ساخت میکروسرویس‌های پایتون مقاوم

در منظره پیچیده سیستم‌های توزیع‌شده، تفاوت بین یک معماری قابل نگهداری و یک کابوس دیباگ، اغلب در قابلیت مشاهده و مدیریت خطا نهفته است. با مقیاس‌پذیری میکروسرویس‌های پایتون، تکیه بر دستورات ساده print و بلوک‌های عمومی try-except غیرممکن می‌شود. برای اطمینان از تاب‌آوری، تیم‌ها باید لاگ‌نویسی ساختاریافته را پیاده‌سازی کرده و سلسله‌مراتب استثناهای سفارشی را تعریف کنند. این رویکرد نه تنها جریان داده را شفاف‌تر می‌کند، بلکه بازیابی خطاها را در سراسر مرزهای سرویس استاندارد می‌سازد.

موردی برای لاگ‌نویسی ساختاریافته

خطوط لاگ سنتی، متن‌های بدون ساختار هستند که جستجو و کوئری گرفتن از آن‌ها در کلان‌مقیاس در تجمیع‌کننده‌های لاگ مانند Elasticsearch یا Datadog را دشوار می‌کند. لاگ‌نویسی ساختاریافته داده‌ها را به صورت اشیاء JSON فرمت می‌کند که به شما اجازه می‌دهد فیلدهای خاصی مانند user_id، request_id یا service_name را بدون تکیه بر تجزیه‌گرهای حساس و شکننده‌ی regex، ایندکس کنید.

برای پایتون، کتابخانه استاندارد صنعتی structlog است که به‌صورت یکپارچه با ماژول استاندارد logging ادغام می‌شود. این کتابخانه به شما امکان می‌دهد به‌طور خودکار زمینه (context) را به هر ورودی لاگ اضافه کنید، که تضمین می‌کند ردپاهای خطا همیشه با نشست کاربری صحیح مرتبط باشند.

import structlog
import logging
from logging.handlers import RotatingFileHandler

# پیکربندی لاگر زیرین کتابخانه استاندارد
handler = RotatingFileHandler("app.log", maxBytes=10_000_000, backupCount=5)
handler.setFormatter(logging.Formatter('%(message)s'))

# راه‌اندازی structlog با فرمت‌بندی JSON
structlog.configure(
    processors=[
        structlog.processors.add_log_level,
        structlog.processors.add_logger_name,
        structlog.processors.JSONRenderer()
    ],
    wrapper_class=structlog.make_filtering_bound_logger(logging.INFO),
    context_class=dict,
    logger_factory=structlog.stdlib.LoggerFactory(),
    cache_logger_on_first_use=True,
)

logger = structlog.get_logger()

def process_order(order_id: str, user_id: str):
    # زمینه به‌طور خودکار به تمام لاگ‌های این تابع پیوسته می‌شود
    logger.info("order_received", order_id=order_id, user_id=user_id)
    # شبیه‌سازی پردازش
    logger.debug("processing_payload", payload_size=len(order_id))

طراحی سلسله‌مراتب استثناهای سفارشی

سیستم‌های توزیع‌شده با حالت‌های شکست منحصر‌به‌فردی روبرو هستند، مانند زمان‌بندی‌های شبکه، مشکلات در دسترس بودن سرویس، یا ورودی‌های نادرست که با خطاهای ساده منطقی متفاوت است. تکیه بر استثناهای داخلی مانند ValueError یا RuntimeError هیچ زمینه معنایی به سرویس فراخوان‌دهنده ارائه نمی‌دهد. یک سلسله‌مراتب سفارشی به شما اجازه می‌دهد خطاها را دسته‌بندی کرده و آن‌ها را به کدهای وضعیت HTTP خاص یا استراتژی‌های تلاش مجدد (retry) نگاشت کنید.

با ایجاد یک کلاس استثنا پایه، می‌توانید درختی از خطاهای خاص ایجاد کنید که دارای متادیتای غنی هستند. این امر برای تلاش مجدد خودکار و مدارشکن‌ها (circuit breakers) حیاتی است.

class MicroserviceException(Exception):
    """استثنا پایه برای تمام خطاهای خاص میکروسرویس."""
    def __init__(self, message: str, error_code: str, context: dict = None):
        super().__init__(message)
        self.error_code = error_code
        self.context = context or {}
        self.timestamp = None

class ServiceUnavailableException(MicroserviceException):
    """زمانی پرتاب می‌شود که وابستگی پایین‌دست در دسترس نباشد."""
    def __init__(self, service_name: str, retry_after: int):
        super().__init__(
            message=f"سرویس {service_name} در دسترس نیست",
            error_code="ERR_SERVICE_UNAVAILABLE",
            context={"service": service_name, "retry_after": retry_after}
        )

class ValidationErrorException(MicroserviceException):
    """زمانی پرتاب می‌شود که داده‌های ورودی اعتبارسنجی منطق کسب‌وکار را رد کنند."""
    def __init__(self, field: str, reason: str):
        super().__init__(
            message=f"اعتبارسنجی برای فیلد {field} شکست خورد",
            error_code="ERR_VALIDATION",
            context={"field": field, "reason": reason}
        )

یکپارچه‌سازی لاگ و استثناها

قدرت واقعی این الگوها زمانی آشکار می‌شود که با هم ترکیب شوند. هنگامی که یک استثنا سفارشی پرتاب می‌شود، می‌تواند توسط میانی‌گر لاگ (middleware) گرفته شده، با زمینه ساختاریافته غنی‌سازی شود و در سطح مناسب (مثلاً ERROR برای شکست‌های منطق کسب‌وکار، WARN برای زمان‌بندی‌های قابل بازیابی) ثبت گردد.

def handle_payment_request(order_id: str):
    try:
        if not order_id:
            raise ValidationErrorException("order_id", "شناسه نمی‌تواند خالی باشد")
        # شبیه‌سازی تماس خارجی
        raise ServiceUnavailableException("payment_gateway", 300)
    except MicroserviceException as e:
        logger.exception(
            "payment_handler_failed",
            error_code=e.error_code,
            error_details=e.context,
            original_exception=e.__class__.__name__
        )
        raise

نتیجه‌گیری

پیاده‌سازی لاگ‌نویسی ساختاریافته و سلسله‌مراتب استثناهای سفارشی، صرفاً یک ترجیح سبک کدنویسی نیست؛ بلکه یک الزام بنیادی برای ساخت میکروسرویس‌های پایتون توزیع‌شده قابل اطمینان است. با اتخاذ این روش‌ها، تیم‌های توسعه زمان میانگین برای حل (MTTR) را در حین حوادث کاهش داده و پایگاه کدی خودمستندسازی می‌کنند که در آن رفتارهای خطا صریح و قابل پیش‌بینی هستند. از امروز شروع به بازآرایی سرویس‌های فعلی خود کنید تا زیرساخت قابلیت مشاهده لازم برای مقیاس‌پذیری آینده را بنا کنید.