRef:
name: prod-issuer-account-key
# name: staging-issuer-account-key
server: https://acme-v02.api.letsencrypt.org/directory
# server: https://acme-staging-v02.api.letsencrypt.org/directory
http01: {}
solvers:
- http01:
ingress:
class: traefik
selector: {}
3. Si ce n’est pas fait, installer un Ingress Controller (un reverse proxy) avec Helm, ici nous installons Traefik mais ça peut être Nginx (si vous
prenez Nginx, il faudra modifier un peu l’objet Ingress plus bas et l’avant-dernière ligne de l’objet ClusterIssuer) :
helm repo add traefik https://helm.traefik.io/traefik
helm repo update
helm install traefik traefik/traefik
4. Créer un objet Ingress en adaptant celui donné dans le tutoriel (il faudra qu’il soit lié à un Service existant, lui-même lié à un objet Deployment
existant) :
kind: Ingress
metadata:
name: monster-ingress
annotations:
traefik.ingress.kubernetes.io/router.tls: "true"
kubernetes.io/ingress.class: traefik
spec:
tls:
- hosts:
- monster.hadrien.lab.doxx.fr
secretName: monster-hadrien-lab-doxx-fr
rules:
- host: monster.hadrien.lab.doxx.fr
http:
paths:
- path: /
pathType: Prefix
backend:
service:
name: monstericon
port:
number: 5000
NB : si vous n’arrivez pas à obtenir de certificat HTTPS, modifiez l’objet ClusterIssuer pour obtenir un certificat depuis les serveurs staging de Let’s
Encrypt : Let’s Encrypt limite très fortement le nombre de certificats installables sur les mêmes domaines et sous-domaines.
Créer un certificat Letsencrypt pour notre cluster k3s: version Nginx
TP opt. - Le RBAC
Les rôles et le RBAC
1. Configurer Minikube pour activer RBAC.
minikube start --extra-config=apiserver.Authorization.Mode=RBAC
kubectl create clusterrolebinding add-on-cluster-admin --clusterrole=cluster-admin --serviceaccount=kube-system:default
2. Créer trois connexions à minikube dans ~/.kube/config :
une en mode cluster-admin,

une en mode admin sur un namespace
et une en mode user avec un rolebinding
3. En switchant de contexte à chaque fois, lancer la commande kubectl auth can-i pour différents cas et observer la différence
Ressources
https://medium.com/@HoussemDellai/rbac-with-kubernetes-in-minikube-4deed658ea7b
https://docs.bitnami.com/tutorials/configure-rbac-in-your-kubernetes-cluster/

https://www.linuxtechi.com/setup-private-docker-registry-kubernetes/
Pour une solution plus avancée que le simple conteneur registry voir par exemple:
-> le registry gitlab (sur gitlab.com ou on premise)

-> https://goharbor.io/ -> registry avancé avec analyse de vulnérabilité des images

Installation d’un cluster avec argoCD
ArgoCD est un outil de GitOps extrêment pratique et puissant mais il nécessite d’être installé dans un cluster public (avec un IP publique) et avec un
certificat HTTPS pour être utilisé correctement.
Qu’est-ce que le GitOps: https://www.objectif-libre.com/fr/blog/2019/12/17/gitops-tour-horizon-pratiques-outils/
Vos serveurs VNC qui sont aussi désormais des clusters k3s ont déjà plusieurs sous-domaines configurés: <votrelogin>.<soudomaine>.dopl.uk et *.
<votrelogin>.<soudomaine>.dopl.uk. Le sous domaine argocd.<login>.<soudomaine>.dopl.uk pointe donc déjà sur le serveur (Wildcard DNS).
Ce nom de domaine va nous permettre de générer un certificat HTTPS pour notre application web argoCD grâce à un ingress nginx, le cert-manager de
k8s et letsencrypt (challenge HTTP101).
Installer le ingress NGINX dans k3s
Installer l’ingress nginx avec la commande: kubectl apply -f https://raw.githubusercontent.com/kubernetes/ingress-nginx/controller-
v1.1.0/deploy/static/provider/cloud/deploy.yaml (pour autres méthodes ou problèmes voir : https://kubernetes.github.io/ingress-
nginx/deploy/)
Vérifiez l’installation avec kubectl get svc -n ingress-nginx ingress-nginx-controller : le service ingress-nginx-controller devrait avoir
une IP externe.
Installer Cert-manager dans k3s
Pour installer cert-manager lancez : kubectl apply -f https://github.com/jetstack/cert-manager/releases/download/v1.6.1/cert-

manager.yaml
Il faut maintenant créer une ressource de type ClusterIssuer pour pourvoir émettre (to issue) des certificats.
Créez une ressource comme suit (soit dans Lens avec + soit dans un fichier à appliquer ensuite avec kubectl apply -f):
apiVersion: cert-manager.io/v1
kind: ClusterIssuer
metadata:
name: letsencrypt-prod
spec:
acme:
# You must replace this email address with your own.
# Let's Encrypt will use this to contact you about expiring
# certificates, and issues related to your account.
email: cto@doxx.fr
server: https://acme-v02.api.letsencrypt.org/directory
privateKeySecretRef:
# Secret resource that will be used to store the account's private key.
name: letsencrypt-prod-account-key
# Add a single challenge solver, HTTP01 using nginx
solvers:
- http01:
ingress:
class: nginx
Installer Argocd
Effectuer l’installation avec la première méthode du getting started : https://argo-cd.readthedocs.io/en/stable/getting_started/
Il faut maintenant créer l’ingress (reverse proxy) avec une configuration particulière que nous allons expliquer.
kind: Ingress
metadata:
name: argocd-server-ingress
namespace: argocd
annotations:
kubernetes.io/ingress.class: nginx
kubernetes.io/tls-acme: "true"
nginx.ingress.kubernetes.io/ssl-passthrough: "true"
# If you encounter a redirect loop or are getting a 307 response code
# then you need to force the nginx ingress to connect to the backend using HTTPS.
nginx.ingress.kubernetes.io/backend-protocol: "HTTPS"
spec:
tls:
- hosts:
- argocd.<yoursubdomain>
secretName: argocd-secret # do not change, this is provided by Argo CD
rules:
- host: argocd.<yoursubdomain>
http:
paths:
- path: /
pathType: Prefix
backend:
service:
name: argocd-server
port:
number: 443
Créez et appliquez cette ressource Ingress.
Vérifiez dans Lens que l’ingress a bien généré un certificat (cela peut prendre jusqu’à 2 minutes)
Chargez la page argocd.<votre sous domaine> dans un navigateur. exp argocd.stagiaire1.docker.dopl.uk
Pour se connecter utilisez le login admin et récupérez le mot de passe admin en allant chercher le secret argocd-initial-admin-secret dans Lens
(Config > Secrets avec le namespace argocd activé).
Récupérer le corrigé du TP et le pousser sur Gitlab

Récupérer le corrigé à compléter du TP CICD gitlab argocd avec git clone -b k8s_gitlab_argocd_correction https://github.com/Uptime-
Formation/corrections_tp.git k8s_gitlab_argocd_correction
Ouvrez le projet dans VSCode
Créer un nouveau projet vide sur gitlab
Remplacez dans tout le projet, les occurences de <sousdomain>.dopl.uk par votre sous domaine par exemple stagiaire1.docker.dopl.uk
Remplacez également partout gitlab.com/e-lie/cicd_gitlab_argocd_corrections par l’url de votre dépot Gitlab (sans le https:// ou git@).
Poussez ce projet dans la branche k8s_gitlab_argocd_correction du dépot créé précédement:
git remote add gitlab <votre dépot gitlab>
git push gitlab
Observons le fichier .gitlab-ci.yml.
Allons voir le pipeline dans l’interface CI/CD de gitlab. Les deux premier stages du pipeline devraient s’être bien déroulés.
Déploiement de l’application dans argoCD

Expliquons un peu le reste du projet projet.
Créez un token de déploiement dans Gitlab > Settings > Repository > Deploy Tokens. Ce token va nous permettre de donner l’authorisation à
ArgoCD de lire le dépôt gitlab (facultatif si le dépôt est public cela ne devrait pas être nécessaire). Complétez ensuite 2 fois le token dans le
fichier k8s/argocd-apps.yaml comme suit : https://<nom_token>:<motdepasse_token>@gitlab.com/<votre depo>.git dans les deux sections
repoURL: des deux applications.
Créer les deux applications monstericon-dev et monstericon-prod dans argocd avec kubectl apply -f k8s/argocd-apps.yaml.
Allons voir dans l’interface d’ArgoCD pour vérifier que les applications se déploient bien sauf le conteneur monstericon dont l’image n’a pas
encore été buildée avec le bon tag. Pour cela il va falloir que notre pipeline s’execute complètement.
Les deux étapes de déploiement (dev et prod) du pipeline nécessitent de pousser automatiquement le code du projet à nouveau pour déclencher le
redéploiement automatique dans ArgoCD (en mode pull depuis gitlab). Pour cela nous avons besoin de créer également un token utilisateur:
Allez dans Gitlab > User Settings (en haut à droite dans votre profil) > Access Tokens et créer un token avec read_repository
write_repository read_registry write_registry activés. Sauvegardez le token dans un fichier.
Allez dans Gitlab > Settings > CI/CD > Variables pour créer deux variables de pipelines: CI_USERNAME contenant votre nom d’utilisateur gitlab
et CI_PUSH_TOKEN contenant le token précédent. Ces variables de pipelines nous permettent de garder le token secret dans gitlab et de l’ajouter
automatiquement aux pipeline pour pouvoir autoriser la connexion au dépot depuis le pipeline (git push).
Nous allons maintenant tester si le pipeline s’exécute correctement en commitant et poussant à nouveau le code avec git push gitlab.
Debuggons les pipelines s’ils sont en échec.
Allons voir dans ArgoCD pour voir si l’application dev a été déployée correctement. Regardez la section events et logs des pods si nécessaire.
Une fois l’application dev complètement healthy (des coeurs verts partout). On peut visiter l’application en mode dev à l’adresse
https://monster-dev.<votre_sous_domaine>.
On peut ensuite déclencer le stage deploy-prod manuellement dans le pipeline, vérifier que l’application est healthy dans ArgoCD (debugger
sinon) puis visiter https://monster.<votre_sous_domaine>.
Idées d’amélioration
Déplacer le code de déploiement dans un autre dépôt que le code d’infrastructure. Le pipeline de devra cloner le dépôt d’infrastructure, templater
avec kustomize la bonne version de l’image dans le bon environnement. Pousser le code d’infrastructure sur le dépôt d’infrastructure. Corriger
l’application ArgoCD pour monitorer le dépôt d’infrastructure.
Mutualiser le code de déploiement k8s avec des overlays kustomize
Utiliser une stragégie de blue/green ou A/B déploiement avec Argo Rollouts ou Istio avec vérification de réussite du déploiement et rollback en
cas d’échec.
Ajouter plus d’étapes réalistes de CI/CD en se basant par exemple sur le livre GitOps suivant.
Gérer la création des ressources gitlab automatiquement avec Terraform et gérer les secrets (tokens gitlab) consciencieusement.
Bibliographie
2021 - GitOps and Kubernetes Continuous Deployment with Argo CD, Jenkins X, and Flux
Billy Yuen, Alexander Matyushentsev, Todd Ekenstam, Jesse Suen (z-lib.org)
Bibliographie
Livres
Chez oreilly:
Cloud Native DevOps with Kubernetes (la philosophie et les enjeux du choix de kubernetes avec des exemples techniques)
Kubernetes Up and Running (les bases mais déjà compliqué)
Kubernetes Best Practices (problématiques avancés et bonnes pratiques de résolution)
Ressources
Awesome Kubernetes
Tutoriels Bitnami pour pleins d’exemples d’installation de prod : https://docs.bitnami.com/tutorials/all
Bitnami Helm : https://github.com/bitnami/charts/tree/master/bitnami
BKPR : https://github.com/bitnami/kube-prod-runtime
Vitess : A database clustering system for horizontal scaling of MySQL : https://vitess.io
Rancher
Charts Helm : https://hub.kubeapps.com
Stratégies de déploiement : https://blog.container-solutions.com/kubernetes-deployment-strategies
Réseau
Documentation officielle : https://kubernetes.io/fr/docs/concepts/services-networking/service/
An introduction to service meshes - DigitalOcean
Kubernetes NodePort vs LoadBalancer vs Ingress? When should I use what?
Comparatif de solutions réseaux (fr) : https://www.objectif-libre.com/fr/blog/2018/07/05/comparatif-solutions-reseaux-kubernetes/#Flannel
Comparatif de solutions réseaux (en) :https://rancher.com/blog/2019/2019-03-21-comparing-kubernetes-cni-providers-flannel-calico-canal-and-

weave/
Vidéos sur le réseau
Des vidéos assez complètes sur le réseau, faites par Calico :
Kubernetes Ingress networking

Kubernetes Services networking
Kubernetes networking on Azure
Sur MetalLB, les autres vidéos de la chaîne sont très bien :
Why you need to use MetalLB - Adrian Goins
Stockage
Rook et Ceph (fr)
Longhorn
Sécurité de Kubernetes
[xmco-actusecu-51-dossier_kubernetes (fr)](http://repository.root-me.org/Exploitation - Système/FR - xmco-actusecu-51-dossier_kubernetes.pdf)
[hacking_and_hardening_kubernetes_by_example_v2 (en)](http://repository.root-me.org/Exploitation - Système/EN -
hacking_and_hardening_kubernetes_by_example_v2.pdf)
[ht-w02_hacking_and_hardening_kubernetes (en)](http://repository.root-me.org/Exploitation - Système/EN - ht-
w02_hacking_and_hardening_kubernetes.pdf)
Gestion de secrets
https://argoproj.github.io/argo-cd/operator-manual/secret-management/

Installer Prometheus pour monitorer le cluster Minikube
Pour comprendre les stratégies de déploiement et mise à jour d’application dans Kubernetes (deployment and rollout strategies) nous allons installer
puis mettre à jour une application d’exemple et observer comment sont gérées les requêtes vers notre application en fonction de la stratégie de
déploiement choisie.
Pour cette observation on peut utiliser un outil de monitoring. Nous utiliserons ce TP comme prétexte pour installer une des stack les plus populaires et
intégrée avec kubernetes : Prometheus et Grafana. Prometheus est un projet de la Cloud Native Computing Foundation.
Prometheus est un serveur de métriques c’est à dire qu’il enregistre des informations précises (de petite taille) sur différents aspects d’un système
informatique et ce de façon périodique en effectuant généralement des requêtes vers les composants du système (metrics scraping).
Installer Prometheus avec Helm
Installez Helm si ce n’est pas déjà fait. Sur Ubuntu : sudo snap install helm --classic
Créons un namespace pour prometheus et grafana : kubectl create namespace monitoring
Ajoutez le dépot de chart Prometheus et kube-state-metrics: helm repo add prometheus-community https://prometheus-
community.github.io/helm-charts puis helm repo add kube-state-metrics https://kubernetes.github.io/kube-state-metrics puis mise à
jours des dépots helm helm repo update.
Installez ensuite le chart prometheus :

helm install \
--namespace=monitoring \
--version=13.2.1 \
--set=service.type=NodePort \
prometheus \
prometheus-community/prometheus
kube-state-metrics et le monitoring du cluster

Le chart officiel installe par défaut en plus de Prometheus, kube-state-metrics qui est une intégration automatique de kubernetes et prometheus.
Une fois le chart installé vous pouvez visualisez les informations dans Lens, dans la premiere section du menu de gauche Cluster.
Déployer notre application d’exemple (goprom) et la connecter à prometheus

Nous allons installer une petite application d’exemple en go.
Téléchargez le code de l’application et de son déploiement depuis github: git clone https://github.com/e-lie/k8s-deployment-strategies
Nous allons d’abord construire l’image docker de l’application à partir des sources. Cette image doit être stockée dans le registry de minikube pour
pouvoir être ensuite déployée dans le cluster. En mode développement Minikube s’interface de façon très fluide avec la ligne de commande Docker
grace à quelques variable d’environnement : minikube docker-env
Changez le contexte de docker cli pour pointer vers minikube avec eval et la commande précédente.
réponse:
Allez dans le dossier goprom_app et “construisez” l’image docker de l’application avec le tag uptimeformation/goprom.
réponse:
Allez dans le dossier de la première stratégie recreate et ouvrez le fichier app-v1.yml. Notez que image: est à uptimeformation/goprom et qu’un
paramètre imagePullPolicy est défini à Never. Ainsi l’image sera récupéré dans le registry local du docker de minikube ou sont stockées les
images buildées localement plutôt que récupéré depuis un registry distant.
Appliquez ce déploiement kubernetes:
réponse:
Observons notre application et son déploiement kubernetes
Explorez le fichier de code go de l’application main.go ainsi que le fichier de déploiement app-v1.yml. Quelles sont les routes http exposées par
l’application ?
réponse:
Faites un forwarding de port Minikube pour accéder au service goprom dans votre navigateur.
réponse:
Faites un forwarding de port pour accéder au service goprom-metrics dans votre navigateur (c’est sur la route /metrics). Quelles informations
récupère-t-on sur cette route ?
réponse:
Pour tester le service prometheus-server nous avons besoin de le mettre en mode NodePort (et non ClusterIP par défaut). Modifiez le service
dans Lens pour changer son type.
Exposez le service avec Minikube (n’oubliez pas de préciser le namespace monitoring).
Vérifiez que prometheus récupère bien les métriques de l’application avec la requête PromQL : sum(rate(http_requests_total{app="goprom"}
[5m])) by (version).
Quelle est la section des fichiers de déploiement qui indique à prometheus ou récupérer les métriques ?
réponse:
Installer et configurer Grafana pour visualiser les requêtes

Grafana est une interface de dashboard de monitoring facilement intégrable avec Prometheus. Elle va nous permettre d’afficher un histogramme en
temps réel du nombre de requêtes vers l’application.
Créez un secret Kubernetes pour stocker le loging admin de grafana.
cat <<EOF | kubectl apply -n monitoring -f -
apiVersion: v1
kind: Secret
metadata:
namespace: monitoring
name: grafana-auth
type: Opaque
data:
admin-user: $(echo -n "admin" | base64 -w0)
admin-password: $(echo -n "admin" | base64 -w0)
EOF
Ensuite, installez le chart Grafana en précisant quelques paramètres:

helm repo add grafana https://grafana.github.io/helm-charts
helm repo update
helm install \
--namespace=monitoring \
--version=6.1.17 \
--set=admin.existingSecret=grafana-auth \
--set=service.type=NodePort \
--set=service.nodePort=32001 \
grafana \
grafana/grafana
Maintenant Grafana est installé vous pouvez y acccéder en forwardant le port du service grace à Minikube:
$ minikube service grafana
Pour vous connectez utilisez, username: admin, password: admin.
Il faut ensuite connecter Grafana à Prometheus, pour ce faire ajoutez une DataSource:
Name: prometheus
Type: Prometheus
Url: http://prometheus-server
Access: Server
Créer une dashboard avec un Graphe. Utilisez la requête prometheus (champ query suivante):
sum(rate(http_requests_total{app="goprom"}[5m])) by (version)
Pour avoir un meilleur aperçu de la version de l’application accédée au fur et à mesure du déploiement, ajoutez {{version}} dans le champ legend.
Observer un basculement de version

Ce TP est basé sur l’article suivant: https://blog.container-solutions.com/kubernetes-deployment-strategies
Maintenant que l’environnement a été configuré :
Lisez l’article.
Vous pouvez testez les différentes stratégies de déploiement en lisant leur README.md.
En résumé, pour les plus simple, on peut:
appliquer le fichier app-v1.yml pour une stratégie.
lançer la commande suivante pour effectuer des requêtes régulières sur l’application: service=$(minikube service goprom --url) ; while
sleep 0.1; do curl "$service"; done
Dans un second terminal (pendant que les requêtes tournent) appliquer le fichier app-v2.yml correspondant.
Observez la réponse aux requêtes dans le terminal ou avec un graphique adapté dans graphana (Il faut configurer correctement le graphique
pour observer de façon lisible la transition entre v1 et v2). Un aperçu en image des histogrammes du nombre de requêtes en fonction des
versions 1 et 2 est disponible dans chaque dossier de stratégie.
supprimez le déploiement+service avec delete -f ou dans Lens.
Par exemple pour la stratégie recreate le graphique donne:
Facultatif : Installer Istio pour des scénarios plus avancés
Pour des scénarios plus avancés de déploiement, on a besoin d’utiliser un service mesh. Un des plus connus est Istio.
1. Sur k3s, supprimer la release Helm de Traefik pour remplacer le Ingress Controller Traefik par Istio.
2. Installer Istio, créer du trafic vers l’ingress de l’exemple et afficher le graphe de résultat dans le dashboard Istio :
https://istio.io/latest/docs/setup/getting-started/
3. Utiliser ces deux ressources pour appliquer une stratégie de déploiement de type A/B testing poussée :
https://istio.io/latest/docs/tasks/traffic-management/request-routing/
https://github.com/ContainerSolutions/k8s-deployment-strategies/tree/master/ab-testing
Ansible
Module 1
Ansible
Découvrir le couteau suisse de l’automatisation et de l’infrastructure as code.
Introduction DevOps
Cours 2 - Les playbooks Ansible, modules de base, variables et structures de contrôle
Bibliographie
Introduction DevOps
A propos de moi
Élie Gavoty
Developpeur backend et DevOps (Sewan Group / Yunohost)

Formateur DevOps, Linux, Python
Philosophie de la technique
A propos de vous
Attentes ?
Début du cursus :
Le mouvement DevOps
Du côté humain:

L’agilité en informatique
Traditionnellement la qualité logicielle provient :
d’une conception détaillée en amont = création d’un spécification détaillée

d’un contrôle de qualité humain avant chaque livraison logicielle basé sur une processus = vérification du logiciel par rapport à la
spécification
Problèmes historiques posé par trop de spécification et validation humaine :
Lenteur de livraison du logiciel (une version par an ?) donc aussi difficulté de fixer les bugs et problèmes de sécurité a temps
Le Travail du développeur est dominé par des process formels : ennuyeux et abstrait
difficulté commerciale : comment répondre à la concurence s’il faut 3 ans pour lancer un produit logiciel.
Solution : développer de façon agile c’est à dire itérative
Sortir une version par semaine voir par jour

Créer de petites évolution plutôt que de grosses évolution
Confronter en permanence le logiciel aux retours clients et utilisateurs
Mais l’agilité traditionnelle ne concerne pas l’administration système.
La motivation au coeur du DevOps : La célérité
La célérité est : la rapidité (itérative) non pas seulement dans le développement du logiciel mais plus largement dans la livraison du service au
client:
Exemple : Netflix ou Spotify ou Facebook etc. déploient une nouvelle version mineure de leur logiciel par jour.
Lorsque la concurrence peut déployer des innovations en continu il devient central de pouvoir le faire.
Le problème que cherche à résoudre le DevOps

La célérité et l’agrandissementest sont incompatibles avec une administration système traditionnelle:
Dans un DSI (département de service informatique) on organise ces activités d’admin sys en opérations:
On a un planning d’opération avec les priorités du moment et les trucs moins urgents
On prépare chaque opération au minimum quelques jours à l’avance.
On suit un protocole pour pas oublier des étapes de l’opération (pas oublier de faire une sauvegarde avant par exemple)
La difficulté principale pour les Ops c’est qu’un système informatique est:
Un système très complexe qu’il est quasi impossible de complètement visualiser dans sa tête.
Les évènements qui se passe sur la machines sont instantanés et invisibles
L'état actuel de la machine n’est pas ou peu explicite (combien d’utilisateur, machine pas connectée au réseau par exemple.)
Les interractions entre des problèmes peu graves peuvent entrainer des erreurs critiques en cascades.
On peut donc constater que les opérations traditionnelles implique une culture de la prudence
On s’organise à l’avance.
On vérifie plusieurs fois chaque chose.
On ne fait pas confiance au code que nous donnent les développeurs.
On suit des procédures pour limiter les risques.
On surveille l’état du système (on parle de monitoring)
Et on reçoit même des SMS la nuit si ya un problème :S
Bilan
Les opérations “traditionnelles”:
Peuvent pas aller trop vite car il faut marcher sur des oeufs.
Les Ops veulent pas déployer de nouvelles versions trop souvent car ça fait plein de boulot et ils prennent des risques (bugs / incompatilibités).
Quand c’est mal organisé ou qu’on va trop vite il y a des catastrophes possibles.
L’objectif technique idéal du DevOps : Intégration et déploiement continus (CI/CD)
Du côté des développeurs avec l’agilité on a déjà depuis des années une façon d’automatiser pleins d’opérations sur le code à chaque fois qu’on valide
une modification.
Chaque modification du code est validée dans le gestionnaire de version Git.

Ensuite est envoyée sur le dépot de code commun.
Des tests logiciels se lancent automatiquement pour s’assurer qu’il n’y a pas de bugs ou de failles.
Le développeurs est averti des problèmes.
C’est ce qu’on appelle l’intégration continue.
Le principe central du DevOps est d’automatiser également les opérations de déploiement et de maintenance en se basant sur le même modèle.
Mais pour que ça fonctionne il faut résoudre des défi techniques nouveau => innovations
Les innovations techniques du DevOps

Le Cloud
Le cloud techniquement c’est l’ensemble des trois :
Infrastructure as a Service (IaaS): on commande du linux, du réseau et des loadbalancer etc. à la demande
Exemple: Amazon Web Services, DigitalOcean, Azure etc
Plateforme as a Service (PaaS): on commande directement un environnement PHP ou NodeJS pour notre application
Exemple: heroku, netlify,
Software as a service (SaaS): des services web à la demande pour des utilisateurs finaux
Exemple: Netflix plutôt que VLC, Spotify vs Itunes, etc.
On peut dire que chaque couche (d’abstraction) de l’informatique est commandable à la demande.
Nous utiliserons surtout l’IaaS avec DigitalOcean dans le module Docker.
Les conteneurs (Docker et Kubernetes)
Faire des boîtes isolées avec nos logiciels:
Un façon standard de packager un logiciel
L’infrastructure as code (IaC)

Il s’agit comme son nom l’indique de gérer les infrastructures en tant que code c’est-à-dire des fichiers textes avec une logique algorithmique/de
données et suivis grâce à un gestionnaire de version (git).
Le problème identifié que cherche a résoudre l’IaC est un écheveau de difficulées pratiques rencontrée dans l’administration système traditionnelle:
1. Connaissance limité de l’état courant d’un système lorsqu’on fait de l'administration ad-hoc (manuelle avec des commandes unix/dos).
Dérive progressive de l’état des systèmes et difficultés à documenter leur états.

Fiabilité limitée et risques peu maîtrisés lors de certaines opérations transversales (si d’autres méchanismes de fiabilisation n’ont pas été mis en
place).
Problème de communication dans les grandes équipes car l’information est détenue implicitement par quelques personnes.
2. Faible reproductibilité des systèmes et donc difficultée/lenteur du passage à l’échelle (horizontal scaling).
Multiplier les serveurs identiques est difficile si leur état est le résultat d’un processus manuel partiellement documenté.
Difficulté à reproduire/simuler l’état précis de l’infrastructure de production dans les contextes de tests logiciels.
3. Difficultés du travail collaboratif dans de grandes équipes avec plusieurs culture (Dev vs Ops) lorsque les rythmes et les modes de travail
diffèrent
L’IaC permet de tout gérer avec git et des commits.

L’IaC permet aux Ops qui ne le faisait pas de se mettre au code et aux développeur de se confronter plus facilement.
L’IaC permet d’accélérer la transformation des infrastructures pour l’aligner sur la livraison logicielle quotidienne (idéalement ;) )
Notre programme
Docker : les conteneurs et l’infra as code
Ansible : couteau suisse de l’infra as code
Kubernetes : infrastructure de conteneurs (iac et cloud)
Jenkins : CI/CD pour intégrer ensemble le dev et les opérations
Aller plus loin

Plan
Module 1 : Installer ansible, configurer la connexion et commandes ad hoc ansible
Installation
créer un lab avec LXD

configurer SSH et python pour utiliser ansible
configurer ansible
/etc ou ansible.cfg
configuration de la connexion
connexion SSH et autres plugins de connection
versions de Python et d’Ansible
L’inventaire ansible
gérer des groupes de machines

L’inventaire est la source d’information principale pour Ansible
Ansible ad-hoc et les modules de base
la commande ansible et ses options

explorer les nombreux modules d’Ansible
idempotence des modules
exécuter correctement des commandes shell avec Ansible
le check mode pour controller l’état d’une ressource
TP1: Installation, configuration et prise en main avec des commandes ad-hoc
Module 2 : Les playbooks pour déployer une application web
syntaxe yaml des playbooks
structure d’un playbook
modules de déploiement et configuration
Templates de configuration avec Jinja2

gestion des paquets, utilisateurs et fichiers, etc.
Variable et structures de controle
explorer les variables

syntaxe jinja des variables et lookups
facts et variables spéciales
boucles et conditions
Idempotence d’un playbook
handlers
contrôler le statut de retour des tâches
gestion de l’idempotence des commandes Unix
debugging de playbook
verbosite
directive de debug
gestion des erreurs à l’exécution
TP2: Écriture d’un playbook simple de déploiement d’une application web flask en python.
Module 3 : Structurer un projet, utiliser les roles
Complexifier notre lab en ajoutant de nouvelles machines dans plusieurs groupes.
modules de provisionning de machines pour Ansible

organisation des variables de l’inventaire
la commande ansible-inventory
Les roles
Ansible Galaxy pour installer des roles.

Architecture d’un role et bonnes pratiques de gestion des roles.
Écrire un role et organiser le projet
Imports et includes réutiliser du code.

Bonne pratiques d’organisation d’un projet Ansible
Utiliser des modules personnalisés et des plugins pour étendre Ansible
gestion de version du code Ansible
TP3: Transformation de notre playbook en role et utilisation de roles ansible galaxy pour déployer une infrastructure multitiers.
Module 4 : Orchester Ansible dans un contexte de production
Intégration d’Ansible
Intégrer ansible dans le cloud un inventaire dynamique et Terraform

Différents type d’intégration Ansible
Orchestration
Stratégies : Parallélisme de l’exécution

Délégation de tâche
Réalisation d’un rolling upgrade de notre application web grace à Ansible
Inverser des tâches Ansible - stratégies de rollback
Exécution personnalisée avec des tags
Sécurité
Ansible Vault : gestion des secrets pour l’infrastructure as code

desctiver les logs des taches sensibles
Renforcer le mode de connexion ansible avec un bastion SSH
Exécution d’Ansible en production
Intégration et déploiement avec Gitlab

Gérer une production Ansible découvrir TOWER/AWX
Tester ses roles et gérer de multiples versions
TP4: Refactoring de notre code pour effectuer un rolling upgrade et déploiement dans le cloud + AWX
Présentation d’Ansible
Ansible
Ansible est un gestionnaire de configuration et un outil de déploiement et d’orchestration très populaire et central dans le monde de
l'infrastructure as code (IaC).
Il fait donc également partie de façon centrale du mouvement DevOps car il s’apparente à un véritable couteau suisse de l’automatisation des
infrastructures.
Histoire
Ansible a été créé en 2012 (plus récent que ses concurrents Puppet et Chef) autour d’une recherche de simplicité et du principe de configuration
agentless.
Très orienté linux/opensource et versatile il obtient rapidement un franc succès et s’avère être un couteau suisse très adapté à l’automatisation DevOps
et Cloud dans des environnements hétérogènes.
Red Hat rachète Ansible en 2015 et développe un certain nombre de produits autour (Ansible Tower, Ansible container avec Openshift).
Architecture : simplicité et portabilité avec ssh et python
Ansible est agentless c’est à dire qu’il ne nécessite aucun service/daemon spécifique sur les machines à configurer.
La simplicité d’Ansible provient également du fait qu’il s’appuie sur des technologies linux omniprésentes et devenues universelles.
ssh : connexion et authentification classique avec les comptes présents sur les machines.
python : multiplateforme, un classique sous linux, adapté à l’admin sys et à tous les usages.
De fait Ansible fonctionne efficacement sur toutes les distributions linux, debian, centos, ubuntu en particulier (et maintenant également sur Windows).
Ansible pour la configuration

Ansible est semi-déclaratif c’est à dire qu’il s’exécute séquentiellement mais idéalement de façon idempotente.
Il permet d’avoir un état descriptif de la configuration:
qui soit auditable

qui peut évoluer progressivement
qui permet d'éviter que celle-ci ne dérive vers un état inconnu
Ansible pour le déploiement et l’orchestration
Peut être utilisé pour des opérations ponctuelles comme le déploiement:
vérifier les dépendances et l’état requis d’un système

récupérer la nouvelle version d’un code source
effectuer une migration de base de données (si outil de migration)
tests opérationnels (vérifier qu’un service répond)
Ansible à différentes échelles
Les cas d’usages d’Ansible vont de …:
petit:
… un petit playbook (~script) fournit avec le code d’un logiciel pour déployer en mode test.
… la configuration d’une machine de travail personnelle.
etc.
moyen:
… faire un lab avec quelques machines.

… déployer une application avec du code, une runtime (php/jav etc) et une base de données à migrer.
etc.
grand:
… gestion de plusieurs DC avec des produits multiples.

… gestion multi-équipes et logging de toutes les opérations grâce à Ansible Tower.
etc.
Ansible et Docker
Ansible est très complémentaire à docker:
Il permet de provisionner des machines avec docker ou kubernetes installé pour ensuite déployer des conteneurs.
Il permet une orchestration simple des conteneur avec le module docker_container.
Plus récemment avec l’arrivé d'Ansible container il est possible de construire et déployer des conteneurs docker avec du code ansible. Cette solution
fait partie de la stack Red Hat Openshift. Concrètement le langage ansible remplace (avantageusement ?) le langage Dockerfile pour la construction des
images Docker.
Partie 1, Installation, configuration et commandes ad hoc.

Pour l’installation plusieurs options sont possibles:
Avec le gestionnaire de paquet de la distribution ou homebrew sur OSX:
version généralement plus ancienne (2.4 ou 2.6)
facile à mettre à jour avec le reste du système
Pour installer une version récente on il existe des dépots spécifique à ajouter: exemple sur ubuntu: sudo apt-add-repository --yes --
update ppa:ansible/ansible
Avec pip le gestionnaire de paquet du langage python: sudo pip3 install
installe la dernière version stable (2.8 actuellement)
commande d’upgrade spécifique sudo pip3 install ansible --upgrade
possibilité d’installer facilement une version de développement pour tester de nouvelles fonctionnalité ou anticiper les migrations.
Pour voir l’ensemble des fichier installé par un paquet pip3 :
pip3 show -f ansible | less
Pour tester la connexion aux serveurs on utilise la commande ad hoc suivante. ansible all -m ping
Les inventaires statiques

Il s’agit d’une liste de machines sur lesquelles vont s’exécuter les modules Ansible. Les machines de cette liste sont:
Classées par groupe et sous groupes pour être désignables collectivement (exp executer telle opération sur)
La méthode connexion est précisée soit globalement soit pour chaque machine.
Des variables peuvent être définies pour chaque machine ou groupe pour contrôler dynamiquement par la suite la configuration ansible.
Classées par groupe et sous groupes pour être désignables collectivement (exp executer telle opération sur)
La méthode connexion est précisée soit globalement soit pour chaque machine.
Des variables peuvent être définies pour chaque machine ou groupe pour contrôler dynamiquement par la suite la configuration ansible.
Exemple :
[all:vars]
ansible_ssh_user=elie
ansible_python_interpreter=/usr/bin/python3
[awx_nodes]
awxnode1 node_state=started ansible_host=10.164.210.101 container_image=centos_ansible_20190901
[dbservers]
pgnode1 node_state=started ansible_host=10.164.210.111 container_image=centos_ansible_20190901
pgnode2 node_state=started ansible_host=10.164.210.112 container_image=centos_ansible_20190901
[appservers]
appnode1 node_state=started ansible_host=10.164.210.121 container_image=centos_ansible_20190901
appnode2 node_state=started ansible_host=10.164.210.122 container_image=centos_ansible_20190901
Les inventaires peuvent également être au format YAML (plus lisible mais pas toujours intuitif) ou JSON (pour les machines).
Configuration
Ansible se configure classiquement au niveau global dans le dossier /etc/ansible/ dans lequel on retrouve en autre l’inventaire par défaut et des
paramètre de configuration.
Ansible est très fortement configurable pour s’adapter à des environnement contraints.
Liste des paramètre de configuration:
Alternativement on peut configurer ansible par projet avec un fichier ansible.cfg présent à la racine. Toute commande ansible lancée à la racine du
projet récupère automatiquement cette configuration.
La commande ansible
version minimale :
ansible <groupe_machine> -m <module> -a <arguments_module>
ansible all -m ping: Permet de tester si les hotes sont joignables et ansible utilisable (SSH et python sont présents et configurés).
version plus complète :

ansible <groupe_machine> --inventory <fichier_inventaire> --become -m <module> -a <arguments_module>
Les modules Ansible
Ansible fonctionne grâce à des modules python téléversés sur sur l’hôte à configurer puis exécutés. Ces modules sont conçus pour être cohérents et
versatiles et rendre les tâches courantes d’administration plus simples.
Il en existe pour un peu toute les tâches raisonnablement courantes : un slogan Ansible “Batteries included” ! Plus de 1300 modules sont intégrés par
défaut.
ping: un module de test Ansible (pas seulement réseau comme la commande ping)
yum/apt: pour gérer les paquets sur les distributions basées respectivement sur Red Hat ou Debian.
... -m yum -a "name=openssh-server state=present"
systemd (ou plus générique service): gérer les services/daemons d’un système.
... -m systemd -a "name=openssh-server state=started"
user: créer des utilisateurs et gérer leurs options/permission/groupes
file: pour créer, supprimer, modifier, changer les permission de fichiers, dossier et liens.
shell: pour exécuter des commandes unix grace à un shell

Option et documentation des modules
La documentation des modules Ansible se trouve à l’adresse https://docs.ansible.com/ansible/latest/modules/file_module.html
Chaque module propose de nombreux arguments pour personnaliser son comportement:
exemple: le module file permet de gérer de nombreuses opérations avec un seul module en variant les arguments.
Il est également à noter que la plupart des arguments sont facultatifs.
cela permet de garder les appel de modules très succints pour les taches par défaut
il est également possible de rendre des paramètres par défaut explicites pour augmenter la clarté du code.
Exemple et bonne pratique: toujours préciser state: present même si cette valeur est presque toujours le défaut implicite.
Commençons le TP1
Cours 2 - Les playbooks Ansible, modules de base, variables et

structures de contrôle
Les commandes ad-hoc sont des appels directs de modules Ansible qui fonctionnent de façon idempotente mais ne présente pas les avantages du code
qui donne tout son intérêt à l’IaC:
texte descriptif écrit une fois pour toute

logique lisible et auditable
versionnable avec git
reproductible et incrémental
La dimension incrémentale du code rend en particulier plus aisé de construire une infrastructure progressivement en la complexifiant au fur et à mesure
plutôt que de devoir tout plannifier à l’avance.
Le playbook est une sorte de script ansible, c’est à dire du code.

Le nom provient du football américain : il s’agit d’un ensemble de stratégies qu’une
équipe a travaillé pour répondre aux situations du match. Elle insiste sur la versatilité de l’outil.
Syntaxe yaml
Les playbooks ansible sont écrits au format YAML.
YAML est basé sur les identations à base d’espaces (2 espaces par indentation en général). Comme le langage python.
C’est un format assez lisible et simple à écrire bien que les indentations soient parfois difficiles à lire.
C’est un format assez flexible avec des types liste et dictionnaires qui peuvent s’imbriquer.
Le YAML est assez proche du JSON (leur structures arborescentes typées sont isomorphes) mais plus facile à écrire.
A quoi ça ressemble ?
Une liste
- 1
- Poire
- "Message à caractère informatif"
Un dictionnaire
clé1: valeur1
clé2: valeur2
clé3: 3
Un exemple imbriqué plus complexe
marché: # debut du dictionnaire global "marché"
lieu: Crimée Curial
jour: dimanche
horaire:
unité: "heure"
min: 9
max: 14 # entier
fruits: #liste de dictionnaires décrivant chaque fruit
- nom: pomme
couleur: "verte"
pesticide: avec #les chaines sont avec ou sans " ou '
# on peut sauter des lignes dans interrompre la liste ou le dictionnaire en court
- nom: poires
couleur: jaune
pesticide: sans
légumes: #Liste de 3 éléments
- courgettes
- salade
- potiron
#fin du dictionnaire global
Pour mieux visualiser l’imbrication des dictionnaires et des listes en YAML on peut utiliser un convertisseur YAML -> JSON :
https://www.json2yaml.com/.
Notre marché devient:
{
"marché": {
"lieu": "Crimée Curial",
"jour": "dimanche",
"horaire": {
"unité": "heure",
"min": 9,
"max": 14
},
"fruits": [
"nom": "pomme",
"couleur": "verte",
"pesticide": "avec"
},
"nom": "poires",
"couleur": "jaune",
"pesticide": "sans"
],
"légumes": [
"courgettes",
"salade",
"potiron"
Observez en particulier la syntaxe assez condensée de la liste “fruits” en YAML qui est une liste de dictionnaires.
Structure d’un playbook

---
- name: premier play # une liste de play (chaque play commence par un tiret)
hosts: serveur_web # un premier play
become: yes
gather_facts: false # récupérer le dictionnaires d'informations (facts) relatives aux machines
vars:
logfile_name: "auth.log"
var_files:
- mesvariables.yml
pre_tasks:
- name: dynamic variable
set_fact:
mavariable: "{{ inventory_hostname + 'prod' }}" #guillemets obligatoires
roles:
- flaskapp
tasks:
- name: installer le serveur nginx
apt: name=nginx state=present # syntaxe concise proche des commandes ad hoc mais moins lisible
- name: créer un fichier de log
file: # syntaxe yaml extensive : conseillée
path: /var/log/{{ logfile_name }} #guillemets facultatifs
mode: 755
- import_tasks: mestaches.yml
handlers:
- systemd:
name: nginx
state: "reloaded"
- name: un autre play
hosts: dbservers
tasks:
...
Un playbook commence par un tiret car il s’agit d’une liste de plays.
Un play est un dictionnaire yaml qui décrit un ensemble de taches ordonnées en plusieurs sections. Un play commence par préciser sur quelles
machines il s’applique puis précise quelques paramètres faculatifs d’exécution comme become: yes pour l’élévation de privilège (section hosts).
La section hosts est obligatoire. Toutes les autres sections sont facultatives !
La section tasks est généralement la section principale car elle décrit les taches de configuration à appliquer.
La section tasks peut être remplacée ou complétée par une section roles et des sections pre_tasks post_tasks
Les handlers sont des tâches conditionnelles qui s’exécutent à la fin (post traitements conditionnels comme le redémarrage d’un service)
Ordre d’execution
1. pre_tasks
2. roles
3. tasks
4. post_tasks
5. handlers
Les roles ne sont pas des tâches à proprement parler mais un ensemble de tâches et ressources regroupées dans un module un peu comme une librairie
developpement. Cf. cours 3.
bonnes pratiques de syntaxe
Indentation de deux espaces.

Toujours mettre un name: qui décrit lors de l’execution la tache en court : un des principes de l’IaC est l’intelligibilité des opérations.
Utiliser les arguments au format yaml (sur plusieurs lignes) pour la lisibilité, sauf s’il y a peu d’arguments
Pour valider la syntaxe il est possible d’installer et utiliser ansible-linter sur les fichiers YAML.
Imports et includes
Il est possible d’importer le contenu d’autres fichiers dans un playbook:
import_tasks: importe une liste de tâches (atomiques)

import_playbook: importe une liste de play contenus dans un playbook.
Les deux instructions précédentes désignent un import statique qui est résolu avant l’exécution.
Au contraire, include_tasks permet d’intégrer une liste de tâche dynamiquement pendant l’exécution
Par exemple:
vars:
apps:
- app1
- app2
- app3
tasks:
- include_tasks: install_app.yml
loop: "{{ apps }}"
Ce code indique à Ansible d’executer une série de tâches pour chaque application de la liste. On pourrait remplacer cette liste par une liste dynamique.
Comme le nombre d’import ne peut pas facilement être connu à l’avance on doit utiliser include_tasks.
Élévation de privilège
L’élévation de privilège est nécessaire lorsqu’on a besoin d’être root pour exécuter une commande ou plus généralement qu’on a besoin d’exécuter une
commande avec un utilisateur différent de celui utilisé pour la connexion on peut utiliser:
Au moment de l’exécution l’argument --become en ligne de commande avec ansible, ansible-console ou ansible-playbook.
La section become: yes
au début du play (après hosts) : toutes les tâches seront executée avec cette élévation par défaut.
après n’importe quelle tâche : l’élévation concerne uniquement la tâche cible.
Pour executer une tâche avec un autre utilisateur que root (become simple) ou celui de connexion (sans become) on le précise en ajoutant à
become: yes, become_user: username
Variables Ansible
Ansible utilise en arrière plan un dictionnaire contenant de nombreuses variables.
Pour s’en rendre compte on peut lancer :

ansible <hote_ou_groupe> -m debug -a "msg={{ hostvars }}"
Ce dictionnaire contient en particulier:
des variables de configuration ansible (ansible_user par exemple)

des facts c’est à dire des variables dynamiques caractérisant les systèmes cible (par exemple ansible_os_family) et récupéré au lancement d’un
playbook.
des variables personnalisées (de l’utilisateur) que vous définissez avec vos propre nom généralement en snake_case.
Jinja2 et variables dans les playbooks et rôles (fichiers de code)

La plupart des fichiers Ansible (sauf l’inventaire) sont traités avec le moteur de template python JinJa2.
Ce moteur permet de créer des valeurs dynamiques dans le code des playbooks, des roles, et des fichiers de configuration.
Les variables écrites au format {{ mavariable }} sont remplacées par leur valeur provenant du dictionnaire d’exécution d’Ansible.
Des filtres (fonctions de transformation) permettent de transformer la valeur des variables: exemple : {{ hostname | default('localhost') }}
(Voir plus bas)
Jinja2 et les variables dans les fichiers de templates

Les fichiers de templates (.j2) utilisés avec le module template, généralement pour créer des fichiers de configuration peuvent contenir des variables et
des filtres comme les fichier de code (voir au dessus) mais également d’autres constructions jinja2 comme:
Des if : {% if nginx_state == 'present' %}...{% endif %}.

Des boucles for : {% for host in groups['appserver'] %}...{% endfor %}.
Des inclusions de templates {% include 'autre_fichier_template.j2' %}
Définition des variables

On peut définir et modifier la valeur des variables à différents endroits du code ansible:
La section vars: du playbook.
Un fichier de variables appelé avec var_files:
L’inventaire : variables pour chaque machine ou pour le groupe.
Dans des dossier extension de l’inventaire group_vars, host_bars
Dans le dossier defaults des roles (cf partie sur les roles)
Dans une tache avec le module set_facts.
A runtime au moment d’appeler la CLI ansible avec --extra-vars "version=1.23.45 other_variable=foo"
Lorsque définies plusieurs fois, les variables ont des priorités en fonction de l’endroit de définition.
L’ordre de priorité est plutôt complexe:
https://docs.ansible.com/ansible/latest/user_guide/playbooks_variables.html#variable-precedence-where-should-i-put-a-variable
En résumé la règle peut être exprimée comme suit: les variables de runtime sont prioritaires sur les variables dans un playbook qui sont prioritaires sur
les variables de l’inventaire qui sont prioritaires sur les variables par défaut d’un role.
Bonne pratique: limiter les redéfinitions de variables en cascade (au maximum une valeur par défaut, une valeur contextuelle et une valeur
runtime) pour éviter que le playbook soit trop complexe et difficilement compréhensible et donc maintenable.
Remarques de syntaxe
groups.all et groups['all'] sont deux syntaxes équivalentes pour désigner les éléments d’un dictionnaire.
variables spéciales
https://docs.ansible.com/ansible/latest/reference_appendices/special_variables.html
Les plus utiles:
hostvars: dictionaire de toute les variables rangées par hote de l’inventaire.

ansible_host: information utilisée pour la connexion (ip ou domaine).
inventory_hostname: nom de la machine dans l’inventaire.
groups: dictionnaire de tous les groupes avec la liste des machines appartenant à chaque groupe.
Pour explorer chacune de ces variables vous pouvez utiliser le module debug en mode adhoc ou dans un playbook:
ansible <hote_ou_groupe> -m debug -a "msg={{ ansible_host }}"
ou encore:
ansible <hote_ou_groupe> -m debug -a "msg={{ groups.all }}"
Facts
Les facts sont des valeurs de variables récupérées au début de l’exécution durant l’étape gather_facts et qui décrivent l’état courant de chaque machine.
Par exemple, ansible_os_family est un fact/variable décrivant le type d’OS installé sur la machine. Elle n’existe qu’une fois les facts récupérés.
! Lors d’une commande adhoc ansible les facts ne sont pas récupérés : la variable ansible_os_family ne sera pas disponible.
La liste des facts peut être trouvée dans la documentation et dépend des plugins utilisés pour les récupérés:
https://docs.ansible.com/ansible/latest/user_guide/playbooks_vars_facts.html
Structures de controle Ansible (et non JinJa2)

La directive when
Elle permet de rendre une tâche conditionnelle (une sorte de if)
- name: start nginx service
systemd:
name: nginx
state: started
when: ansible_os_family == 'RedHat'
Sinon la tache est sautée (skipped) durant l’exécution.
La directive loop:
Cette directive permet d’executer une tache plusieurs fois basée sur une liste de valeur:
https://docs.ansible.com/ansible/latest/user_guide/playbooks_loops.html
exemple:
- hosts: localhost
tasks:
- name: exemple de boucle
debug:
msg: "{{ item }}"
loop:
- message1
- message2
- message3
On peut également controler cette boucle avec quelques paramètres:
- hosts: localhost
vars:
messages:
- message1
- message2
- message3
tasks:
- name: exemple de boucle
debug:
msg: "message numero {{ num }} : {{ message }}"
loop: "{{ messages }}"
loop_control:
loop_var: message
index_var: num
Cette fonctionnalité de boucle était anciennement accessible avec le mot clé with_items: qui est maintenant déprécié.
Filtres Jinja
Pour transformer la valeur des variables à la volée lors de leur appel on peut utiliser des filtres (jinja2) :
par exemple on peut fournir une valeur par défaut pour une variable avec filtre default: {{ hostname | default('localhost') }}
Un autre usage courant des filtres est de reformater et filtrer des listes et dictionnaires de paramètre. Ces syntaxes sont peut intuitives. Vous
pouvez vous entrainer en regardant ces tutoriels:
https://www.tailored.cloud/devops/how-to-filter-and-map-lists-in-ansible/
https://www.tailored.cloud/devops/advanced-list-operations-ansible/
La liste complète des filtres ansible se trouve ici : https://docs.ansible.com/ansible/latest/user_guide/playbooks_filters.html
Debugger un playbook.
Avec Ansible on dispose d’au moins trois manières de debugger un playbook:
Rendre la sortie verbeuse (mode debug) avec -vvv.
Utiliser une tache avec le module debug : debug msg="{{ mavariable }}".
Utiliser la directive debugger: always ou on_failed à ajouter à la fin d’une tâche. L’exécution s’arrête alors après l’exécution de cette tâche et
propose un interpreteur de debug.
Les commandes et l’usage du debugger sont décris dans la documentation: https://docs.ansible.com/ansible/latest/user_guide/playbooks_debugger.html

Organisation d’un dépot de code Ansible
Voici, extrait de la documentation Ansible sur les “Best Practice”, l’une des organisations de référence d’un projet ansible de configuration d’une
infrastructure:
production # inventory file for production servers
staging # inventory file for staging environment
group_vars/
group1.yml # here we assign variables to particular groups
group2.yml
host_vars/
hostname1.yml # here we assign variables to particular systems
hostname2.yml
site.yml # master playbook
webservers.yml # playbook for webserver tier
dbservers.yml # playbook for dbserver tier
roles/
common/ # this hierarchy represents a "role"
... # role code
webtier/ # same kind of structure as "common" was above, done for the webtier role
monitoring/ # ""
fooapp/ # ""
Plusieurs remarques:
Chaque environnement (staging, production) dispose d’un inventaire ce qui permet de préciser à runtime quel environnement cibler avec l’option
--inventaire production.
Chaque groupe de serveurs (tier) dispose de son playbook
qui s’applique sur le groupe en question.
éventuellement définit quelques variables spécifiques (mais il vaut mieux les mettre dans l’inventaire ou les dossiers cf suite).
Idéalement contient un minimum de tâches et plutôt des roles (ie des tâches rangées dans une sorte de module)
Pour limiter la taille de l’inventaire principal on range les variables communes dans des dossiers group_vars et host_vars. On met à l’intérieur un
fichier <nom_du_groupe>.yml qui contient un dictionnaire de variables.
On cherche à modulariser au maximum la configuration dans des roles c’est à dire des modules rendus génériques et specifique à un objectif de
configuration.
Ce modèle d’organisation correspond plutôt à la configuration de base d’une infrastructure (playbooks à exécuter régulièrement) qu’à l’usage de
playbooks ponctuels comme pour le déploiement. Mais, bien sur, on peut ajouter un dossier playbooks ou operations pour certaines opérations
ponctuelles. (cf cours 4)
Si les modules de Ansible (complétés par les commandes bash) ne suffisent pas on peut développer ses propre modules ansible.
Il s’agit de programmes python plus ou moins complexes
On les range alors dans le dossier library du projet ou d’un role et on le précise éventuellement dans ansible.cfg.
Observons le role Common : il est utilisé ici pour rassembler les taches de base des communes à toutes les machines. Par exemple s’assurer que les
clés ssh de l’équipe sont présentes, que les dépots spécifiques sont présents etc.
Roles Ansible
Objectif:
Découper les tâches de configuration en sous ensembles réutilisables (une suite d’étapes de configuration).
Ansible est une sorte de langage de programmation et l’intéret du code est de pouvoir créer des fonction regroupées en librairies et les composer.
Les roles sont les “librairies/fonction” ansible en quelque sorte.
Comme une fonction un role prend généralement des paramètres qui permettent de personnaliser son comportement.
Tout le nécessaire doit y être (fichiers de configurations, archives et binaires à déployer, modules personnels dans library etc.)
Remarque ne pas confondre modules et roles : file est un module geerlingguy.docker est un role. On doit écrire des roles pour coder
correctement en Ansible, on peut écrire des modules mais c’est largement facultatif car la plupart des actions existent déjà.
Présentation d’un exemple de role : https://github.com/geerlingguy/ansible-role-docker
Dans la philosophie Ansible on recherche la généricité des roles. On cherche à ajouter des paramètres pour que le rôle s’adapte à différents
cas (comme notre playbook flask app).
Une bonne pratique: préfixer le nom des paramètres par le nom du role exemple docker_edition.
Cependant la généricité est nécessaire quand on veut distribuer le role ou construire des outils spécifiques qui serve à plus endroit de
l’infrastructure mais elle augmente la complexité.
Donc pour les roles internes on privilégie la simplicité.
Les roles contiennent idéalement un fichier README en décrire l’usage et un fichier meta/main.yml qui décrit la compatibilité et les
dépendanice en plus de la licence et l’auteur.
Il peuvent idéalement être versionnés dans des dépots à part et installé avec ansible-galaxy
Structure d’un rôle
Un role est un dossier avec des sous dossiers conventionnels:
roles/
common/ # this hierarchy represents a "role"
tasks/ #
main.yml # <-- tasks file can include smaller files if warranted
handlers/ #
main.yml # <-- handlers file
templates/ # <-- files for use with the template resource
ntp.conf.j2 # <------- templates end in .j2
files/ #
foo.sh # <-- script files for use with the script resource
vars/ #
main.yml # <-- variables associated with this role
defaults/ #
main.yml # <-- default lower priority variables for this role
meta/ #
main.yml # <-- role dependencies
library/ # roles can also include custom modules
module_utils/ # roles can also include custom module_utils
lookup_plugins/
On constate que les noms des sous dossiers correspondent souvent à des sections du playbook. En fait le principe de base est d’extraire les différentes
listes de taches ou de variables dans des sous-dossier
Remarque : les fichier de liste doivent nécessairement s’appeler main.yml" (pas très intuitif)
Remarque2 : main.yml peut en revanche importer d’autre fichiers aux noms personnalisés (exp role docker de geerlingguy)
Le dossier defaults contient les valeurs par défaut des paramètres du role. Ces valeurs ne sont jamais prioritaires (elles sont écrasées par
n’importe quelle redéfinition)
Le fichier meta/main.yml est facultatif mais conseillé et contient des informations sur le role
auteur
license
compatibilité
version
dépendances à d’autres roles.
Le dossier files contient les fichiers qui ne sont pas des templates (pour les module copy ou sync, script etc).
Ansible Galaxy
C’est le store de roles officiel d’Ansible : https://galaxy.ansible.com/
C’est également le nom d’une commande ansible-galaxy qui permet d’installer des roles et leurs dépendances depuis internet. Un sorte de gestionnaire
de paquet pour ansible.
Elle est utilisée généralement sour la forme ansible install -r roles/requirements.yml -p roles <nom_role> ou plus simplement ansible-galaxy
install <role> mais installe dans /etc/ansible/roles.
Tous les rôles ansible sont communautaires (pas de roles officiels) et généralement stockés sur github.
Mais on peut voir la popularité la qualité et les tests qui garantissement la plus ou moins grande fiabilité du role
Il existe des roles pour installer un peu n’importe quelle application serveur courante aujourd’hui. Passez du temps à explorer le web avant de
développer quelque chose avec Ansible
Installer des roles avec requirements.yml
Conventionnellement on utilise un fichier requirements.yml situé dans roles pour décrire la liste des roles nécessaires à un projet.
- src: geerlingguy.repo-epel
- src: geerlingguy.haproxy
- src: geerlingguy.docke
# from GitHub, overriding the name and specifying a specific tag
- src: https://github.com/bennojoy/nginx
version: master
name: nginx_role
Ensuite pour les installer on lance: ansible-galaxy install -r roles/requirements.yml -p roles.

Execution d’Ansible en production
L’intérêt d’un outil d’installation idempotent comme Ansible est de pouvoir exécuter de façon régulière et automatiser l’execution d’Ansible pour
s’assurer de la conformité de l’infrastructure avec le code.
Une production Ansible est généralement un serveur spécial (parfois appelé un ansible master) depuis lequel le code peut être exécuté, ponctuellement
ou de préférence régulièrement (2x par jours par exemple).
Le serveur Ansible s’assure également que les exécutions sont correctement logguées et que les DevOps peuvent par la suite s’assurer que les
différentes exécutions se sont déroulées correctement et éventuellement lire les logs d’execution pour diagnostiquer les erreurs.
Différentes solutions de serveur de production Ansible

Ansible Tower/AWX : La solution “officielle” pour exécuter ansible en production promue par RedHat. AWX est l’upstream open source de
Tower. Cette solution est assez lourde à déployer et n’exécute que du Ansible (peu versatile) mais elle a été prouvé adapté pour des très grosses
production pilotées principalement par Ansible.
Un serveur master Linux simple pour executer Ansible en CLI ou en Cron : plus léger et versatile mais ne propose par de dashboard pour afficher
l’état de de l’infrastructure
Rundeck: une solution générique pour exécuter des Jobs d’infrastructure qui s’intègre plutôt correctement avec Ansible.
Jenkins: souvent associé à la CI/CD, Jenkins est en réalité un serveur générique pour exécuter des Jobs automatiquement et à la demande. Il
propose un plugin Ansible intéssant et permet de consulté les logs d’exécution et d’avoir une vue globale des dernières exécutions à travers des
dashboard. Il est très flexible mais assez complexe à configurer correctement.
Nous allons pour le dernier TP de ce module utiliser Jenkins pour exécuter Ansible. Ainsi nous pouvons découvrir un peu en avance
Jenkins qui est
complexe et important pour la fin du cursus.
Sécurité
Les problématiques de sécurité linux ne sont pas résolue magiquement par Ansible. Tous le travail de réflexion et de sécurisation reste identique mais
peut comme le reste être mieux controllé grace à l’approche déclarative de l’infrastructure as code.
Si cette problématique des liens entre Ansible et sécurité vous intéresse : Security automation with Ansible
Il est à noter tout de même qu’Ansible est généralement apprécié d’un point de vue sécurité car il n’augmente pas (vraiment) la surface d’attaque de vos
infrastructure : il est basé sur ssh qui est éprouvé et ne nécessite généralement pas de réorganisation des infrastructures.
Pour les cas plus spécifiques et si vous voulez éviter ssh, Ansible est relativement agnostique du mode de connexion grâce aux plugins de connexions
(voir ci-dessous).
Authentification et SSH
Un bonne pratique importante : changez le port de connexion ssh pour un port atypique. Ajoutez la variable ansible_ssh_port=17728 dans l’inventaire.
Il faut idéalement éviter de créer un seul compte ansible de connexion pour toutes les machines:
difficile à bouger
responsabilité des connexions pas auditable (auth.log + syslog)
Il faut utiliser comme nous avons fait dans les TP des logins ssh avec les utilisateurs humain réels des machines et des clés ssh. C’est à dire le même
modèle d’authentification que l’administration traditionnelle.
Les autres modes de connexion

Le mode de connexion par défaut de Ansible est SSH cependant il est possible d’utiliser de nombreux autres modes de connexion spécifiques :
Pour afficher la liste des plugins disponible lancez ansible-doc -t connection -l.
Une autre connexion courante est ansible_connection=local qui permet de configurer la machine locale sans avoir besoin d’installer un serveur
ssh.
Citons également les connexions ansible_connexion=docker et ansible_connexion=lxd pour configurer des conteneurs linux ainsi que
ansible_connexion= pour les serveurs windows
Les questions de sécurités de la connexion se posent bien sur différemment selon le mode de connexion utilisés (port, authentification, etc.)
Pour débugger les connexions et diagnotiquer leur sécurité on peut afficher les détails de chaque connection ansible avec le mode de verbosité
maximal (network) en utilisant le paramètre -vvvv.
Variables et secrets
Le principal risque de sécurité lié à Ansible comme avec Docker et l’IaC en général consiste à laisser trainer des secrets (mot de passe, identités de
clients, api token, secret de chiffrement / migration etc.) dans le code ou sur les serveurs (moins problématique).
Attention : les dépôt git peuvent cacher des secrets dans leur historique. Pour chercher et nettoyer un secret dans un dépôt l’outil le plus courant est
BFG : https://rtyley.github.io/bfg-repo-cleaner/
Désactiver le logging des informations sensibles

Ansible propose une directive no_log: yes qui permet de désactiver l’affichage des valeurs d’entrée et de sortie d’une tâche.
Il est ainsi possible de limiter la prolifération de données sensibles.
Ansible vault
Pour éviter de divulguer des secrets par inadvertance, il est possible de gérer les secrets avec des variables d’environnement ou avec un fichier variable
externe au projet qui échappera au versionning git, mais ce n’est pas idéal.
Ansible intègre un trousseau de secret appelé , Ansible Vault permet de chiffrer des valeurs variables par variables ou des fichiers complets.
Les
valeurs stockées dans le trousseaux sont déchiffrée à l’exécution après dévérouillage du trousseau.
ansible-vault create /var/secrets.yml

ansible-vault edit /var/secrets.yml ouvre $EDITOR pour changer le fichier de variables.
ansible-vault encrypt_file /vars/secrets.yml pour chiffrer un fichier existant
ansible-vault encrypt_string monmotdepasse permet de chiffrer une valeur avec un mot de passe. le résultat peut être ensuite collé dans un
fichier de variables par ailleurs en clair.
Pour déchiffrer il est ensuite nécessaire d’ajouter l’option --ask-vault-pass au moment de l’exécution de ansible ou ansible-playbook
Il existe également un mode pour gérer plusieurs mots de passe associés à des identifiants.
Ansible dans le cloud

L’automatisation Ansible fait d’autant plus sens dans un environnement d’infrastructures dynamique:
L’agrandissement horizontal implique de résinstaller régulièrement des machines identiques

L’automatisation et la gestion des configurations permet de mieux contrôler des environnements de plus en plus complexes.
Il existe de nombreuses solutions pour intégrer Ansible avec les principaux providers de cloud (modules ansible, plugins d’API, intégration avec d’autre
outils d’IaC Cloud comme Terraform ou Cloudformation).
Inventaires dynamiques
Les inventaires que nous avons utilisés jusqu’ici implique d’affecter à la main les adresses IP des différents noeuds de notre infrastructure. Cela devient
vite ingérable.
La solution ansible pour le pas gérer les IP et les groupes à la main est appelée inventaire dynamique ou inventory plugin. Un inventaire dynamique
est simplement un programme qui renvoie un JSON respectant le format d’inventaire JSON ansible, généralement en contactant l’api du cloud provider
ou une autre source.
$ ./inventory_terraform.py
"_meta": {
"hostvars": {
"balancer0": {
"ansible_host": "104.248.194.100"
},
"balancer1": {
"ansible_host": "104.248.204.222"
},
"awx0": {
"ansible_host": "104.248.204.202"
},
"appserver0": {
"ansible_host": "104.248.202.47"
},
"all": {
"children": [],
"hosts": [
"appserver0",
"awx0",
"balancer0",
"balancer1"
],
"vars": {}
},
"appservers": {
"children": [],
"hosts": [
"balancer0",
"balancer1"
],
"vars": {}
},
"awxnodes": {
"children": [],
"hosts": [
"awx0"
],
"vars": {}
},
"balancers": {
"children": [],
"hosts": [
"appserver0"
],
"vars": {}
}%
On peut ensuite appeler ansible-playbook en utilisant ce programme plutôt qu’un fichier statique d’inventaire: ansible-playbook -i
inventory_terraform.py configuration.yml

Installation de Ansible
Installez Ansible au niveau du système avec apt en lançant:
$ sudo apt update
$ sudo apt install software-properties-common
$ sudo apt-add-repository --yes --update ppa:ansible/ansible
$ sudo apt install ansible
Affichez la version pour vérifier que c’est bien la dernière stable.
ansible --version
=> 2.8.x
Traditionnellement lorsqu’on veut vérifier le bon fonctionnement d’une configuration on utilise ansible all -m ping. Que signifie-t-elle ?
Réponse :
Lancez la commande précédente. Que ce passe-t-il ?
Réponse :
Utilisez en plus l’option -vvv pour mettre en mode très verbeux. Ce mode est très efficace pour débugger lorsqu’une erreur inconnue se présente.
Que se passe-t-il avec l’inventaire ?
Réponse :
Testez l’installation avec la commande ansible en vous connectant à votre machine localhost et en utilisant le module ping.
Réponse :
Ajoutez la ligne hotelocal ansible_host=127.0.0.1 dans l’inventaire par défaut (le chemin est indiqué dans). Et pinguer hotelocal.
Réponse :
Créer un projet de code Ansible

Lorsqu’on développe avec Ansible il est conseillé de le gérer comme un véritable projet de code :
versionner le projet avec Git

Ajouter tous les paramètres nécessaires dans un dossier pour être au plus proche du code. Par exemple utiliser un inventaire inventory.cfg ou
hosts et une configuration locale au projet ansible.cfg
Nous allons créer un tel projet de code pour la suite du tp1
Créez un dossier projet tp1 sur le Bureau.
Facultatif :
Ouvrez Visual Studio Code.

Installez l’extension Ansible dans VSCode.
Ouvrez le dossier du projet avec Open Folder...
Nous sommes maintenant prêts à créers des fichiers pour notre projet Ansible.
Découvrir Vagrant
Vagrant est un outil pour créer des VMs (ou conteneurs) à partir de code. Son objectif est de permettre la création d’environnement de développement /
DevOps reproductibles et partageables.
Pour utiliser Ansible nous avons justement besoin de machine vituelles à provisionner. Nous allons utiliser Vagrant et Virtualbox pour créer plusieurs
serveurs.
Installez Vagrant en ajoutant le dépôt ubuntu et utilisant apt (voir https://www.vagrantup.com/downloads pour d’autres installation):
curl -fsSL https://apt.releases.hashicorp.com/gpg | sudo apt-key add -
sudo apt-add-repository "deb [arch=amd64] https://apt.releases.hashicorp.com $(lsb_release -cs) main"
sudo apt-get update && sudo apt-get install vagrant
Ajoutez à l’intérieur un fichier Vagrantfile contenant le code suivant:
Vagrant.configure("2") do |config|
config.vm.synced_folder '.', '/vagrant', disabled: true
config.ssh.insert_key = false # to use the global unsecure key instead of one insecure key per VM
config.vm.provider :virtualbox do |v|
v.memory = 512
v.cpus = 1
end
config.vm.define :ubu1 do |ubu1|
# Vagrant va récupérer une machine de base ubuntu 20.04 (focal) depuis cette plateforme https://app.vagrantup.com/boxes/search
ubu1.vm.box = "ubuntu/focal64"
ubu1.vm.hostname = "ubu1"
ubu1.vm.network :private_network, ip: "10.10.10.11"
end
config.vm.define :centos1 do |centos1|
centos1.vm.box = "geerlingguy/centos7"
centos1.vm.hostname = "centos1"
centos1.vm.network :private_network, ip: "10.10.10.12"
end
end
Utilisez la commande vagrant up pour démarrer la machine.
Entrainez vous à allumer, éteindre, détruire la machine et vous y connecter en ssh en suivant ce tutoriel: https://les-enovateurs.com/vagrant-
creation-machines-virtuelles/. (pensez également à utiliser vagrant --help ou vagrant <commande> --help pour découvrir les possibilités de la
ligne de commande vagrant).
Remarques pratiques sur Vagrant :
Pour voir toutes les machines en train de tourner utilisez vagrant global-status --prune
Toutes les machines vagrant (on parle de boxes vagrant) ont automatiquement un utilisateur vagrant qui a une clé SSH publiquement disponible
(ce n’est pas sécurisé mais utile pour le développement).
Vagrant partage automatiquement le dossier dans lequel est le Vagrantfile à l’intérieur de la VM dans le dossier /vagrant. Les scripts et autres
fichiers de votre projet sont donc directement accessibles dans la VM.
Lancer et tester les VMs

Pour se connecter en SSH avec Ansible nous allons donc utiliser l’utilisateur vagrant et une clé SSH (non sécure) ajoutée automatiquement à
chaque box Vagrant. Cette clé est disponible dans le dossier ~/.vagrant.d/insecure_private_key.
Essayez de vous connecter à ubu1 et centos1 en ssh avec l’option -i ~/.vagrant.d/insecure_private_key pour vérifier que la clé ssh est bien
configurée et vérifiez dans chaque machine que le sudo est configuré sans mot de passe avec sudo -i.
Configuration par projet d’Ansible
Un projet Ansible implique généralement une configuration Ansible locale décrite dans un fichier ansible.cfg. Ainsi, la configuration est versionnée
avec git en même temps que le code et l’infrastructure devient portable entre les ordinateurs des différents développeurs/DevOps.
Ajoutez à la racine du projet un tel fichier ansible.cfg avec à l’intérieur:
[defaults]
inventory = ./inventory.cfg
roles_path = ./roles
host_key_checking = false # nécessaire pour les labs ou on créé et supprime des machines constamment avec des signatures SSH changées.
Créez le fichier d’inventaire inventory.cfg comme spécifié dans ansible.cfg et ajoutez à l’intérieur nos machines ubu1 et centos1 d’après ce
modèle:
ubu1 ansible_host=<ip_ubu1>
centos1 ansible_host=<ip_centos1>
[all:vars]
ansible_user=<user>
ansible_ssh_private_key_file=~/.vagrant.d/insecure_private_key
Contacter nos nouvelles machines

Ansible cherche la configuration locale dans le dossier courant. Conséquence: on lance généralement toutes les commandes ansible depuis la racine
de notre projet.
Dans le dossier du projet, essayez de relancer la commande ad-hoc ping sur:
Chaque machine séparément
Réponse :
Sur toutes les machines en même temps
Réponse :
Créez un groupe adhoc_lab et ajoutez les deux machines ubu1 et centos1 dedans.
Réponse :
Lancez ping sur le groupe de deux machines.
Réponse :
Nous avons jusqu’à présent utilisé une connexion ssh par clé et précisé l’utilisateur de connexion dans le fichier ansible.cfg. Cependant on peut
aussi utiliser une connexion par mot de passe et préciser l’utilisateur et le mot de passe dans l’inventaire ou en lançant la commande.
En précisant les paramètres de connexion dans le playbook il et aussi possible d’avoir des modes de connexion (ssh, winrm, lxd, docker, etc) différents
pour chaque machine.
Installons nginx avec quelques modules et commandes ad-hoc

Modifiez l’inventaire pour créer deux sous-groupes de adhoc_lab, centos_hosts et ubuntu_hosts avec deux machines dans chacun. (utilisez pour
cela [adhoc_lab:children])
[all:vars]
ansible_user=vagrant
[ubuntu_hosts]
ubu1 ansible_host=<ip>
[centos_hosts]
centos1 ansible_host=<ip>
[adhoc_lab:children]
ubuntu_hosts
centos_hosts
Dans un inventaire ansible on commence toujours par créer les plus petits sous groupes puis on les rassemble en plus grands groupes.
Pinguer chacun des 3 groupes avec une commande ad hoc.
Nous allons maintenant installer nginx sur les 2 machines. Il y a plusieurs façons d’installer des logiciels grâce à Ansible: en utilisant le gestionnaire de
paquets de la distribution ou un gestionnaire spécifique comme pip ou npm. Chaque méthode dispose d’un module ansible spécifique.
Si nous voulions installer nginx avec la même commande sur des machines centos et ubuntu à la fois impossible d’utiliser apt car centos utilise
yum. Pour éviter ce problème on peut utiliser le module package qui permet d’uniformiser l’installation (pour les cas simples).
Allez voir la documentation de ce module
utilisez --become pour devenir root avant d’exécuter la commande (cf élévation de privilège dans le cours2)
Utilisez le pour installer nginx
Réponse :
Pour résoudre le problème installez epel-release sur la machine centos.
Réponse :
Relancez la commande d’installation de nginx. Que remarque-t-on ?
Réponse :
Utiliser le module systemd et l’option --check pour vérifier si le service nginx est démarré sur chacune des 2 machines. Normalement vous
constatez que le service est déjà démarré (par défaut) sur la machine ubuntu et non démarré sur la machine centos.
Réponse :
L’option --check à vérifier l’état des ressources sur les machines mais sans modifier la configuration`. Relancez la commande précédente pour le
vérifier. Normalement le retour de la commande est le même (l’ordre peu varier).
Lancez la commande avec state=stopped : le retour est inversé.
Enlevez le --check pour vous assurer que le service est démarré sur chacune des machines.
Visitez dans un navigateur l’ip d’un des hôtes pour voir la page d’accueil nginx.
Ansible et les commandes unix

Il existe trois façon de lancer des commandes unix avec ansible:
le module command utilise python pour lancez la commande.
les pipes et syntaxes bash ne fonctionnent pas.

il peut executer seulement les binaires.
il est cependant recommandé quand c’est possible car il n’est pas perturbé par l’environnement du shell sur les machine et donc plus
prévisible.
le module shell utilise un module python qui appelle un shell pour lancer une commande.
fonctionne comme le lancement d’une commande shell mais utilise un module python.
le module raw.
exécute une commande ssh brute.

ne nécessite pas python sur l’hote : on peut l’utiliser pour installer python justement.
ne dispose pas de l’option creates pour simuler de l’idempotence.
Créez un fichier dans /tmp avec touch et l’un des modules précédents.
Relancez la commande. Le retour est toujours changed car ces modules ne sont pas idempotents.
Relancer l’un des modules shell ou command avec touch et l’option creates pour rendre l’opération idempotente. Ansible détecte alors que le
fichier témoin existe et n’exécute pas la commande.
ansible adhoc_lab --become -m "command touch /tmp/file" -a "creates=/tmp/file"

Création du projet
Détruisez les machines du tp1 si ce n’est pas encore fait avec vagrant destroy --force dans le dossier tp1
Créez un nouveau dossier tp2_flask_deployment.
Créez le fichier ansible.cfg comme précédemment.
[defaults]
inventory = ./inventory.cfg
roles_path = ./roles
host_key_checking = false
Créez deux machines ubuntu app1 et app2 avec le Vagrantfile suivant:
config.vm.synced_folder '.', '/vagrant', disabled: true
config.ssh.insert_key = false # to use the global unsecure key instead of one insecure key per VM
v.memory = 512
v.cpus = 1
end
config.vm.define :app1 do |app1|
app1.vm.box = "ubuntu/focal64"
app1.vm.hostname = "app1"
app1.vm.network :private_network, ip: "10.10.10.11"
end
config.vm.define :app2 do |app2|
app2.vm.box = "ubuntu/focal64"
app2.vm.hostname = "app2"
app2.vm.network :private_network, ip: "10.10.10.12"
end
end
Créez l’inventaire statique inventory.cfg.
[appservers]
app1 ansible_host=10.10.10.11
app2 ansible_host=10.10.10.12
[all:vars]
ansible_user=vagrant
Ajoutez à l’intérieur les deux machines dans un groupe appservers.

Pinguez les machines.
ansible all -m ping
Facultatif :
Premier playbook : installer les dépendances

Le but de ce projet est de déployer une application flask, c’est a dire une application web python.
Le code (très minimal) de cette application se trouve
sur github à l’adresse: https://github.com/e-lie/flask_hello_ansible.git.
N’hésitez pas consulter extensivement la documentation des modules avec leur exemple ou d’utiliser la commande de doc ansible-doc <module>
Créons un playbook : ajoutez un fichier flaskhello_deploy.yml avec à l’intérieur:
- hosts: <hotes_cible>
tasks:
- name: ping
ping:
Lancez ce playbook avec la commande ansible-playbook <nom_playbook>.
Commençons par installer les dépendances de cette application. Tous nos serveurs d’application sont sur ubuntu. Nous pouvons donc utiliser le
module apt pour installer les dépendances. Il fournit plus d’option que le module package.
Avec le module apt installez les applications: python3-dev, python3-pip, python3-virtualenv, virtualenv, nginx, git. Donnez à cette tache le
nom: ensure basic dependencies are present. Ajoutez, pour devenir root, la directive become: yes au début du playbook.
- name: Ensure apt dependencies are present
apt:
name:
- python3-dev
- python3-pip
- python3-virtualenv
- virtualenv
- nginx
- git
state: present
Lancez ce playbook sans rien appliquer avec la commande ansible-playbook <nom_playbook> --check --diff. La partie --check indique à
Ansible de ne faire aucune modification. La partie --diff nous permet d’afficher ce qui changerait à l’application du playbook.
Relancez bien votre playbook à chaque tache : comme Ansible est idempotent il n’est pas grave en situation de développement d’interrompre
l’exécution du playbook et de reprendre l’exécution après un échec.
Ajoutez une tâche systemd pour s’assurer que le service nginx est démarré.
- name: Ensure nginx service started
systemd:
name: nginx
state: started
Ajoutez une tache pour créer un utilisateur flask et l’ajouter au groupe www-data. Utilisez bien le paramètre append: yes pour éviter de supprimer
des groupes à l’utilisateur.
- name: Add the user running webapp
user:
name: "flask"
state: present
append: yes # important pour ne pas supprimer les groupes d'un utilisateur existant
groups:
- "www-data"
Récupérer le code de l’application

Pour déployer le code de l’application deux options sont possibles.
Télécharger le code dans notre projet et le copier sur chaque serveur avec le module sync qui fait une copie rsync.
Utiliser le module git.
Nous allons utiliser la deuxième option (git) qui est plus cohérente pour le déploiement et la gestion des versions logicielles. Allez voir la
documentation comment utiliser ce module.
Utilisez le pour télécharger le code source de l’application (branche master) dans le dossier /home/flask/hello mais en désactivant la mise à jour
(au cas ou le code change).
- name: Git clone/update python hello webapp in user home
git:
repo: "https://github.com/e-lie/flask_hello_ansible.git"
dest: /home/flask/hello
version: "master"
clone: yes
update: no
Lancez votre playbook et allez vérifier sur une machine en ssh que le code est bien téléchargé.
Installez les dépendances python de l’application

Le langage python a son propre gestionnaire de dépendances pip qui permet d’installer facilement les librairies d’un projet. Il propose également un
méchanisme d’isolation des paquets installés appelé virtualenv. Normalement installer les dépendances python nécessite 4 ou 5 commandes shell.
La liste de nos dépendances est listée dans le fichier requirements.txt à la racine du dossier d’application.
Nous voulons installer ces dépendances dans un dossier venv également à la racine de l’application.
Nous voulons installer ces dépendance en version python3 avec l’argument virtualenv_python: python3.
Avec ces informations et la documentation du module pip installez les dépendances de l’application.
- name: Install python dependencies for the webapp in a virtualenv
pip:
requirements: /home/flask/hello/requirements.txt
virtualenv: /home/flask/hello/venv
virtualenv_python: python3
Changer les permission sur le dossier application

Notre application sera executée en tant qu’utilisateur flask pour des raisons de sécurité. Pour cela le dossier doit appartenir à cet utilisateur or il a été
créé en tant que root (à cause du become: yes de notre playbook).
Créez une tache file qui change le propriétaire du dossier de façon récursive.
- name: Change permissions of app directory
file:
path: /home/flask/hello
state: directory
owner: "flask"
recurse: true
Module Template : configurer le service qui fera tourner l’application

Notre application doit tourner comme c’est souvent le cas en tant que service (systemd). Pour cela nous devons créer un fichier service adapté
hello.service dans le le dossier /etc/systemd/system/.
Ce fichier est un fichier de configuration qui doit contenir le texte suivant:
[Unit]
Description=Gunicorn instance to serve hello
After=network.target
[Service]
User=flask
Group=www-data
WorkingDirectory=/home/flask/hello
Environment="PATH=/home/flask/hello/venv/bin"
ExecStart=/home/flask/hello/venv/bin/gunicorn --workers 3 --bind unix:hello.sock -m 007 app:app
[Install]
WantedBy=multi-user.target
Pour gérer les fichier de configuration on utilise généralement le module template qui permet à partir d’un fichier modèle situé dans le projet ansible de
créer dynamiquement un fichier de configuration adapté sur la machine distante.
Créez un dossier templates, avec à l’intérieur le fichier app.service.j2 contenant le texte précédent.
Utilisez le module template pour le copier au bon endroit avec le nom hello.service.
Utilisez ensuite systemd pour démarrer ce service (state: restarted ici pour le cas ou le fichier à changé).
Configurer nginx
Comme précédemment créez un fichier de configuration hello.test.conf dans le dossier /etc/nginx/sites-available à partir du fichier modèle:
nginx.conf.j2
server {
listen 80;
server_name hello.test;
location / {
include proxy_params;
proxy_pass http://unix:/home/flask/hello/hello.sock;
Utilisez file pour créer un lien symbolique de ce fichier dans /etc/nginx/sites-enabled (avec l’option force:yes pour écraser le cas échéant).
Ajoutez une tache pour supprimer le site /etc/nginx/sites-enabled/default.
Ajouter une tache de redémarrage de nginx.
Ajoutez hello.test dans votre fichier /etc/hosts pointant sur l’ip d’un des serveur d’application.
Visitez l’application dans un navigateur et debugger le cas échéant.
Correction intermédiaire
flaskhello_deploy.yml
Code de correction :
Facultatif :
Améliorer notre playbook avec des variables.

Variables
Ajoutons des variables pour gérer dynamiquement les paramètres de notre déploiement:
Ajoutez une section vars: avant la section tasks: du playbook.
Mettez dans cette section la variable suivante (dictionnaire):
app:
name: hello
user: flask
domain: hello.test
Remplacez dans le playbook précédent et les deux fichiers de template:
toutes les occurence de la chaine hello par {{ app.name }}

toutes les occurence de la chaine flask par {{ app.user }}
toutes les occurence de la chaine hello.test par {{ app.domain }}
Relancez le playbook : toutes les tâches devraient renvoyer ok à part les “restart” car les valeurs sont identiques.
Facultatif :
Pour la correction clonez le dépôt de base à l’adresse https://github.com/e-lie/ansible_tp_corrections.

Renommez le clone en tp2_before_handlers.
ouvrez le projet avec VSCode.
Activez la branche tp2_before_handlers_correction avec git checkout tp2_before_handlers_correction.
Le dépot contient également les corrigés du TP3 et TP4 dans d’autre branches.
Vous pouvez consultez la correction également directement sur le site de github.
Ajouter un handler pour nginx et le service

Pour le moment dans notre playbook, les deux tâches de redémarrage de service sont en mode restarted c’est à dire qu’elles redémarrent le service à
chaque exécution (résultat: changed) et ne sont donc pas idempotentes. En imaginant qu’on lance ce playbook toutes les 15 minutes dans un cron pour
stabiliser la configuration, on aurait un redémarrage de nginx 4 fois par heure sans raison.
On désire plutôt ne relancer/recharger le service que lorsque la configuration conrespondante a été modifiée. c’est l’objet des taches spéciales nommées
handlers.
Ajoutez une section handlers: à la suite
Déplacez la tâche de redémarrage/reload de nginx dans cette section et mettez comme nom reload nginx.
Ajoutez aux deux taches de modification de la configuration la directive notify: <nom_du_handler>.
Testez votre playbook. il devrait être idempotent sauf le restart de hello.service.
Testez le handler en ajoutant un commentaire dans le fichier de configuration nginx.conf.j2.
- name: template nginx site config
template:
src: templates/nginx.conf.j2
dest: /etc/nginx/sites-available/{{ app.domain }}.conf
notify: reload nginx
...
handlers:
- name: reload nginx
systemd:
name: "nginx"
state: reloaded
# => penser aussi à supprimer la tâche de restart de nginx précédente
Rendre le playbook dynamique avec une boucle.

Plutôt qu’une variable app unique on voudrait fournir au playbook une liste d’application à installer (liste potentiellement définie durant l’exécution).
Identifiez dans le playbook précédent les tâches qui sont exactement communes aux deux installations.
!!! il s’agit des taches d’installation des dépendances apt et de vérification de l’état de nginx (démarré)
Créez un nouveau fichier deploy_app_tasks.yml et copier à l’intérieur la liste de toutes les autres taches mais sans les handlers que vous laisserez
à la fin du playbook.
!!! Il reste donc dans le playbook seulement les deux premières taches et les handlers, les autres taches (toutes celles qui contiennent des parties
variables) sont dans deploy_app_tasks.yml.
Ce nouveau fichier n’est pas à proprement parlé un playbook mais une liste de taches. utilisez include_tasks: pour importer cette liste de tâche à
l’endroit ou vous les avez supprimées.
Vérifiez que le playbook fonctionne et est toujours idempotent.
Ajoutez une tâche debug: msg={{ app }} au début du playbook pour visualiser le contenu de la variable.
Ensuite remplacez la variable app par une liste flask_apps de deux dictionnaires (avec name, domain, user différents les deux dictionnaires et
repository et version identiques).
flask_apps:
- name: hello
domain: "hello.test"
user: "flask1"
version: master
repository: https://github.com/e-lie/flask_hello_ansible.git
- name: hello2
domain: "hello2.test"
user: "flask2"
version: master
Utilisez les directives loop et loop_control+loop_var sur la tâche include_tasks pour inclure les taches pour chacune des deux applications.
Créez le dossier group_vars et déplacez le dictionnaire flask_apps dans un fichier group_vars/appservers.yml. Comme son nom l’indique ce
dossier permet de définir les variables pour un groupe de serveurs dans un fichier externe.
Testez en relançant le playbook que le déplacement des variables est pris en compte correctement.
Correction
Renommez le clone en tp2.
Activez la branche tp2_correction avec git checkout tp2_correction.
Le dépot contient également les corrigés du TP3 et TP4 dans d’autre branches.
Vous pouvez consultez la correction également directement sur le site de github.
Bonus
Pour ceux ou celles qui sont allé-es vite, vous pouvez tenter de créer une nouvelle version de votre playbook portable entre centos et ubuntu. Pour cela
utilisez la directive when: ansible_os_family == 'Debian' ou RedHat.
Bonus 2 pour pratiquer
Essayez de déployer une version plus complexe d’application flask avec une base de donnée mysql:
https://github.com/miguelgrinberg/microblog/tree/v0.17
Il s’agit de l’application construite au fur et à mesure dans un magnifique tutoriel python. Ce chapitre indique comment déployer l’application sur linux.

Ajouter une machine mysql simple avec un role externe
Créez à la racine du projet le dossier roles dans lequel seront rangés tous les roles (c’est une convention ansible à respecter).
Cherchez sur https://galaxy.ansible.com/ le nom du role mysql de geerlingguy. Il s’agit de l’auteur d’un livre de référence “Ansible for DevOps”
et de nombreux roles de références.
Pour décrire les roles nécessaires pour notre projet il faut créer un fichier requirements.yml contenant la liste de ces roles. Ce fichier peut être
n’importe où mais il faut généralement le mettre directement dans le dossier roles (autre convention).
Ajoutez à l’intérieur du fichier:

- src: <nom_du_role_mysql>
Pour installez le role lancez ensuite ansible-galaxy install -r roles/requirements.yml -p roles.
Ajoutez la ligne geerlingguy.* au fichier .gitignore pour ne pas ajouter les roles externes à votre dépot git.
Pour installer notre base de données, ajoutez un playbook dbservers.yml appliqué au groupe dbservers avec juste une section:
...
roles:
- <nom_role>
Faire un playbook configuration.yml qui importe juste les deux playbooks flaskapp_deploy.yml et dbservers.yml avec import_playbook.
Lancer la configuration de toute l’infra avec ce playbook.
Transformer notre playbook en role

Si ce n’est pas fait, créez à la racine du projet le dossier roles dans lequel seront rangés tous les roles (c’est une convention ansible à respecter).
Créer un dossier flaskapp dans roles.
Ajoutez à l’intérieur l’arborescence:
flaskapp
├── defaults
│ └── main.yml
├── handlers
├── tasks
│ ├── deploy_app_tasks.yml
└── templates
├── app.service.j2
└── nginx.conf.j2
Les templates et les listes de handlers/tasks sont a mettre dans les fichiers correspondants (voir plus bas)
Le fichier defaults/main.yml permet de définir des valeurs par défaut pour les variables du role. Mettez à l’intérieur une application par défaut:
flask_apps:
- name: defaultflask
domain: defaultflask.test
version: master
user: defaultflask
Ces valeurs seront écrasées par celles fournies dans le dossier group_vars (la liste de deux applications du TP2). Elle est présente pour éviter que le role
plante en l’absence de variable (valeurs de fallback).
Copiez les tâches (juste la liste de tiret sans l’intitulé de section tasks:) contenues dans le playbook appservers dans le fichier tasks/main.yml.
De la même façon copiez le handler dans handlers/main.yml sans l’intitulé handlers:.
Copiez également le fichier deploy_flask_tasks.yml dans le dossier tasks.
Déplacez vos deux fichiers de template dans le dossier templates du role (et non celui à la racine que vous pouvez supprimer).
Pour appeler notre nouveau role, supprimez les sections tasks: et handlers: du playbook appservers.yml et ajoutez à la place:
roles:
- flaskapp
Votre role est prêt : lancez appservers.yml et debuggez le résultat le cas échéant.
Facultatif: Ajouter un paramètre d’exécution à notre rôle pour mettre à jour l’application.
Facultatif :
Correction
Il contient également les corrigés du TP2 et TP4 dans d’autre branches.
Bonus
Essayez différents exemples de projets de Geerlingguy accessibles sur github à l’adresse https://github.com/geerlingguy/ansible-for-devops.

Installer Jenkins avec Docker
Jenkins est un programme java qui peut soit être installé à la main, soit déployé avec docker simplement ou de façon plus avancée avec des conteneur
docker dans kubernetes. Nous allons ici utiliser la méthode docker simple.
Créer un dossier tp4_jenkins. Ouvrez le dossier avec VSCode.
Pour lancer jenkins nous allons utiliser docker compose.
Cherchez sur hub.docker.com l’image blueocean de jenkins.
Créez un fichier docker-compose.yml avec à l’intérieur:
version: "2"
services:
jenkins:
image: <image_blueocean>
user: root
ports:
- "<port_jenkins_mapping>"
volumes:
- jenkins_data:/var/jenkins
- /var/run/docker.sock:/var/run/docker.sock
volumes:
jenkins_data:
Pour le mapping de port choissez 8080 pour le port hote. Le port de jenkins est 8080.
Créez dans tp4_jenkins le dossier jenkins_data.
La section volumes permet de monter des volumes docker :
les données de jenkins se retrouverons dans le dossier jenkins_data et survivrons à la destruction du conteneur. A l’intérieur du conteneur
le dossier data est ``
pour que jenkins puisse utiliser Docker il doit pouvoir accéder au socket docker de l’hôte qui permet de controller la runtime docker. Il faut
pour cela monter /var/run/docker.sock au même emplacement (/var/run/docker.sock) côté conteneur.
Après avoir complété le fichier et ajouté les 3 volumes, lancez jenkins avec docker-compose up -d.
Pour vérifier que le conteneur est correctement démarré utilisez la commande docker-compose logs
Quand le logiciel est prêt la commande précédente affiche des triple lignes d’étoiles *. Entre les deux est affiché un token du type:
05992d0046434653bd253e85643bae12. Copiez ce token.
Visitez l’adresse http://localhost:8080. Vous devriez voir une page jenkins s’afficher. Activez le compte administrateur avec le token
précédemment récupéré.
Cliquez sur Installer les plugins recommandés
Créez un utilisateur à votre convenance. Jenkins est prêt.
Créer un premier pipeline

Cliquez sur créer un nouvel item, sélectionnez le type pipeline.
Dans le vaste formulaire qui s’ouvre remplissez la section nom avec hello
Laissez tout le reste tel quel sauf la section script en bas ou il faut coller la description du pipeline:
pipeline {
agent any
stages {
stage("Hello") {
steps {
echo 'Hello World'

}
Sauvegardez le pipeline. Retournez sur la page d’accueil de Jenkins et lancez votre tache.
Cliquez le sur le job qui se lance #1 ou #2 pour suivre son déroulement puis cliquez sur Console Output dans le menu de gauche.
Vous devriez voir quelque chose comme:
Started by user elie
Running in Durability level: MAX_SURVIVABILITY
[Pipeline] Start of Pipeline
[Pipeline] node
Running on docker-slave-41a6ab3a5327 in /home/jenkins/workspace/hello
[Pipeline] {
[Pipeline] stage
[Pipeline] { (Hello)
[Pipeline] echo
Hello World
[Pipeline] }
[Pipeline] // stage
[Pipeline] }
[Pipeline] // node
[Pipeline] End of Pipeline
Finished: SUCCESS
L’interface un peu vieillissante que vous venez de visiter est celle de jenkins traditionnelle. Nous allons maintenant voir BlueOcean qui est plus
simple et élégante mais plus limitée.
Cliquez sur Open Blue Ocean.
Affichez simplement les logs de notre pipeline précédent.
Pour accéder directement à la page d’accueil visitez http://localhost:8080/blue.
Cliquez sur le job hello est relancez le. Un nouveau pipeline démarre qui s’exécute en une seconde.
Passons maintenant à un vrai pipeline de test. Pour cela nous devons d’abord avoir une application à tester et un jeu de tests à appliquer. Nous allons
comme dans les TPs précédent utiliser une application python flask.
Exécuter Ansible dans Jenkins à l’aide d’un agent Ansible.

Jenkins fonctionne avec des serveurs agents qui doivent être connectés au master (via SSH ou le protocole JNLP de Jenkins) pour exécuter des
tâches. Nous utiliserons SSH.
Le serveur agent doit avoir installé en local tous les outils nécessaires pour exécuter la tâche/pipeline requise. Par exemple il faut Python installé
sur l’agent pour exécuter des tests en langage python ou dans notre cas Ansible pour exécuter des playbooks avec Jenkins.
Traditionnellement les agents Jenkins sont des serveurs complets et fixes qu’on créé indépendamment de Jenkins puis qu’on connecte au master
Jenkins. C’est la méthode que nous utiliserons ici.
Cependant, si Jenkins a été créé bien avant Docker et Kubernetes, il s’intègre bien depuis des années avec les environnement conteneurisés. Ainsi,
plutôt que d’installer à la main un serveur linux pour être notre agent on peut demander à Jenkins (grâce à ses plugin docker ou kubernetes) de
lancer automatiquement des conteneurs agents pour exécuter notre tâche/pipeline et les détruire à la fin du job. Pour cette méthode, voir le TP
Jenkins dans Kubernetes.
Créer le serveur agent avec Vagrant

Nous allons donc créer un serveur agent manuellement pour Jenkins à l’aide de Vagrant. Nous dirons ensuite à Jenkins de s’y connecter en SSH avec
l’utilisateur Vagrant pour exécuter son job à l’intérieur.
Ajoutez au projet le Vagrantfile suivant:
config.ssh.insert_key = false
config.vm.synced_folder ".", "/vagrant", disabled: true
v.memory = 512
v.cpus = 1
end
config.vm.define :jenkinsagent do |jenkinsagent|
jenkinsagent.vm.box = "ubuntu/focal64"
jenkinsagent.vm.hostname = "jenkinsagent"
jenkinsagent.vm.network :private_network, ip: "10.10.10.9"
jenkinsagent.vm.provision :shell, privileged: true, inline: <<-SHELL
<étapes d'installation de nos outils>
SHELL
end
end
Il nous faut en plus nous assurer un minimum de configuration de ce serveur pour que Jenkins puisse fonctionner et que Ansible soit disponible.
Complétez les étapes d’installation dans le Vagrantfile pour:

apt-get update
s’assurer que le dossier /home/vagrant/jenkins_agent existe et appartient à l’user vagrant avec sudo -u vagrant mkdir -p <path>. Jenkins
a besoin d’un dossier de travail accessible par l’utilisateur de connexion (ici vagrant)
installer openjdk-13-jdk nécessaire au fonctionnement de l’agent Jenkins. (apt-get install -y l’option -y permet l’installation
automatique)
installer python3 et python3-pip avec apt puis ansible à l’aide de pip3.
Créer le serveur avec vagrant up. Pour exécuter plusieurs fois les étapes d’installation on pourra utiliser vagrant provision.
Connecter l’agent au master
Allons voir la configuration des agents Jenkins : Administrer Jenkins > Gérer les noeuds. Remarques:
Le master Jenkins est lui même un noeud d’exécution. C’est sur lui que s’est exécuté notre Job hello world.
On veut ici ajouter un noeud permanent qui sera toujours disponible mais consommera toujours des resources. Avec les docker ou
kubernetes les noeuds sont temporaires et créé dans un “cloud” Jenkins.
Nous avons besoin de nous connecter en SSH au serveur agent. Pour cela il faut créer dans Jenkins un credential (identifiant) qui lui permettra de se
connecter. Les credentials peuvent être de pleins de type différents:
user/password pour du ssh ou une API

user/clé ssh pour du ssh
identité kubernetes pour connexion à un cluster
identité AWS pour connexion à un compte de cloud
etc.
Nous allons crée un credential de type user / clé ssh avec vagrant et sa clé privée unsecure (c’est une configuration de test, car cette clé et
publiquement disponible. En production, il faudrait ajouter un utilisateur et une nouvelle clé ssh “originale” au serveur agent)
Allez voir la configuration des credentials Jenkins : Administrer Jenkins > Manage Credentials > Jenkins > Identifiants globaux > Ajouter
des identifiants.
Complétez le formulaire comme suit (dans Private key > enter directly collez le texte de la clé privée présent dans
~/.vagrant.d/insecure_private_key):
Maintenant nous pouvons ajouter l’agent ssh.
Retournez dans la configuration des agents Jenkins : Administrer Jenkins > Gérer les noeuds.
Créez un nouvel agent comme suit :
Sauvegardez et vérifiez grace aux logs de Jenkins si tout s’est bien passé ou quelle partie corriger.
Pour debugger si la connexion de l’agent échoue
Il s’agit généralement soit d’un problème de connexion ssh:
revérifier que la clé/ip est valide etc

changer de stratégie pour la gestion des known_hosts dans la configuration de l’agent et réessayer
… soit d’un problème d’initialisation du programme agent jenkins sur le serveur agent.
revérifier que java est bien installé

vérifier l’existence du dossier de travail de jenkins (jenkins_agent pour nous)
vérifier les permissions sur le dossier de travail qui doit être accessible pour l’utilisateur de connection ssh, vagrant dans notre cas. Le dossier a
été créé en root on obtient un erreur permission denied.
Nous pouvons maintenant exécuter du code Ansible avec Jenkins
Créer un pileline de vérification Ansible
Dans tableau de bord, créez un job ansible test de type Pipeline et ajoutez le code suivant comme description du pipeline:
pipeline {
agent { label "ansible-agent" }
stages {
stage('Test Ansible installation') {
steps {
sh "ansible --version"
Grace à l’indication du label qui est le même que dans la configuration de notre agent, Jenkins saura ou il doit exécuter ce job. En effet on a vite de
nombreux agents avec des configurations et des ressources différents qui faut pouvoir désigner.
Lancez le job (Lancer un build) et allez voir dans les logs si la version de Ansible est bien affichée.
Créer un pipeline d’exécution Ansible plus réaliste grâce au plugin Ansible de Jenkins
Allez dans Gestion des plugins > Disponibles puis cherchez et installez les plugins ansible et ansicolor.
Créez un nouveau pipeline ansible-ping et utilisez le code suivant pour le configurer:
pipeline {
agent { label "ansible-agent" }
stages {
stage('Test') {
steps {
git url: "https://github.com/e-lie/ansible_basic.git", branch: "ansible_tp4_jenkins"
// dont forget to install ansicolor plugin and activate it at in jenkins system parameters
ansiblePlaybook playbook: 'ping.yml', credentialsId: 'vagrant-global-insecure-sshkey', colorized: true
Ce pipeline récupère un petit projet de code sur github avec un inventaire contenant les app1 et app2 du TP2 avec leurs ips 10.10.10.11-12 et un
playbook ping.yml qui ping les deux machines.
Lancez le pipeline et observez les logs.
Bonus
Essayez de créer de nouveaux pipelines pour cloner et lancer le code du TP2 ou du TP3.

Cloner le projet modèle
Pour simplifier le démarrage, clonez le dépôt de base à l’adresse https://github.com/e-lie/ansible_tp_corrections.
Facultatif: Infrastructure dans le cloud avec Terraform et Ansible

Facultatif :
Infrastructure multi-tiers avec load balancer

Pour configurer notre infrastructure:
Installez les roles avec ansible-galaxy install -r roles/requirements.yml -p roles.
Si vous n’avez pas fait la partie Terraform:
complétez l’inventaire statique (inventory.cfg)

changer dans ansible.cfg l’inventaire en ./inventory.cfg comme pour les TP précédents
Supprimez les conteneurs app1 et app2 du TP précédent puis lancez le playbook de provisionning lxd : sudo ansible-playbook
provisionner/provision_lxd_infra.yml
Lancez le playbook global site.yml
Utilisez la commande ansible-inventory --graph pour afficher l’arbre des groupes et machines de votre inventaire
Utilisez la de même pour récupérer l’ip du balancer0 (ou balancer1) avec : ansible-inventory --host=balancer0
Ajoutez hello.test et hello2.test dans /etc/hosts pointant vers l’ip de balancer0.
Chargez les pages hello.test et hello2.test.
Observons ensemble l’organisation du code Ansible de notre projet.
Nous avons rajouté à notre infrastructure un loadbalancer installé à l’aide du fichier balancers.yml
Le playbook upgrade_apps.yml permet de mettre à jour l’application en respectant sa haute disponibilité. Il s’agit d’une opération
d’orchestration simple en les 3 serveurs de notre infrastructure.
Cette opération utilise en particulier serial qui permet de d’exécuter séquentiellement un play sur un fraction des serveurs d’un groupe (ici
1 à la fois parmis les 2).
Notez également l’usage de delegate qui permet d’exécuter une tache sur une autre machine que le groupe initialement ciblé. Cette
directive est au coeur des possibilités d’orchestration Ansible en ce qu’elle permet de contacter un autre serveur ( déplacement latéral et
non pas master -> node ) pour récupérer son état ou effectuer une modification avant de continuer l’exécution et donc de coordonner des
opérations.
notez également le playbook exclude_backend.yml qui permet de sortir un backend applicatif du pool. Il s’utilise avec des variables en
ligne de commande
Désactivez le noeud qui vient de vous servir la page en utilisant le playbook exclude_backend.yml:
ansible-playbook --extra-vars="backend_name=<noeud a desactiver> backend_state=disabled" playbooks/exclude_backend.yml
Rechargez la page: vous constatez que c’est l’autre backend qui a pris le relais.
Nous allons maintenant mettre à jour
Falcultatif : ajoutons un serveur de control AWX (/ Ansible Tower)

Facultatif :
Explorer AWX
Identifiez vous sur awx avec le login admin et le mot de passe précédemment configuré.
Dans la section modèle de projet, importez votre projet. Un job d’import se lance. Si vous avez mis le fichier requirements.yml dans roles les
roles devraient être automatiquement installés.
Dans la section crédentials, créez un crédential de type machine. Dans la section clé privée copiez le contenu du fichier ~/.ssh/id_ssh_tp que
nous avons configuré comme clé ssh de nos machines. Ajoutez également la passphrase que vous avez configuré au moment de la création de
cette clé.
Créez une ressource inventaire. Créez simplement l’inventaire avec un nom au départ. Une fois créé vous pouvez aller dans la section source et
choisir de l’importer depuis le projet, sélectionnez inventory.cfg que nous avons configuré précédemment. Bien que nous utilisions AWX les ip
n’ont pas changé car AWX est en local et peut donc se connecter au reste de notre infrastructure LXD.
Pour tester tout cela vous pouvez lancez une tâche ad-hoc ping depuis la section inventaire en sélectionnant une machine et en cliquant sur le
bouton executer.
Allez dans la section modèle de job et créez un job en sélectionnant le playbook site.yml.
Exécutez ensuite le job en cliquant sur la fusée. Vous vous retrouvez sur la page de job de AWX. La sortie ressemble à celle de la commande
mais vous pouvez en plus explorer les taches exécutées en cliquant dessus.
Modifiez votre job, dans la section Plannifier configurer l’exécution du playbook site.yml toutes les 15 minutes.
Allez dans la section plannification. Puis visitez l’historique des Jobs.
Bibliographie
Ansible
Jeff Geerling - Ansible for DevOps - Leanpub
Pour aller plus loin :
Keating2017 - Mastering Ansible - Second Edition - Packt
Ansible pour des thématiques sépcifiques
Ratan2017 - Practical Network Automation: Leverage the power of Python and Ansible to optimize your network
Madhu, Akash2017 - Security automation with Ansible 2
https://iac.goffinet.org/ansible-network/
Cheatsheet
https://www.digitalocean.com/community/cheatsheets/how-to-use-ansible-cheat-sheet-guide
Suite Elastic
La suite Elastic
Base de données et centralisation de logs avancée

1 - Installation
2 - Elasticsearch
3 - Kibana
4 - Beats
5 - Logstash
6 - Conclusion
7 - Bibliographie

Apprendre à nager dans un océan d’évènements et de texte!
Ouvrage recommandé : PacktPub - Learning Elastic Stack 6
Dans les épisodes précédents

Linux ? on va reparler de tail, grep et des logs
HTTP ? on va utiliser une API REST (basé sur HTTP)
JSON ? on va utiliser des documents formatés en JSON
Les bases de données ?
Machines virtuelles ? on va parler un peu à la fin de cluster dans le cloud
(c’est compliqué un cluster elasticsearch mais on va surtout voir ça
théoriquement)
Rappel
L’informatique c’est complexe surtout lorsqu’on est pas familier avec l’environnement. Ça prend quelques temps pour être vraiment à l’aise.
Elasticsearch et sa stack c’est particulièrement compliqué ! J’ai essayé d’évité les détails inutiles.
Je peux oublier de préciser certaines choses donc arrêtez moi si ce que je dis n’est pas clair.
Intro) La stack ELK : Chercher et analyser les logs de façon centralisée
ELK : Elasticsearch, Logstash, Kibana

Elasticsearch : une base de données pour stocker des grandes quantités de documents texte
et chercher dedans.
Logstash : Un collecteur de logs et autre données pour remplir Elasticsearch.
Kibana : Une interface web pratique pour chercher et analyser les données stockées.
La suite Elastic
La suite Elastic, historiquement appelée “ELK”, est une combinaison de plusieurs produits de la société Elastic, qui développe des logiciels :
de base de données distribuée (Elasticsearch)

de dashboard / d’interface graphique pour explorer des données (Kibana)
de logging / monitoring (Logstash et Beats)
Elastic APM
APM est le petit dernier d’Elastic, axé sur le monitoring et le traçage des performances des applications.
L’écosystème Elastic
La société Elastic évolue assez vite et change souvent ses produits. Elle a un business model open core : les fonctionnalités de base sont gratuites et
open source, certaines ont une licence gratuites et source ouverte un peu spéciale et sont regroupées dans le “X-Pack” (les fonctionnalités Basic).
D’autres fonctionnalités “X-Pack” enfin nécessitent un abonnement “Gold” ou plus.
Le cœur des produits Elastic est composé de Elasticsearch, Kibana (les dashboards et le mode Discover), de Logstash et de Filebeat.
Des bagarres de licence ont conduit d’autres personnes à proposer un fork d’Elasticsearch : OpenSearch (anciennement OpenDistro for Elasticsearch)
qui est un fork de la suite Elastic, sponsorisé par Amazon et AWS.
Détails :
https://www.elastic.co/fr/subscriptions
Pourquoi ELK ? Pourquoi c’est dans le cursus
Gérer une GRANDE quantité de logs sur une infrastructure (entre 5 et des centaines de machines)
Les explorer efficacement : un problème difficile vu la quantité (on y reviendra)
Un brique important pour avoir des applications distribuées avec un déploiement automatisé #Devops
En résumé
On va voir trois choses durant ces deux jours qui peuvent résumer l’intérêt d’ELK:
Les logs : pourquoi? comment ? ( quelle est la motivation de ELK )
Découvrir elasticsearch et comment chercher dans du texte ? ( la partie principale )
Qu’est-ce qu’une infra distribuée moderne ? pourquoi ELK c’est du devops ? ( fin )
Ce qu’on ne va pas faire

Voir en détail l’installation d’une stack ELK à la main
Configurer Logstash ou Elastic APM pour pomper des logs d’une vraie infrastructure
Aborder la sécurité de ELK parce que c’est compliqué (mais c’est important pour faire de vraies installations)
La “hype” Elasticsearch
Indipensable à de plus en plus d’entreprises qui grossissent : pour augmenter le contrôle sur les infrastructures.
Un outil très versatile et bien fait qui permet de faire de jolis dashboards d’analyse et les gens adorent avoir des jolis dashboards
Utile pour faire des big data : c’est un peu le moteur de l’informatique actuelle. Tous les nouveaux services fonctionnent grace au traitement de
données.
Dashboards
I) Les évènements d’un système et le logging

I.1) Rappel - pourquoi des Logs ?
Logs ?
Ça veut dire journaux (système) et bûches
Icone originale de Logstash:
Comprendre ce qui se trame

Prendre connaissance et analyser les évènements d’un système d’un point de vue opérationnel.
Les évènements en informatique sont invisibles et presque instantanés.
Les journaux sont la façon la plus simple de contrôler ce qui se passe
Des fichiers textes simple avec une ligne par évènement
Objectif 1: monitoring
Suivre et anticiper le fonctionnement d’un système:
suivre (et réparer) = zut j’ai une erreur : le service nginx a crashé sur mon infra
anticiper : le disque dur de cette machine sera bientôt plein il faut que je le change / le vide.
enquêter : par exemple sur les erreurs rares d’une application
Objectif 2 : conserver les traces de ces évènements pour analyse

Archiver pour analyser sur la longue durée (6 mois à 1 an ?) avec des graphiques.
Exemples : ces derniers mois est-ce que l’application a correctement répondu aux requêtes de mes utilisateurs ?
Compter le nombre de timeout (application est trop lente ?)

Compter le nombre de requêtes pour savoir quand sont les pics d’usage dans la journée
Connaître la provenance des requêtes et le délai de réponse pour savoir
si les serveurs sont correctement disposés géographiquement.
si les requêtes sont “routées” (redirigées) vers le bon serveur.
Infra distribuée
Exemples de fichier de logs

chaque application peut avoir un fichier de log
ou alors on peut les rassembler dans un le même fichier
les logs sont dans /var/log
Vous en connaissez ?
Exemples de fichier de logs

Exemples de fichiers de logs :
auth.log : connexion des utilisateurs au système

httpd.log : connexion au serveur web apache
mail.log : aussi bien envoi que réception de mails
nginx/access.log : connexion au serveur web nginx
nginx/error.log : erreurs de connexion au serveur web nginx
Exemple d’investigation
Objectif:
analyser des logs pour retrouver une information

être attentif-ve au format des logs
Sur le serveur exemple.net, une page web a été supprimée. On veut savoir qui des trois administrateurs Alice, Bob ou Jack a fait cette modification.
1. On se connecte en SSH
2. en utilisant cat et grep par exemple :
Pour connaître le titre du site au fil du temps consultez le fichier /var/log/nginx/access.log

on utilise | grep 403 et | grep 200 pour savoir quand la page a disparu (en cherchant les codes d’erreur HTTP)
Pour savoir qui s’est connecté on consulte le fichier /var/log/auth.log
on utilise | grep et l’heure pour savoir qui s’est connecté à cette heure ci
`/var/log/nginx/access.log` :
`/var/log/auth.log` :
1 - Installation
TP 1 : installation d’Elasticsearch, Kibana et Filebeat
Installer Elasticsearch avec Ansible
1. Clonez le dépôt situé à cette adresse : https://github.com/Uptime-Formation/vagrant-ansible-elk
2. Créez les VM avec vagrant up (il faut installer Vagrant et VirtualBox avant si ce n’est pas fait)
3. Vagrant a de lui-même lancé ansible-playbook ping.yml, il teste donc qu’Ansible est bien configuré.
4. Lancez ansible-playbook setup_elastic.yml. Les requirements
sont installés ! Voyez les ok et changed apparaissant lorsque vous
lancez le
playbook : Ansible est verbeux, il informe de sa réussite.
Rappels Ansible :
Ansible peut être rejoué plusieurs fois (il est idempotent)
Ansible garantit l’état de certains éléments du système lorsqu’on le
(re)joue
Ansible est (dès qu’on est un peu habitué-e) plus limpide que du bash
Configurer Elastic en cluster

1. Observez le fichier templates/elasticsearch.yml.j2 : c’est modèle de
fichier de configuration. Il contient des trous {{ ma_variable }} qui
doivent être remplis par les variables du playbook
2. Jouer le playbook complet.
3. Lancez les commandes de diagnostic
curl http://192.168.2.2:9200/_cat/nodes?pretty
curl -XGET http://192.168.2.2:9200/_cluster/state?pretty
curl -XGET http://192.168.2.2:9200/_cluster/health?pretty
Si tout est bien configuré vous devriez voir une liste de deux nœuds
signifiant que les deux elastic se « connaissent »
Pour ajouter un nouveau nœud !
ajoutez une nouvelle machine dans Vagrant

l’ajouter au fichier hosts.cfg dans le groupe elastic_nodes
ajoutez la nouvelle IP dans la variable elk_node_ips
relancer le playbook : #magic
Installer Kibana
Lancer : ansible-playbook setup_kibana.yml
Accéder à 192.168.2.4:5601 dans Firefox 😃
Installer Elasticsearch avec Docker Compose

`docker-compose.yml` :
Une stack complète Elastic et Filebeat avec Docker Compose

Récupérer la config Filebeat :
curl -L -O https://raw.githubusercontent.com/elastic/beats/7.10/deploy/docker/filebeat.docker.yml
Renommons cette configuration et rectifions qui possède ce fichier pour satisfaire une contrainte de sécurité de Filebeat :
mv filebeat.docker.yml filebeat.yml
sudo chown root filebeat.yml
sudo chmod go-w filebeat.yml
`docker-compose.yml` :
2 - Elasticsearch
Elasticsearch
Elasticsearch est à la fois :
une base de données distribuée (plusieurs instances de la base de données sont connectées entre elles de manière à assurer de la redondance si un
des nœuds en vient à avoir des problèmes)
un moteur de recherche puissant, basé sur un autre logiciel appelé Apache Lucene
Elle fait partie des bases de données de type NoSQL.
Comparaison entre les BDD SQL et NoSQL.
SQL : des tableaux qu’on peut croiser = Jointures
ex: MySQL, PostgreSQL, Microsoft Access
NoSQL: des documents qu’on peut filtrer et aggréger
ex: MongoDB, CouchDB, Elasticsearch
Le point commun des deux : Stocker des données de base pour une application.
Ex: un Site ou web ou un utilisateur a acheté une liste de produit
utilisateur: login, email, mdp, présentation, age, image de profil

produit: ref, description, prix, photo
facture et garantie: documents complexes mais créés une fois pour toute.
SQL: On veut avoir un historique des achats et les documents afférents : on relie formellement
utilisateurs et les produits à travers un historique
d’achat.
NoSQL: On stocke les factures comme des documents JSON.
Côté SQL:
ça donne trois tables
schéma de données liées en SQL

concevoir correctement pour pas être coincé : il faut que les données soient reliées aux bons endroits et efficacement.
effectuer une recherche de texte approximative (par exemple) ou un peu complexe (comme Google) n’est pas simple.
Côté NoSQL:
des documents JSON qu’on va récupérer avec une référence
le schéma est facultatif et moins important

fait pour chercher plutôt que supporter le modèle des données.
moins de pression à concevoir correctement pour pas être coincé : il faut que les données répondent quand même à un schéma qu’on va essayer
de ne pas trop modifier, mais ce n’est pas un problème si cela se fait dans un second temps.
Avec des BDD SQL et NoSQL

SQL : données homogènes, cohérentes et fortement changeantes
NoSQL : données complexes mais moins de cohérence
Elasticsearch : une sorte de BDD mais pour la recherche de texte

Assez proche de MongoDB : on met des documents JSON dedans en HTTP.
On jette des trucs dedans qu’on voudrait analyser plus tard
On explore ces éléments en faisant des recherche et des graphiques
A chaque tâche son outil

Elasticsearch n’est pas conçu pour soutenir l’application pour toutes ses données, seulement pour la partie recherche / analyse.
Dans notre cas Elasticsearch sert pour travailler sur les logs
Dev tools
Pour exécuter directement des requêtes REST (on revient sur ce que c’est juste après)
Ctrl+Entrée ou “Play” pour lancer la commande selectionnée.
C’est cette vue qu’on va principalement utiliser dans les premières parties.
Elle montre mieux les dessous de Elasticsearch.
Il faut que vous compreniez bien le principe d’une API REST JSON parce que c’est très répandu.
Connaitre la version de Elasticsearch

Dans la vue dev tools tapez:
GET /
réponse:
{
"name": "ZEWiZLN",
"cluster_name": "elk_formation",
"cluster_uuid": "rGzTBgbXRyev62Ku4vTWFw",
"version": {
"number": "7.14.1",
...
},
"tagline": "You Know, for Search"
Version de Elasticsearch
Version 7.14. C’est important car entre chaque version majeure (3, 4, 5, 6, 7) il y a des changements dans les fonctions (L’API)
La référence c’est la documentation: https://www.elastic.co/guide/en/elasticsearch/reference/7.14/index.html
Toutes les fonctions de elasticsearch y sont décrites et on peut choisir la version selon celle installée.
L’organisation basique de Elasticsearch
L’architecture basique de Elasticsearch

Index :
comme une bibliothèque de documents
comme une base de données en SQL
on peut en créer plusieurs (bien sûr)
L’architecture basique de Elasticsearch

Index avec son Mapping
un peu comme une table en SQL
mapping = format c’est title+author+price+description
mapping signifie représenter/modéliser en anglais.
Documents
chaque entrée dans un index avec son id
ici un livre ou un vol
un peu comme une ligne dans une table en sql
Les opérations de base de l’API = CRUD

“ajouter un index/mapping/document” (Create)
“récupérer/lire un index/mapping/document” (Read)
“mettre à jour un index/mapping/document” (Update)
“supprimer un index/mapping/document” (Delete)
Syntaxe d’un appel de fonction

<METHODE> <URI>
<DATA>
PUT /bibliotheque/_doc/1
"title": "La Promesse de l'aube",
"description": "[...] J'entendis une fois de plus la formule intolérable [...]",
"author": "Romain Gary"
Le BODY
est facultatif
est en JSON (JavaScript Objet Notation)
décrire des données complexes avec du texte
très répendu
pas trop dur à lire pour un humain
Syntaxe du JSON
{
"champ1": "valeur1",
"champ2_nombre": 3, // pas de guillemets
"champ3_liste": [
"item1",
"item2",
"item3",
],
"champ4_objet": { // on ouvre un "nouveau json" imbriqué
"souschamp1": "valeur1.1";
...
},
"champ5": "Pour échapper des \"guillemets\" et des \\n" // échappement pour " et \
Exercice II.1) syntaxe API et JSON

CRUD et méthode HTTP
<METHODE> <URI>
<DATA>
METHOD en gros (il y a des exceptions sinon c’est pas drôle) :
GET = Read / récupérer

POST = Créer
PUT = Mettre à jour / Update
DELETE = Supprimer
Exercice II.2.1) Gérer les documents dans Elasticsearch.

II.2.2) Gérer les mappings et les index
Mapping implicite et Mapping explicite

Lorsque vous ajoutez un document sans avoir créé de Type de document et de mapping (=format) pour ce type, elasticsearch
créé automatiquement un
format en devinant le type de chaque champ:
pour les champs texte il prend le type text + keyword (on verra pourquoi après)
pour champs numériques il prend le type integer ou float
C’est le mapping implicite

Mais si on veux des champs spéciaux ou optimisés il faut créer le mapping soi-même explicitement.
Mapping explicite
Pour avoir plus de contrôle sur les types de champs il vaut mieux décrire manuellement le schéma de données.
Au moins les premiers champs qu’on
connaît déjà.
(Il peut arriver qu’on ait pas au début d’un projet une idée de toutes les parties importantes. On peut raffiner le mapping au fur et à mesure)
Afficher le(s) mapping(s)

GET /<index>/_mapping
Exemple:
GET /kibana_sample_data_flights/_mapping
Les types de données (datatypes)

Un documents dans elasticsearch est une données complexe qui peut être composé de nombreux éléments hétérogènes
Les types les plus importants:

text, keyword, integer, float, date, geo_point
Types texte
text : Pour stocker du texte de longueur arbitraire. Indexé en recherche fulltext. On y reviendra: ça veut dire que tous les mots du texte sont
recherchables.
keyword : Du texte généralement court pour décrire une caractéristique du document
Exemple: OriginWeather décrit la météo cloudy
Types nombre
integer : un nombre entier
float : nombre à virgule
Il existe d’autres types de nombres plus courts ou plus longs (donc plus gourmand en espace).
Type date
Comme on stocke souvent des évènements dans elasticsearch il y a presque toujours une ou plusieurs date dans un document.
En fait ce n’est pas
vraiment une date mais ce qu’on appelle un timestamp qui va jusqu’à la milliseconde.
Type geo_point
Pour stocker un point géographique. C’est une paire de nombres : latitude et longitude.
On verra ça un peu dans kibana plus tard.
La stack Elk fournit
plein d’outil pour stocker des données géolocalisés et les visualiser :
C’est un besoin courant. Exemple : savoir d’où viennent les requêtes sur votre
application pour connaître vos usagers.
Exercice II.2.2)
II.3) API REST et JSON ?
Revenons sur le format de l’API

C’est quoi ce format d’appel de fonction:
METHOD URI DATA ?
HTTP
Le protocole le plus connu pour la communication d’applications
protocole = requêtes et réponses formalisées entre deux logiciels
exemples:
navigateur <-> serveur apache
kibana <-> elasticsearch
application web <-> mongoDB
En requête
url: http://192.168.0.34:4561 ou http://monelastic.net/catalog/product/3/_update

method: GET, POST, PUT, DELETE, HEAD, … autres moins connues
data: données du message falcultatif
En réponse
un fichier avec
un en tête nommé HEAD qui gère décrit la réponse avec des métadonnées
le HEAD contient notamment un code de réponse :
200 = OK
404 = non trouvé
un contenu nommé BODY
API REST
API = Application Programming Interface :

“Une liste de fonctions qu’on peut appeler de l'extérieur d’un logiciel”
REST signifie REpresentational State Transfer.
C’est un format standard (le plus répendu) pour une API.
C’est-à-dire une façon de décrire la liste des fonctions et leurs paramètres.
Curl, l’outil HTTP

GET / devient : curl -XGET http://localhost:9200/
PUT /catalog/product/1
"sku": "SP000001",
"title": "Elasticsearch for Hadoop",
"description": "Elasticsearch for Hadoop",
"author": "Vishal Shukla",
"ISBN": "1785288997",
"price": 26.99
Devient :
$ curl -XPUT http://localhost:9200/catalog/product/1 -d '{ "sku": "SP000001",
"title": "Elasticsearch for Hadoop", "description": "Elasticsearch for
Hadoop", "author": "Vishal Shukla", "ISBN": "1785288997", "price": 26.99}'
Exercice II.3) Utiliser curl

III) Rechercher et analyser dans Elasticsearch
III.1) Index et recherche de texte
Comme dans une bibliothèque

Indexer des documents c’est comme les ranger dans une bibliothèque.
Si on range c’est pour retrouver. Mais on veut vouloir trouver de deux types
de façon.
Recherche exacte: On veut pouvoir trouver les documents rangés dans la catégorie litterature anglaise ou bandes déssinées SF.
Recherche en texte intégral ou fulltext : On veut pouvoir trouver les documents qui ont Lanfeust ou éthique dans leur titre.
Recherche exacte
Quand je cherche littérature anglaise je ne veux pas trouver les documents de littérature espagnole bien qu’il y ai le mot “littérature” en
commun.
Je veux que les termes correspondent précisément ou dit autrement je veux que littérature anglaise soit comme une seule étiquette, pas un texte.
C’est le fonctionnement d’une recherche classique dans une base de données SQL:
SELECT * FROM bibliothèque WHERE genre = "littérature anglaise";
Recherche exacte 2
On utilise _search, query et term.
GET /<index>/_search
"query": {
"term": {
"<field>": "<value>"
Recherche fulltext
Retrouver non pas l’ensemble des livres d’un genre mais un livre à partir d’une citation.
Pour cela on fait un index inversé qui permet une recherche fulltext.
Elasticsearch est spécialement fait pour ce type de recherche. Il le fait très efficacement et sur des milliards de lignes de texte.
exemple: github utilise elasticsearch pour indexer des milliers de dépôts de code.
On utilise _search, query et match.
"query": {
"match": {
"<field>": "<value>"
Différence entre les champs keyword et text

Un champ keyword n’est pas indexé en mode fulltext : la méthode match ne fonctionne pas en mode partiel
Un champ text est automatiquement indexé en mode fulltext: la méthode match fonctionne
un champ textuel créé implicitement est double : le champ principal en text + un sous champ keyword:
exemple: title est un champ text, title.keyword est un champ keyword
Exercice III.1)
III) Life inside a cluster
shard
dimensionner un cluster
haute disponibilité
endpoint switching
fallback automatique
Exercice:
configurer et constater qu’on a le bon nombre de noeuds

vérifier que quand il y en a un qui tombe ça marche toujours
III.2) Recherche avec requête multiple et filtre
Des requêtes complexes pour l’analyse

Elasticsearch est puissant pour l’analyse car il permet de combiner un grande quantité de critères de recherche
différent en même temps et de
transformer les données récupérer pour les rendre significatives.
Imaginons qu’on veuille chercher tous les avions qui ont décollé de New York sous la pluie depuis un mois et qui ont un prix moyen supérieur à 800$.
Par exemple pour créer une mesure du risque économique que le dérèglement climatique fait peser sur une companie ?
On va devoir écrire une requête complexe.
Plusieurs outils
des requêtes composées
tous les vols qui vérifie condition A ET condition B ET PAS condition C
des filtres de requêtes
garder que les vols dont le prix est entre 300 et 1000 €
des aggrégations de requêtes (somme, aggrégation géographique)
chercher en gros le chiffre d’affaire d’une companie : faire la somme des
trafifs de ses vols.
Repasser à Kibana
On pourrait tout faire avec l’API mais ce serait pas très fun et on s’arracherait vite les cheveux.
II.1) API JSON
0. Accéder à Kibana
aller à l’adresse http://192.168.2.4:5601
Dev tools
2. Requêtes
POST /mabibli/_doc/
"<fieldname>": "<value>",
...
Exercice II.1) syntaxe API et JSON

1. Chercher un livre sur http://lalibrairie.com
2. écrire un fichier JSON pour décrire le livre avec:
le titre (title)
l’auteur (author)
le prix (price)
la première phrase de la description à mettre entre guillemets (description)
d’autres infos si vous voulez
3. Choisissez un nom simple pour votre bibliothèque.
4. Ajoutez ce livre à votre bibliothèque dans Kibana à l’aide de la documentation de l’API :

https://www.elastic.co/guide/en/elasticsearch/reference/current/docs-index_.html
POST /<votre_bibli>/_doc/1
<DATA>
Solution
Solution :
II.2.1
Exercice II.2.1) Gérer les documents dans Elasticsearch.
Dans la vue Devtools et à l’aide de votre feuille de mémo de l’API :
1. mettre à jour le livre que vous avez ajouté en changeant le prix

2. ajouter deux nouveaux livre avec la méthode POST
3. lister tous les livres de l’index
4. lister les index présents sur le cluster
5. supprimer le livre numéro 2 (avec son _id)
Solution
Solution :
Exercice II.2.2)
1. supprimer votre index
2. Cherchez dans la documentation comment ajouter un mapping
3. Décrivez en JSON les propriétés suivantes pour ce mapping en choisissant les types: title, description, author, price, ISBN/EAN, weight
4. Ajoutez le mapping. Indication : il faut un nouvel index d’abord
1. Recréez vos deux livres avec POST sans renseigner l’ISBN

2. ajoutez l’ISBN en modifiant ces livres : problème
3. ajoutez un champ de type long pour régler le problème
Solution
Solution :
Exercice II.2.3)
Exercice II.3) Utiliser curl
1. connectez vous à l’infra en ssh:
vagrant ssh <nom-du-noeud>
l’adresse de elasticsearch est 0.0.0.0:9200
1. taper curl --help, cherchez le nom de l’option longue correspondant à -d (un petit grep ?)
2. ajouter une suite à l’un de vos livres avec curl.
3. ajoutez une entrée genre de type keyword dans votre mapping et mettez à jour vos livres pour ajouter leur genre
4. utilisez curl pour télécharger une page de la documentation dans votre dossier personnel.
Solution
Solution :
Exercice III.1)
Avec la vue Devtools:
1. Cherchez le nombre d’avion ES-Air (champ Carrier) en tout
1. Faire une recherche des avions où New apparaît dans le champ Dest. Que remarquez vous ?
Solution
Solution :
3 - Kibana
Kibana
Kibana est un outil très complet de visualisation (dashboards) et d’administration des données dans une base de données Elasticsearch.
Elle est toujours
connectée à un cluster (un ou plusieurs nœuds) Elasticsearch.
II.0) La tête la première dans Kibana

Accédez à http://192.168.2.4:5601/
Vue Discover
Un exemple de données : des vols d’avions
Des évènements très similaires à des logs mais plus facile à imaginer :
une date
un lieu
des informations spécifiques
Avec des données de géolocalisation (ce qui est pas forcément le cas pour des logs)
Les différents champs décrivant chaque vol

DestCityName et OriginCityName - Ville de départ et d’arrivé
timestamp - Heure de départ
AvgTicketPrice - le prix moyen des places pour le vol
FlightTimeHour - Durée en Heure
DestWeather, OriginWeather - La météo au départ et à l’arrivée.
Une première recherche

Faites une petite recherche : “New York”
Résultat:
Resultats exacts : New York

Résultats partiels: New Chitose Airport, Louis Armstrong New Orleans International Airport
Régler la Période
Combien de vols ?
depuis 24h ?
depuis une semaine ?
depuis 30 jours ?
Dashboard
C’est joli mais un peu complexe/flippant, n’est-ce pas ?
IV.1) Rappels recherche

Recherche fulltext
Exemple:
Destfull:“New” -> champ text -> OK
New chitose airport
Dest:“New” -> champ keyword -> 0 hits
Recherche exacte:
DestCityName: “New York” -> keyword pour la ville
Dest:" John F Kennedy International Airport" -> keyword pour
l’aéroport de destination
IV.2) Recherche Complexe avec filtre et aggregations

Des requêtes complexes pour l’analyse
Elasticsearch est puissant pour l’analyse car il permet. - de combiner un grande quantité de critères de recherche différent en même temps - de
transformer et afficher les données récupérées pour les rendre significatives
Exemple
Ajouter un filtre avec le bouton “+ Add a Filter”
Imaginons qu’on veuille chercher tous les avions qui ont décollé de New York sous la pluie depuis un mois et qui ont un prix moyen supérieur à 800$.
Par exemple pour créer une mesure du risque économique que le dérèglement climatique fait peser sur une companie ?
On va devoir écrire une requête complexe.
requêtes composées
Des requête avec des ET des OU et des NON :
Tous les vols qui concernent tel aéroport et qui contiennent le nom airways.
Filtres de requêtes
En partant des résultats d’une recherche fulltext :
On récupère les documents renvoyés par une requête (ce qu’elastic appel des hits) et on ne va en garder qu’une partie.
Garder que les vols dont le prix est entre 300 et 1000 €:
FlightDelayMin:[30 TO 50]
rajouter un filtre avec le bouton “+ Add a Filter”
La période de temps en haut à droite de kibana est aussi un filtre
Aggrégations des résultats de requêtes

Très proche d’un group by en SQL.
Grouper les documents/évènements par thème et faire des calculs transformations sur ces groupes.
Pour calculer le prix moyen d’un ticket par compagnie par exemple :
On va aggréger les vols de chaque compagnie et calculer la moyenne des
prix des billets.
3 type d’aggrégations:
Bucket (faire des groupes)
Grouper les vols par prix.
Metric (travailler sur une dimension des données)
calculer la moyenne des prix, ou du retard des vols
Geographique (grouper par zone géographique)
On peut combiner les aggrégations
Une métrique des données

Métrique = caractéristique chiffrée des données.
# dans liste des propriétés dans Kibana.
(pour faire une moyenne il faut une quantité)
Créer des visualisations

Une fois qu’on sait croiser des critères de recherche on peut créer des visualisations.
Permet de voir une proportion ou un changement en un coup d’oeil (quand on sait de quoi ça parle).
Intérêts de la Dashboard
Vue globale pour comprendre rapidement les données
Tout est dynamique: vous pouvez ajouter un filtre et les informations se mettent à jour.
Exercices
Rappel : Kibana est une interface pour Elastic (soit on attaque direct Elastic soit on utilise les trucs pratiques de Kibana)
utiliser les données d’aviation

explorons l’interface
explorons les graphiques
Recherche dans Kibana
Tous les avions en provenance de New York qui ont eu du retard ?
Solution :
La quantité d’avions ayant eu du retard hier soir entre 21h30 et 22h

?
Solution :
Le prix moyen des billets par compagnie avec une visualisation
Solution :
Aller dans la section dashboard. Explorer les différentes

visualisations pour comprendre de quoi elles parlent
Utilisez la section contrôle pour ajouter des filtres
requête pour analyser une erreur dans le code
graphique sur le volume de connexion au cours de la journée
(difficile) trouver les correspondances possibles pour aller d’une ville A à une ville B entre telle et telle heure ?
4 - Beats
Beats
Beats est un programme designé pour être extrêmement léger et n’avoir qu’une seule mission : récupérer et envoyer des logs à un autre programme
qui s’assurera du traitement de ceux-ci : soit Logstash, soit directement Elasticsearch.
Les Beats pour lire les données depuis plusieurs machines. Les principales sont :
FileBeat : lire des fichiers de log pour les envoyer à Logstash ou directement à Elasticsearch
MetricBeat : récupérer des données d’usage système, du CPU, de la mémoire, etc.
Packetbeat : récupérer des données très poussées sur le réseau
d’autres existent mais sont moins importants
Logstash
Logstash est un couteau suisse puissant de récupération, de transformation et d’envoi de logs.
Contrairement à Kibana et Elasticsearch, Logstash peut
être utilisé de façon indépendante à Elasticsearch ou à Kibana.
Il est un peu difficile de comprendre la différence fondamentale entre Beats et Logstash au début, on peut retenir :
que Beats a beaucoup moins de fonctionnalités que Logstash, et qu’il n’a que quelques missions simples à remplir,
là où Logstash est un outil très complet pour récupérer, transformer et renvoyer des logs.
dès que l’on est restreint-e par les possibilités de Beats, on utilise souvent à la fois Beats et Logstash
Filebeat avec Nginx
Nous allons suivre la partie Filebeat (il faut descendre jusqu’à environ la moitié de la page) du tutoriel officiel Elastic pour monitorer les logs
access.log et error.log de Nginx :
https://www.elastic.co/fr/blog/how-to-monitor-nginx-web-servers-with-the-elastic-stack
Nous pouvons ensuite utiliser une commande spéciale pour ajouter des tableaux pré-configurés pour Nginx et Kibana avec la commande suivante :
sudo
./filebeat setup --dashboards
Optionnel : Metricbeat pour Nginx

Suivre la partie Metricbeat pour Nginx (sans Docker) du tutoriel :
https://www.elastic.co/fr/blog/how-to-monitor-nginx-web-servers-with-the-elastic-
stack
Optionnel : Filebeat et Metricbeat pour des conteneurs Docker

Suivre les parties reastantes Configurations Autodiscover de Filebeat et Metricbeat du tutoriel :
https://www.elastic.co/fr/blog/how-to-monitor-
nginx-web-servers-with-the-elastic-stack
Optionnel : auth.log et syslog

Avec Filebeat, envoyez le contenu des fichiers auth.log (logs de connexion des utilisateurs au système) grâce à la configuration d’un inputs de type
log dans Filebeat en indiquant le chemin du fichier (cf. documentation). Regardons dans Kibana : les données arrivent, mais ne sont pas structurées.
Puis, envoyez le contenu des fichiers auth.log et syslog (logs système) à Elasticsearch grâce au module appelé system :
https://www.elastic.co/guide/en/beats/filebeat/current/filebeat-module-system.html
Optionnel : journald avec Journalbeat

Avec Journalbeat, envoyez le contenu des fichiers de type journal de systemd : : https://www.elastic.co/guide/en/beats/journalbeat/master/journalbeat-
installation-configuration.html
Optionnel : Metricbeat dans et pour Kubernetes

Avec un Kubernetes joignable (par exemple k3s), suivre ce guide : https://www.elastic.co/guide/en/beats/metricbeat/current/running-on-kubernetes.html
Optionnel : Metricbeat pour Docker

Suivre ce tutoriel sur un host avec Docker d’installé : https://www.elastic.co/guide/en/beats/metricbeat/current/metricbeat-module-docker.html
5 - Logstash
Logstash
Logstash est un couteau suisse puissant de récupération, de transformation et d’envoi de logs.
Contrairement à Kibana et Elasticsearch, Logstash peut
être utilisé de façon indépendante à Elasticsearch ou à Kibana.
Logstash : récupère les logs pour les traiter avant de les envoyer dans Elasticsearch
formater des logs
transformer les données avant de les mettre dans Elasticsearch
Logstash a trois grandes parties :
les inputs, là où Logstash récupère ou reçoit ses données, (en général, c’est Beats)
les filters, la partie importante, celle où les données reçues sont transformées avant envoi
les outputs, là où on indique à Logstash où envoyer ses données (en général : vers Elasticsearch)
Exemples
Inputs
des tweets issus de l’API Twitter

des packets HTTP
Filters
Dissect (basique, en fonction d’un séparateur) et Grok (avancé, expressions régulières) : découper des messages de logs non structurés en
plusieurs entrées différentes (par exemple découper chaque info d’une ligne de logs de Nginx dans des entrées différentes)
Pour Grok, il existe un site indispensable pour débugger ses filtres Grok : https://grokdebug.herokuapp.com/
Geoip : ajouter des infos géographiques à partir d’une adresse IP
Outputs
Elasticsearch
l’exécution d’une ligne de commande (par exemple iptables pour couper l’accès firewall à une IP après avoir détecté une attaque)
Rappel : Beats et Logstash
Il est un peu difficile de comprendre la différence fondamentale entre Beats et Logstash au début, on peut retenir :
que Beats a beaucoup moins de fonctionnalités que Logstash et est designé pour être très léger, et n’avoir que quelques missions simples à
remplir
là où Logstash est un outil très complet pour récupérer, transformer et renvoyer des logs.
Pour plus de détails : https://www.elastic.co/guide/en/beats/filebeat/current/diff-logstash-beats.html
Beats avec Logstash

Souvent, parce que leurs missions sont complémentaires, on associe des Beats qui envoient leurs logs bruts à Logstash, qui s’assure du traitement et de
la transformation des logs
-->

Dissect ou Grok avec Nginx
Sur votre ordinateur ou dans une VM créé par Vagrant, faire du Logstash en utilisant le filtre Dissect ou Grok et des logs Nginx récupérés par Filebeat
en suivant ce tutoriel : https://blog.zwindler.fr/2017/10/10/elasticstack-collecter-et-exploiter-des-logs-nginx/
L’input Twitter
Avec une clé d’API Twitter (à demander éventuellement au formateur), configurer l’input Twitter de Logstash pour archiver des tweets dans
Elasticsearch.
https://www.elastic.co/guide/en/logstash/current/plugins-inputs-twitter.html
https://grokdebug.herokuapp.com/
https://www.elastic.co/guide/en/logstash/7.14/plugins-filters-dissect.html
6 - Conclusion
Qu’est-ce qu’un cluster ?

Un ensemble de machines qu’on appelle des noeuds (nodes) reliés par un réseau fiable et rapide.
Haute disponibilité
Une application en haute disponibilité signifie qu’elle continue à fonctionner quand une partie arrête de fonctionner (dans le cadre d’Elasticsearch :
quand un nœud devient injoignable par exemple).
Les mécanismes de haute disponibilité d’un cluster commencent réellement à partir de 3 nœuds : il faut 2 nœuds restants pour continuer à
fonctionner sans le 3e nœud défectueux.
Santé d’un cluster / d’un indice

La santé d’un cluster ou d’un index est déterminée par trois couleurs dans Elasticsearch :
vert, tout va bien, la haute disponibilité fonctionne

jaune, il n’y a pas de redondance : si un nœud devient injoignable ou par exemple son disque casse, il y a un risque de perdre des données ou de
perdre un accès à des données
rouge, des données sont introuvables/perdues
Elasticsearch est élastique/distribué

Une application distribuée a plusieurs instances (identiques ou non) qui communiquent entre elles.
Par exemple des noeuds Elastc contiennent chacun une partie des données :
On peut ajouter des noeuds et un index va automatiquement répartir les données entre les nœuds : dans Elasticsearch, on appelle ça le
sharding (partition en français), les données sont copiées en plusieurs replicas.
Le scripting dans Elasticsearch

Dans Elasticsearch, il est possible d’utiliser un langage de programmation spécial pour faire des opérations sur les données et les réindexer (ou
non).
Les principaux langages pour scripter sont painless, un langage fait exprès par Elasticsearch, et Java (avancé).
Plus d’infos : https://www.elastic.co/guide/en/elasticsearch/reference/7.14/modules-scripting.html
Elastic Common Schema (ECS)

Quand on veut optimiser le fait de donner des infos à Elasticsearch avec notre application, on exporte nos logs en JSON. ECS est simplement une
façon de standardiser certains champs JSON utiles à fournir à Elasticsearch.

Après avoir installé APM server dans votre VM Elasticsearch (par exemple en éditant le script Ansible), intégrez Elastic APM pour Flask en suivant ce
tutoriel : https://www.elastic.co/guide/en/apm/get-started/current/install-and-run.html
7 - Bibliographie
Gérer les documents
Source : https://www.elastic.co/guide/en/elasticsearch/reference/current/docs-index_.html
Créer un document
PUT /<index>/_doc/1
"champ1": "value1",
"champ2": "value2"
}
ou
POST /<index>/_doc
"champ1": "value1",
"champ2": "value2"
Afficher un document:
GET /<index>/_doc/<num>/
Lister tous les documents:

Mettre à jour un document (ajouter/modifier un champ)

POST /<index>/_update/<num>/
"doc": {
"field": "value"
Supprimer un document
DELETE /<index>/_doc/<_id>
Gérer les index

List Indices
GET /_cat/indices
avec le nom des colonnes
GET /_cat/indices?v
Create index
PUT /<index>
"settings": {
"number_of_shards": 1, // default 5
"number_of_replicas": 0 // default 1
Avec un mapping directement
PUT /<index>
"settings": {
"index": {
"number_of_shards": 1,
"number_of_replicas": 0
},
"mappings": {
"properties": {
"<property>": {
"type": "<datatype>"
Supprimer un index
DELETE /<index>
Gérer les mappings

Lister les mappings
GET /<index>/_mapping
Ajouter un champ à un mapping:
PUT /<index>/_mapping
"properties": {
"<new_fieldname>": {
"type": "<datatype>"
}
Réindexer des données

Dupliquer un champ et réindexer
POST /<index>/_update_by_query
"script": {
"inline": "ctx._source.<fieldname> = ctx._source.<fieldname>"
TP fil rouge DevOps

Introduction
L’objectif de ce TP est de faire la démonstration pratique de la plupart des éléments techniques appris durant le cursus DevOps.
L’activité de DevOps dans une équipe est une activité de support au développement et d’automatisation des divers éléments pratiques nécessaire au bon
fonctionnement d’une application. Elle est par nature intégrative.
Ce TP consiste donc logiquement à rassembler les aspects pratiques (éléments vus en TP) découverts dans les modules du cursus et de les combiner
autour d’une infrastrure Kubernetes pour réaliser en particulier une CI/CD de notre application utilisant Jenkins.
Attention :
Toutes les parties ne sont pas forcément obligatoire. L’appréciation sera globale. Les bonus sont des idées de personnalisation à réaliser si vous
avez le temps et le courage.
Ce sujet de TP est loin d’être simple :
N’hésitez pas à demander de l’aide aux formateurs.

Collaborez et partagez la compréhension des enjeux dans le groupe.
Le sujet est succeptible d’évoluer au fur et à mesure en fonction de vos retours et demandes d’information.
Les parties de la fin du cursus (Jenkins et peut-être le Monitoring et/ou AWS et/ou Ansible) seront ajoutées par la suite.
N’oubliez pas de vous reposer pendant les vacances !!
Rendu
Le rendu du TP est à effectuer par groupe.
Pour chaque groupe les éléments suivant devront être présentés lors de la présentation finale du cursus:
Une présentation décrivant les différents élements de l’infrastructure et leurs objectifs ainsi que les choix réalisés lors de la réalisation.
On peut se servir de diapositives afin d’avoir un support oral. L’idée est de voir la gestion du temps, l’expression orale et évidemment le côté
technique. Et attention, à la répartition de parole dans le groupe, chacun doit occuper sa place.
La qualité des diapositives est notée également.
La présentation dure 20mn, 10mn de plus de questions du jury, 5 mn de délibération du jury sans les stagiaires et 5 mn de compte rendu au
groupe de la part du jury.
Pas de rapport écrit à part les diapositives.
Objectifs
Mettre en œuvre un système d’intégration continue et de déploiement DevOps
Construire une image capable de servir à l’application
Automatiser la construction d’images
Mettre à jour et déployer automatiquement des images
Une installation fonctionnelle de l’infrastructure et de l’application du TP installé sur cette infrastructure telle que décrite dans l’énoncé suivant.
Deux dépots de code sur Github ou Gitlab contenant pour le premier le code d’infrastructure et pour le second l’application à déployer sur
l’infrastructure.
0 - Vagrant et Virtualbox: créer une machine virtuelle avec du code

Une infrastructure est généralement composée de machines virtuelles pour la flexibilité, qu’elles soient louées chez un provider de cloud comme
Amazon Web Service ou créées à l’aide d’un hyperviseur comme Virtualbox (ou VMWare ou Proxmox etc).
Dans ce TP nous allons utiliser Virtualbox pour créer un ou plusieurs serveurs (selon vos préférences, voir bonus kubernetes installation dans la suite).
Pour respecter les bonnes pratiques de l’infrastructure as code et pouvoir partager et reproduire l’installation nous aimerions créer ces machines
virtuelles à l’aide de code descriptif. L’outil adapté pour cela s’appelle Vagrant.
Installez Vagrant en ajoutant le dépôt ubuntu et utilisant apt (voir https://www.vagrantup.com/downloads pour d’autres installation):
curl -fsSL https://apt.releases.hashicorp.com/gpg | sudo apt-key add -
sudo apt-add-repository "deb [arch=amd64] https://apt.releases.hashicorp.com $(lsb_release -cs) main"
sudo apt-get update && sudo apt-get install vagrant
Créez un dossier pour votre code d’infrastructure par exemple tp_fil_rouge_infra et ajoutez à l’intérieur un fichier Vagrantfile contenant le
code suivant:
v.memory = 2048
v.cpus = 2
end
config.vm.define :master do |master|
master.vm.box = "ubuntu/focal64"
master.vm.hostname = "master"
master.vm.network :private_network, ip: "10.10.0.1"
end
end
Entrainez vous à allumer, éteindre, détruire la machine et vous y connecter en ssh en suivant ce tutoriel: https://les-enovateurs.com/vagrant-
creation-machines-virtuelles/. (pensez également à utiliser vagrant --help ou vagrant <commande> --help pour découvrir les possibilités de la
ligne de commande vagrant).
Remarques pratiques sur Vagrant :
Toutes les machines vagrant ont automatiquement un utilisateur vagrant.

Vagrant partage automatiquement le dossier dans lequel est le Vagrantfile à l’intérieur de la VM dans le dossier /vagrant. Les scripts et autres
fichiers sont donc directement accessibles dans la VM.
1 - Application Web Python et Linux

En vous aidant du tutorial suivant (jusqu’à la partie 5, avant la partie certbot): https://www.digitalocean.com/community/tutorials/how-to-serve-flask-
applications-with-gunicorn-and-nginx-on-ubuntu-20-04-fr
Installez dans la machine virtuelle Vagrant précédente une application web flask (par exemple celle proposée dans le tutoriel).
Rassemblez les étapes d’installation dans un script shell (à ajouter dans le dossier d’infra).
Vérifiez que votre script d’installation fonctionne en détruisant et recréant la machine virtuelle (vagrant destroy) puis en lançant le script en ssh.
(facultatif) Vous pouvez même ajouter le script directement au Vagrantfile, après la ligne master.vm.network :private_network, ip:
"10.10.0.1" avec la syntaxe suivante (cf. la documentation):
master.vm.provision :shell, privileged: false, inline: <<-SHELL
commande1
commande2
etc
SHELL
Idée de bonus
Sur votre serveur, installez/scriptez en plus de la précédente, l’application flask microblog du Flask Mega Tutorial avec une base de donnée
MySQL. Voir ce lien tutoriel : https://blog.miguelgrinberg.com/post/the-flask-mega-tutorial-part-xvii-deployment-on-linux.
Personnalisez votre application Flask / Python avec une ou des pages en plus ou une fonctionnalité en plus
2 - Git
Versionner le code de l’application précédente avec Git. Créer un dépôt sur Github ou Gitlab.
Un-e membre du groupe crée le dépôt et ajoute ses collègues à l’application en leur donnant le status de maintainer.
Poussez le code avec une branche develop, une branche main (production).
Chaque membre du groupe créé une branche à son nom et s’efforce de ne plus pousser sur develop ou main dans le futur mais en utilisant sa
branche.
Le code sera ensuite mergé dans la branche develop et/ou main.
Répétez les étapes précédentes en créant un dépôt pour le code d’infrastructure.
Ces deux dépôts serviront pour la présentation finale de votre code.
Idées de bonus
Écrire à l’avance des issues (au fur et a mesure plutôt que toutes au départ) pour décrire les prochaines étapes à réaliser.
Utilisez pour la suite du TP des branches pour les issues.
Les merger dans main sans passer par develop (les feature branches remplacent la branche develop) en effectuant des pull request Github ou
merge requests Gitlab.
Utilisez le wiki Github ou Gitlab du dépôt d’infrastructure pour documenter votre infrastructure et servir de support à la présentation finale.
3 - Docker
En s’aidant du TP2 et TP4 du module Docker, et de votre script d’installation existant :
Dockeriser une application flask simple (par exemple celle de la partie précédent ou celle du TP Docker à la place) en écrivant un Dockerfile.
(facultatif) Ajoutez un fichier docker-compose.yml. pour lancer l’application.
Ajoutez les fichiers créées à votre dépôt d’application.
Idée de bonus
Dockeriser l’application microblog avec une base de données MySQL à mettre dans un conteneur à part (voir le chapitre 19 du Flask Mega
Tutorial et les différentes branches du dépôt https://github.com/Uptime-Formation/microblog/).
(facultatif) Comme vu dans les TP, rajoutez une instruction HEALTHCHECK au Dockerfile pour tester si votre app va bien.
4 - Kubernetes installation
En suivant/vous inspirant des TP kubernetes et de la partie 0.
En repartant du Vagrantfile de la partie 0 : utilisez la commande master.vm.provision comme indiqué dans la partie 0 ci-dessus pour installer k3s
avec la commande curl -sfL https://get.k3s.io | sh -.
(facultatif) Trouvez comment supprimer l’ingress Traefik de k3s et installez à la place un ingress nginx plus classique (pour pouvoir exposer
l’application web à l’extérieur).
(facultatif) Installez cert-manager comme dans le TP avec un générateur de certificat auto-signé : https://cert-
manager.io/docs/configuration/selfsigned/
Versionnez le Vagrantfile et les fichiers d’installation Kubernetes dans le dépôt d’infrastructure.
Idées de bonus
Installez un repository d’image docker simple en vous aidant de tutoriels sur Internet et de l’image registry:2, ou bien de solutions plus avancées
Créez un cluster de 3 noeuds k3s avec Vagrant et k3sup.
5 - Kubernetes déploiement de l’application

Déployez une application flask dans le cluster en vous inspirant du TP déployer une application de A à Z.
Versionnez les fichiers d’installation dans un dossier k8s du dépôt d’application.
Idée de bonus
Déployer en plus l’application flask avec une base de donnée externe (voir chapitre 19 du mega tutorial). Installez MySQL à l’aide d’un chart
Helm.
Contenu intégral
Exporter les supports en pdf
Pour exporter correctement les TPs et autres pages de ce site au format pdf, utilisez la fonction imprimer de Google Chrome ou Firefox (vous pouvez
aussi activer le Mode Lecture de Firefox en cliquant Affichage > Passer en Mode Lecture) en ouvrant la page suivante : Contenu intégral.

Devops With Exo

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Devops With Exo

Transféré par

Droits d'auteur :

Formats disponibles

14/11/2022 17:46 Exporter tout le contenu

Uptime Formation - Formations Uptime

Sous licence CC-BY-NC-SA - Formations Uptime

Table des matières :

Normalement vous devriez avoir deux connexions disponibles:

Il y a de nombreuses versions de ce que qui caractérise le DevOps mais pour résumer:

L’intégration et le déploiement continus des logiciels/produits.

d’une conception détaillée en amont = création d’un spécification détaillée

Problèmes historiques posé par trop de spécification et validation humaine :

Solution : développer de façon agile c’est à dire itérative

Sortir une version par semaine voir par jour

Mais l’agilité traditionnelle ne concerne pas l’administration système.

La motivation au coeur du DevOps : La célérité

Le problème que cherche à résoudre le DevOps

La célérité et l’agrandissementest sont incompatibles avec une administration système traditionnelle:

Les opérations “traditionnelles”:

L’objectif technique idéal du DevOps : Intégration et déploiement continus (CI/CD)

Chaque modification du code est validée dans le gestionnaire de version Git.

C’est ce qu’on appelle l’intégration continue.

Les innovations techniques du DevOps

Le cloud techniquement c’est l’ensemble des trois :

Exemple: heroku, netlify,

Exemple: Netflix plutôt que VLC, Spotify vs Itunes, etc.

Nous utiliserons surtout l’IaaS avec DigitalOcean dans le module Docker.

Les conteneurs (Docker et Kubernetes)

Un façon standard de packager un logiciel

L’infrastructure as code (IaC)

Dérive progressive de l’état des systèmes et difficultés à documenter leur états.

L’IaC permet de tout gérer avec git et des commits.

Aller plus loin

Linux - Intro, Admin, Réseau et scripting

Corrections des exercices et bilan compétences

Pour quelques autres éléments et supports voir

Corrections exercices partie 1

8. Personnaliser son environnement

PS1="[\033[01;32m\u on \h\033[0m:\033[01;34m\w\033[0m] \n> "

(noter la couleur ‘31’ = rouge)

9 partie 1 - redirections et assemblages

tail -f /tmp/chat &

alias say="echo [$USER] >> /tmp/chat"

9 partie 2 - pipes et boîte à outils

sudo cat /etc/shadow | grep -v ":\!:\|:x:" | awk -F: '{print $1}'

| grep "img src" \

| sed 's/img src/\n[img]/g' \

| tr '<>"' ' ' \

| awk '{print $2}' \

Corrections exercices partie 2

# Ensuite on trouve monhome.tar.gz qui a une taille reduite

1.22 - Recommencez mais produisant une version compressée directement

tar -xvzf monhome.tar.gz ./

cat /var/log/apt/history.log.1.gz | gzip -d

Corrections exercices partie 3

| awk -F= '{print $2}' \

NB_PROCESS=$(ps -ef --no-headers \

RAM_TOTALE=$(free -h | grep "^Mem" | awk '{print $2}')

RAM_DISPO=$(free -h | grep "^Mem" | awk '{print $7}')

IP_GLOBALE=$(curl --silent ip.yunohost.org)

echo "La distribution est $DISTRIB"

echo "Il y a $NB_PROCESS process actuellement lancés"

echo "Il reste $RAM_DISPO RAM dispo sur $RAM_TOTALE total"

echo "La machine est up depuis $UPTIME"

echo "L'IP locale est $IP_LOCALE"

echo "L'IP globale est $IP_GLOBALE"

A quoi sert le dossier pycache ? Que faire avec ce dossier ?

Supprimez le suivi du dossier pycache avec la commande git rm:

Ajoutez un fichier .gitignore et à la première ligne ajoutez pycache

Vérifier que pycache n’apparaît pas dans l’historique.