หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

vector_db_with_llm

vector_db_with_llm

Fastapi เป็นเฟรมเวิร์กเว็บที่ทันสมัยทันสมัย ​​(ประสิทธิภาพสูง), เฟรมเวิร์กเว็บสำหรับการสร้าง APIs ด้วย Python 3.8+ ขึ้นอยู่กับ Python มาตรฐาน ที่นี่เป็นที่เก็บที่จัดส่งบันทึกไปยังแอปพลิเคชันการส่งออกโพร

Langchain (https://github.com/langchain-ai/langchain) เป็นกรอบสำหรับการพัฒนาแอพพลิเคชั่นที่ขับเคลื่อนด้วยโมเดลภาษาขนาดใหญ่ (LLMs) Langchain เป็นเฟรมเวิร์กโอเพ่นซอร์สสำหรับการสร้างแอปพลิเคชันตามรูปแบบภาษาขนาดใหญ่ (LLMS) LLMS เป็นรุ่นการเรียนรู้ที่ลึกมากที่ได้รับการฝึกอบรมล่วงหน้าเกี่ยวกับข้อมูลจำนวนมากที่สามารถสร้างการตอบสนองต่อการสืบค้นผู้ใช้ ตัวอย่างเช่นการตอบคำถามหรือสร้างภาพจากพรอมต์ข้อความ การแจ้งเตือนคือการสืบค้นที่ผู้คนใช้เพื่อค้นหาคำตอบจาก LLM

  • ตัวอย่าง: https://colab.research.google.com/github/i-am-shuan/learn-langchain/blob/main/langchain_rag_example.ipynb, https://velog.io/@kwon0koang/%EB%A1%9C%EC%BB%AC%97%90%EC%84%9C-llama3-%EB%8F%8C%EB%A6%AC%AC%B8%B0
  • ​
  • ​https://hackernoon.com/lang/ko/ollama-python-%EB%B0%8FCHROMDB%EB%A5%BC-%EC%82%AC%9A %A9%ed%95%98%EC%97%AC-%EB%A1%9C%EC%BB%AC%EC%97%90%EC%84%9C-LLM%EC%9D%84-%EC%84%A4%EC%A 0%95%ED%95%98%EB%8A%94-%EB%8B%A8%EA%B3%84%EB%B3%84-%EA%B0%80%EC%9D%B4%EB%93%93C%EB%A1%9%9%9%9%9%9%9% C-%eb%82%98%EB%A7%8C%EC%9D%98-%EB%9E%98%EA%B7%B8-%EC%95%B1-%EB%A7%8C%EB%93%A4%EA%B8%B0 B0 B0 B0 B0 B0 B0 B0
  • LLM ท้องถิ่น: https://github.com/firstpersoncode/local-rag?ref=hackernoon.com

Vectordb (เช่น, Milvus, Faiss (การค้นหาความคล้ายคลึงกันของ Facebook AI), Chroma, Qdrant, Pinecone): ฐานข้อมูลเวกเตอร์ (Vectordb) ข้อมูลเวกเตอร์หมายถึงการแสดงตัวเลขของวัตถุซึ่งสามารถใช้สำหรับการค้นหาความคล้ายคลึงกันการจัดกลุ่มและงานอื่น ๆ (อ้างอิง: https://krishna-yogik.medium.com/vectordb-tutorial-a-beginners-guide-06dc333fac2f)

  • การใช้กรณีของ
    • ระบบคำแนะนำ Vectordb: การเพิ่มคำแนะนำส่วนบุคคลโดยการค้นหาผู้ใช้หรือรายการที่คล้ายกัน (ตัวอย่าง: ภาพยนตร์เพลงหรือคำแนะนำผลิตภัณฑ์)
    • การดึงภาพและวิดีโอ: เปิดใช้งานภาพและการดึงภาพวิดีโอโดยค้นหาคุณสมบัติภาพที่คล้ายกัน
    • การประมวลผลภาษาธรรมชาติ (NLP): การค้นหาข้อความเอกสารหรือข้อความค้นหาที่คล้ายคลึงกันโดยใช้การฝังเวกเตอร์จากรุ่นเช่น Bert หรือ Word2vec (ตัวอย่าง: การจัดกลุ่มเอกสาร, การวิเคราะห์ความเชื่อมั่น, การค้นหาความหมาย)
    • การตรวจจับความผิดปกติ: การระบุรูปแบบที่ผิดปกติหรือค่าผิดปกติในข้อมูลมิติสูง (การตรวจจับการฉ้อโกง, การตรวจจับการบุกรุกของเครือข่าย)

RAG (การเพิ่มการเรียกคืนการเรียกคืน) เป็นเทคนิค AI ที่ช่วยให้ บริษัท ต่างๆสามารถฝังข้อมูลที่เป็นกรรมสิทธิ์ในปัจจุบันและที่เกี่ยวข้องที่สุดของพวกเขาโดยตรงลงในพรอมต์ LLM ของพวกเขาโดยตรง

  • เราไม่เพียง แต่พูดถึงข้อมูลที่มีโครงสร้างเช่นสเปรดชีตหรือฐานข้อมูลเชิงสัมพันธ์
  • เราหมายถึงการดึงข้อมูลที่มีอยู่ทั้งหมดรวมถึงข้อมูลที่ไม่มีโครงสร้าง: อีเมล, PDFs, บันทึกการแชท, โพสต์โซเชียลมีเดียและข้อมูลประเภทอื่น ๆ ที่อาจนำไปสู่เอาต์พุต AI ที่ดีขึ้น
  • โดยสรุป RAG ช่วยให้ บริษัท ต่างๆดึงข้อมูลและใช้ข้อมูลจากแหล่งข้อมูลภายในต่าง ๆ เพื่อผลลัพธ์ AI ที่ดีขึ้น
  • เพื่อให้บรรลุความแม่นยำที่ดีขึ้นนี้ RAG ทำงานร่วมกับฐานข้อมูลประเภทพิเศษ - เรียกว่าฐานข้อมูลเวกเตอร์ - เพื่อจัดเก็บข้อมูลในรูปแบบตัวเลขที่เหมาะสมสำหรับ AI และดึงข้อมูลเมื่อได้รับแจ้ง
  • RAG ไม่สามารถทำงานได้หากไม่มีฐานข้อมูลเวกเตอร์ทำงาน
  • ขั้นตอน (https://blog.naver.com/htk1019/223442628204): เอกสารตัวโหลด⮕ตัวแยกข้อความตัวแยกข้อความ⮕การฝัง⮕ vector store (การบันทึกเวกเตอร์) ⮕ Retriver
  • [1] การจดบันทึกข้อความ - แบ่งข้อมูลออกเป็นชิ้นเล็ก ๆ
  • [2] การแปลงการฝัง - ใช้โมเดลการฝังเพื่อแปลงแต่ละข้อความให้เป็นการฝัง
  • [3] การจัดเก็บเวกเตอร์ - เก็บข้อมูลฝังข้อมูลในฐานข้อมูลเวกเตอร์
  • [4] การทำแผนที่ข้อความ - บันทึกชิ้นข้อความและการฝังที่สอดคล้องกันสำหรับการใช้งานในอนาคต
  • [5] Embedding แบบสอบถาม - แปลงแบบสอบถามของผู้ใช้เป็นการฝังตัวโดยใช้แบบจำลองการฝังแบบเดียวกันที่ใช้ก่อนหน้านี้
  • [6] การสืบค้นฐานข้อมูล - ใช้การฝังคิวรีเพื่อดึงข้อมูลที่เกี่ยวข้องกับการฝังข้อมูลจากฐานข้อมูลเวกเตอร์
  • [7] การค้นหาความคล้ายคลึงกัน - เพื่อระบุชิ้นข้อความที่คล้ายกันมากที่สุดให้ทำการค้นหาเพื่อนบ้านที่ใกล้ที่สุด (ANN) โดยประมาณ
  • [8] การแมปบริบท - แมปเวกเตอร์ที่ดึงมากับชิ้นข้อความที่สอดคล้องกัน
  • [9] การตอบสนอง LLM - ส่งผ่านบริบทที่ดึงมาในพรอมต์พร้อมกับการสืบค้นไปยัง LLM เพื่อรับคำตอบ สิ่งนี้ทำให้มั่นใจได้ว่าคำตอบนั้นขึ้นอยู่กับบริบทที่กำหนดเท่านั้น

Apache Flink: Apache Kafka และ Apache Flink เป็นเครื่องมือที่ทรงพลังสองอย่างในการประมวลผลข้อมูลขนาดใหญ่และสตรีม ในขณะที่ Kafka เป็นที่รู้จักกันดีในเรื่องระบบส่งข้อความที่แข็งแกร่ง แต่ Flink นั้นดีในการประมวลผลและการวิเคราะห์แบบเรียลไทม์

  • Apache Kafka: แพลตฟอร์มสตรีมมิ่งแบบกระจายระบบส่งข้อความสำหรับสตรีมข้อมูลแบบเรียลไทม์, การเผยแพร่ระบบส่งข้อความ, หัวข้อ/ผู้ผลิต/ผู้บริโภค
  • Apache Flink: เฟรมเวิร์กการประมวลผลสตรีมแบบกระจาย, การประมวลผลสตรีมและการวิเคราะห์กระแส, การประมวลผลกระแส/เรียลไทม์ (https://medium.com/@priyankbhandia_24919/apache-flink-for-data-enrichment-6118d48de04, https://yenaworldblog.wordpress.com/2018/06/20/20/flink-install-%84% https://medium.com/@aaron.cpsh/designing-streaming-data-pipeline-with-apache-flink-and-kafka-a75c75d55918)
    • Apache Flink เป็นกรอบและการประมวลผลแบบกระจาย สตรีมข้อมูลที่ถูก จำกัด สามารถพิจารณาได้ว่าเป็นการประมวลผลแบบแบตช์และสตรีมข้อมูลที่ไม่มีขอบเขตสามารถคิดได้ว่าเป็นการประมวลผลสตรีมตามที่กล่าวถึงตามอัตภาพ
    • Pyflink เป็น Python API สำหรับ Apache Flink ช่วยให้ผู้ใช้สามารถเขียนโปรแกรม Flink ใน Python และดำเนินการบนคลัสเตอร์ Flink
    • แหล่งที่มาและอ่างล้างจานสามารถเรียกคืนได้จากแหล่งต่าง ๆ :
      • ระบบไฟล์ (แหล่งที่มา
      • /อ่างล้างจาน) Apache Kafka
        • (แหล่งที่มา/อ่างล้างจาน)
      • Apache Cassandra
      • (
        • Sink)
      • Amazon Kinesis Streams
        • (
      • แหล่งที่มา
      • /อ่างล้างจาน
        • )
      • ElasticSearch
        • (
      • Sink) Source (Source/Sink) Source
      • (แหล่งกำเนิด
      • jdbc (sink)
    • kafka ~ flink: https://thingsolver.com/blog/streaming-analytics-in-banking-how-tart-start-with-apache-flink-and-kafka-in-7-steps/ https://github.com/apache/flink/blob/master/flink-python/pyflink/examples/datastream/connectors/elasticsearch.py, https://github.com/apache/flink/blob/master/flink-python/pyflink/examples/datastream/connectors/kafka_json_format.py

streamlit เป็นข้อมูลการทำงานแบบไม่ใช้งาน

  • https://github.com/streamlit/llm-examples, https://pypi.org/project/streamlit-chat/
  • streamlit ติดตั้งและเรียกใช้
pip install streamlit pip install streamlit-chat streamlit run [streamlit-filenam.py] [--server.port 30001] streamlit run app.py
  • การทดสอบแอพ: https://github.com/streamlit/llm-examples/blob/main/.github/workflows/app-testing.yml
  • ข้อกำหนด Dev.txt
black==23.3.0 mypy==1.4.1 pre-commit==3.3.3 watchdog pytest

gradio (https://www.gradio.app/guides/quickstart): Gradio เป็นแพ็คเกจ Python โอเพนซอร์ซที่ช่วยให้คุณสามารถสร้างตัวอย่างหรือเว็บแอปพลิเคชันสำหรับรูปแบบการเรียนรู้ของเครื่อง API หรือฟังก์ชั่น Python โดยพลการ จากนั้นคุณสามารถแชร์ลิงก์ไปยังการสาธิตหรือเว็บแอปพลิเคชันของคุณได้ในเวลาไม่กี่วินาทีโดยใช้คุณสมบัติการแบ่งปันในตัวของ Gradio

  • Run: ./gradio-start.sh
  • การติดตั้ง: เราขอแนะนำให้ติดตั้ง gradio โดยใช้ PIP ซึ่งรวมอยู่ในค่าเริ่มต้นใน Python ( pip install --upgrade gradio )

  • Elasticsearch

Gen-ai: https://github.com/elastic/elasticsearch-labs/blob/Main/Notebooks/Generative-ai

  • (https://github.com/features/codespaces, https://velog.io/@profile_exe/github-codespaces): GitHub codespaces ทำให้คุณเพิ่มขึ้นและเข้ารหัสได้เร็วขึ้นด้วยสภาพแวดล้อมการพัฒนาคลาวด์ที่ปลอดภัย

  • Pyautogui ให้สคริปต์ Python ของคุณควบคุมเมาส์และแป้นพิมพ์เพื่อโต้ตอบกับแอปพลิเคชันอื่น ๆ โดยอัตโนมัติ API ได้รับการออกแบบให้เรียบง่าย Pyautogui ทำงานบน Windows, MacOS และ Linux และทำงานบน Python 2 และ 3 เพื่อติดตั้งด้วย PIP, Run pip install pyautogui ดูหน้าการติดตั้งสำหรับรายละเอียดเพิ่มเติม (https://pyautogui.readthedocs.io/en/latest/)

import pyautogui import time while True: print(pyautogui.position ()) pyautogui.moveTo(100,200) pyautogui.click(100, 200) # pyautogui.moveTo(200,200, duration=0.5) time.sleep(10)
  • Jupyter Notebook ( ./jupyter-notebook.sh ): http: // localhost: 8889/ต้นไม้/langchain/เวิร์กโฟลว์/Jupyter -workflow
    • pip ติดตั้ง jupyterthemes #installing jupyter
    • themes -t -n -l ชุดรูปแบบที่มีอยู่: Chesterish เกรด 3 Gruvboxd Gruvboxl Monokai Oceans16 OneDork Solarizedd Solarizedl (.venv)

Python v3.9 ติดตั้ง

  • gunicorn/fastapi: https://chaechae.life/blog/fastapi
  • -deplication (https://datamoney.tistory.com/378)
sudo yum install gcc openssl-devel bzip2-devel libffi-devel zlib-devel git wget https://www.python.org/ftp/python/3.9.0/Python-3.9.0.tgz tar –zxvf Python-3.9.0.tgz or tar -xvf Python-3.9.0.tgz cd Python-3.9.0 ./configure --libdir=/usr/lib64 sudo make sudo make altinstall # python3 -m venv .venv --without-pip sudo yum install python3-pip sudo ln -s /usr/lib64/python3.9/lib-dynload/ /usr/local/lib/python3.9/lib-dynload # -- From Python ^3.10 , It need to be installed openssl # openssl cd /usr/local/src wget https://www.openssl.org/source/openssl-1.1.1t.tar.gz tar xvf openssl-1.1.1t.tar.gz cd openssl-1.1.1t/ ./config --prefix=/usr/local/ssl --openssldir=/usr/local/ssl shared zlib make sudo make install export LDFLAGS= " -L/usr/local/ssl/lib " export CPPFLAGS= " -I/usr/local/ssl/include " # openssl확인 /usr/local/ssl/bin/openssl version export LD_LIBRARY_PATH=/usr/local/ssl/lib: $LD_LIBRARY_PATH echo $LD_LIBRARY_PATH sudo yum install gcc openssl-devel bzip2-devel libffi-devel zlib-devel git wget https://www.python.org/ftp/python/3.11.0/Python-3.11.0.tgz tar –zxvf Python-3.11.0.tgz or tar -xvf Python-3.11.0.tgz cd Python-3.11.0 # --with-openssl-rpath=auto 옵션을 추가하여 파이썬이 자동으로 올바른 OpenSSL 라이브러리 경로를 찾도록 함 # ./configure --libdir=/usr/lib64 --with-openssl=/usr/local/ssl --with-openssl-rpath=auto ./configure --libdir=/usr/lib64 --with-openssl=/usr/bin/ssl --with-openssl-rpath=auto sudo make sudo make altinstall # -- Error occurs when installing packages via pip like below (.venv) -bash-4.2$ pip install elasticsearch==7.13 WARNING: pip is configured with locations that require TLS/SSL, however the ssl module in Python is not available. WARNING: Retrying (Retry(total=4, connect=None, read=None, redirect=None, status=None)) after connection broken by ' SSLError("Can ' t connect to HTTPS URL because the SSL module is not available. " )': /simple/elasticsearch/ WARNING: Retrying (Retry(total=3, connect=None, read=None, redirect=None, status=None)) after connection broken by 'SSLError( " Can ' t connect to HTTPS URL because the SSL module is not available.") ' : /simple/elasticsearch/ ERROR: Operation cancelled by user # -- python -m venv .venv source .venv/bin/activate # -- Swagger pip install poetry poetry add fastapi poetry add uvicorn poetry add gunicorn poetry add pytz poetry add httpx poetry add pytest poetry add pytest-cov poetry add requests poetry add pyyaml poetry add elasticsearch==7.13 poetry add python-dotenv poetry add jupyter # -- # -- Vector poetry config virtualenvs.in-project true pip install poetry poetry init poetry add openai langchain langchainhub tiktoken chromadb langchain-community bs4 python-dotenv poetry add sentence-transformers poetry add pypdf poetry add docx2txt poetry add faiss-cpu poetry add requests pip install --q openai langchain langchainhub tiktoken chromadb langchain-community bs4 # when error occur like this # ImportError: urllib3 v2 only supports OpenSSL 1.1.1+, currently the 'ssl' module is compiled with 'OpenSSL 1.0.2k-fips 26 Jan 2017'. See: https://github.com/urllib3/urllib3/issues/2168 pip install urllib3==1.26.18 pip install pytz pip install requests==2.27.1

API RUN

  • START Service โดยใช้ ./service-start.sh
  • FYI) การติดตั้งไลบรารีด้วย setup.py เช่น pip install git+https://github.com/jm/git_pip_install.git หรือ git+https://oss.navercorp.com/nsml/nsml_notebook.git@branch_name (https://liferecorde.tistory.com/49, https://newsight.tistory.com/296)
  • แยกข้อความโดยใช้ langchain.document_loaders ด้วย tika ( ./Langchain/workflow/ )
curl -X ' POST '  ' http://localhost:7001/vector/uploadfile '  -H ' accept: application/json '  -H ' Content-Type: multipart/form-data '  -F ' [email protected];type=application/msword ' { " filename " : [ { " index " : { " _index " : " test_context " , " _type " : " search " } }, { " ES_UPLOADED " : " JSON_FORMAT " , " CONTENT " : " This is a test Word document for the TemplatePackage example site. " } ] }
  • เริ่มต้นและแยกข้อความโดยใช้ langchain.Community แพ็คเกจโดยใช้ python ./Langchain/workflow/text_loader.py
*** type : < class ' list ' > / len : 1 data : [Document(metadata={'source': 'C:\Users\euiyoung.hwang\Git_Workspace\Vector_DB_with_LLM/Data/Sample.hwp'}, page_content='KTX 노선도ﺎĀ Ā※ KTX 소요 시간과 운임은 철도청의 사정에 따라 변동할 수 있습니다.Ā서울용산광명Ā천안아산대전서대전동대구익산논산김제밀양정읍구포장성광주부산광주송정나주목포ĀྠĀ 경부선 ྠĀ 호남선ĀĀKTX 소요시간호남선 (서울~천안아산 경부선과 동일)서울서대전논산익산김제정읍장성광주광주송정나주목포시:분6:226:517:15-7:38--8:06-8:38경부선서울용산광명천안아산대전동대구밀양구포부산시:분5:305:456:246:307:187:498:148:27KTX 운임안내최저운임8,100원 (월~목 요금제 기준)호남선 (단위:원)행신8,1008,10015,10024,50026,40028,80031,20032,80035,00037,10039,00040,40044,80040,000용산8,10013,30022,70024,70027,20029,60031,20033,40036,30037,50038,90043,30038,400광명11,30020,70022,60025,10028,60029,40031,60034,50036,40037,10041,50036,700천안아산9,40011,40014,00017,70019,10021,70024,70026,60027,70032,20027,300서대전8,1008,1008,30010,00012,70015,90018,10019,70024,30019,300계룡8,1008,1008,10010,70014,00016,10017,70022,50017,400논산8,1008,1008,10011,40013,50015,10020,20014,800익산8,1008,1008,1009,80011,40016,50011,100김제8,1008,1008,1009,70014,8009,300정읍8,1008,1008,10012,1008,100장성8,1008,1008,9008,100광주송정8,1008,100-나주8,100-목포-광주경부선 (단위:원)행신8,1008,10014,10022,80039,70044,20047,80049,100서울8,10012,70021,40038,40043,00046,60047,900광명10,50019,20036,50041,00044,60046,000천안아산8,70025,60029,40032,90034,200대전16,90022,10025,30026,700동대구8,1009,30010,800밀양8,1008,100구포8,100부산')] page_content : KTX 노선도ﺎĀ Ā※ KTX 소요 시간과 운임은 철도청의 사정에 따라 변동할 수 있습니다.Ā서울용산광명Ā천안아산대전서대전동대구익산논산김제밀양정읍구포장성광주부산광주송정나주목포ĀྠĀ 경부선 ྠĀ 호남선ĀĀKTX 소요시간호남선 (서울~천안아산 경부선과 동일)서울서대전논산익산김제정읍장성광주광주송정나주목포시:분6:226:517:15-7:38--8:06-8:38경부선서울용산광명천안아산대전동대구밀양구포부산시:분5:305:456:246:307:187:498:148:27KTX 운임안내최저운임8,100원 (월~목 요금제 기준)호남선 (단위:원)행신8,1008,10015,10024,50026,40028,80031,20032,80035,00037,10039,00040,40044,80040,000용산8,10013,30022,70024,70027,20029,60031,20033,40036,30037,50038,90043,30038,400광명11,30020,70022,60025,10028,60029,40031,60034,50036,40037,10041,50036,700천안아산9,40011,40014,00017,70019,10021,70024,70026,60027,70032,20027,300서대전8,1008,1008,30010,00012,70015,90018,10019,70024,30019,300계룡8,1008,1008,10010,70014,00016,10017,70022,50017,400논산8,1008,1008,10011,40013,50015,10020,20014,800익산8,1008,1008,1009,80011,40016,50011,100김제8,1008,1008,1009,70014,8009,300정읍8,1008,1008,10012,1008,100장성8,1008,1008,9008,100광주송정8,1008,100-나주8,100-목포-광주경부선 (단위:원)행신8,1008,10014,10022,80039,70044,20047,80049,100서울8,10012,70021,40038,40043,00046,60047,900광명10,50019,20036,50041,00044,60046,000천안아산8,70025,60029,40032,90034,200대전16,90022,10025,30026,700동대구8,1009,30010,800밀양8,1008,100구포8,100부산 *** [ { " index " : { " _index " : " test_context " , " _type " : " search " } }, { " ES_UPLOADED " : " JSON_FORMAT " , "CONTENT": "KTX 노선도ﺎĀ Ā※ KTX 소요 시간과 운임은 철도청의 사정에 따라 변동할 수 있습니다.Ā서울용산광명Ā천안아산대전서대전동대구익산논산김제밀양정읍구포장성광주부산광주송정나주목포ĀྠĀ 경부선 ྠĀ 호남선ĀĀKTX 소요시간호남선 (서울~천안아산 경부선과 동일)서울서대전논산익산김제정읍장성광주광주송정나주목포시:분6:226:517:15-7:38--8:06-8:38경부선서울용산광명천안아산대전동대구밀양구포부산시:분5:305:456:246:307:187:498:148:27KTX 운임안내최저운임8,100원 (월~목 요금제 기준)호남선 (단위:원)행신8,1008,10015,10024,50026,40028,80031,20032,80035,00037,10039,00040,40044,80040,000용산8,10013,30022,70024,70027,20029,60031,20033,40036,30037,50038,90043,30038,400광명11,30020,70022,60025,10028,60029,40031,60034,50036,40037,10041,50036,700천안아산9,40011,40014,00017,70019,10021,70024,70026,60027,70032,20027,300서대전8,1008,1008,30010,00012,70015,90018,10019,70024,30019,300계룡8,1008,1008,10010,70014,00016,10017,70022,50017,400논산8,1008,1008,10011,40013,50015,10020,20014,800익산8,1008,1008,1009,80011,40016,50011,100김제8,1008,1008,1009,70014,8009,300정읍8,1008,1008,10012,1008,100장성8,1008,1008,9008,100광주송정8,1008,100-나주8,100-목포-광주경부선 (단위:원)행신8,1008,10014,10022,80039,70044,20047,80049,100서울8,10012,70021,40038,40043,00046,60047,900광명10,50019,20036,50041,00044,60046,000천안아산8,70025,60029,40032,90034,200대전16,90022,10025,30026,700동대구8,1009,30010,800밀양8,1008,100구포8,100부산" } ]
  • REST API URL: http://localhost:7001/docs

ข้อความ alt

pytest

  • ไปที่ Virtual enviroment โดยใช้ source .venv/bin/activate
  • เรียกใช้คำสั่งนี้ด้วยตนเอง: poetry run py.test -v --junitxml=test-reports/junit/pytest.xml --cov-report html --cov tests/ หรือ ./pytest.sh
$ ./pytest.sh tests t est_api.py::test_skip SKIPPED (no way of currently testing this) [ 50%] tests t est_api.py::test_api PASSED [100%] ---------- coverage: platform win32, python 3.11.7-final-0 ----------- Name Stmts Miss Cover Missing ---------------------------------------------------------------- config c onfig.py 8 4 50% 16-20, 33 config l og_config.py 32 1 97% 42 controller _ _init__.py 0 0 100% controller c luster_controller.py 14 0 100% injector.py 25 0 100% main.py 23 9 61% 38-57, 69 service _ _init__.py 0 0 100% service e s_search_handler.py 139 103 26% 32-88, 131-132, 139-155, 160-173, 178-191, 196-213, 219-254, 259-271, 276-287, 292-304, 309-315 service e s_util.py 21 16 24% 5-11, 16-19, 24-35, 40-41 service q uery_builder.py 42 27 36% 21-40, 48-51, 64-83, 89-98, 102-137 service s tatus_handler.py 13 2 85% 12, 19 tests _ _init__.py 0 0 100% tests c onftest.py 8 0 100% tests t est_api.py 9 1 89% 7 ---------------------------------------------------------------- TOTAL 334 163 51% $
สภาพแวดล้อม 
$ ./pytest.sh tests t est_api.py::test_skip SKIPPED (no way of currently testing this) [ 50%] tests t est_api.py::test_api PASSED [100%] ---------- coverage: platform win32, python 3.11.7-final-0 ----------- Name Stmts Miss Cover Missing ---------------------------------------------------------------- config c onfig.py 8 4 50% 16-20, 33 config l og_config.py 32 1 97% 42 controller _ _init__.py 0 0 100% controller c luster_controller.py 14 0 100% injector.py 25 0 100% main.py 23 9 61% 38-57, 69 service _ _init__.py 0 0 100% service e s_search_handler.py 139 103 26% 32-88, 131-132, 139-155, 160-173, 178-191, 196-213, 219-254, 259-271, 276-287, 292-304, 309-315 service e s_util.py 21 16 24% 5-11, 16-19, 24-35, 40-41 service q uery_builder.py 42 27 36% 21-40, 48-51, 64-83, 89-98, 102-137 service s tatus_handler.py 13 2 85% 12, 19 tests _ _init__.py 0 0 100% tests c onftest.py 8 0 100% tests t est_api.py 9 1 89% 7 ---------------------------------------------------------------- TOTAL 334 163 51% $

ci/cd

  • circleci ( ./circleci/config.yml ): Circleci เป็นการรวมอย่างต่อเนื่องและแพลตฟอร์มการจัดส่งอย่างต่อเนื่องที่ช่วยให้ทีมซอฟต์แวร์ทำงานได้เร็วขึ้น ด้วย Circleci ทุกการกระทำจะเริ่มงานใหม่ในแพลตฟอร์มของเราและรหัสถูกสร้างทดสอบและปรับใช้
  • การกระทำของ GitHub ( ./.github/workflows/build-and-test.yml ): การกระทำของ GitHub เป็นการรวมอย่างต่อเนื่องและแพลตฟอร์มการส่งมอบอย่างต่อเนื่อง (CI/CD) ที่ช่วยให้คุณสามารถสร้างงานสร้างทดสอบและการปรับใช้โดยอัตโนมัติ คุณสามารถสร้างเวิร์กโฟลว์ที่สร้างและทดสอบคำขอดึงทุกครั้งไปยังที่เก็บข้อมูลของคุณหรือปรับใช้คำขอดึงแบบรวมเพื่อการผลิต

ลงทะเบียนบริการ

  • sudo service vector_interface_api สถานะ/stop/start/retart
# -- /etc/systemd/system/vector_interface_api.service [Unit] Description=Swagger ES Service [Service] User=devuser Group=devuser Type=simple ExecStart=/bin/bash /home/devuser/Git_Repo/service-start.sh ExecStop= /usr/bin/killall vector_interface_api [Install] WantedBy=default.target # Service command sudo systemctl daemon-reload sudo systemctl start vector_interface_api.service sudo systemctl status vector_interface_api.service sudo systemctl stop vector_interface_api.service sudo service vector_interface_api status/stop/start
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด