Configuración de GitHub Actions para CI/CD con Python

Curso de Python Avanzado para Arquitectura de Proyectos y PyPI

Contenido del curso

Calidad de Código: Automatización y Validación

Rendimiento medición de velocidad y memoria

Programación concurrente con asyncio

Distribución y empaquetamiento

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:0010:55

Configuración de GitHub Actions para CI/CD con Python

Curso de Python Avanzado para Arquitectura de Proyectos y PyPI

Clase 8 de 17

Clase 8 / 17

Recursos

Automatiza la calidad de tu código con GitHub Actions: configura Continuous Integration y Continuous Deployment para ejecutar ruff, mypy y pytest en cada push y pull request. Así detectas errores de estilo, tipado y pruebas antes de llegar a producción y evitas diferencias entre entornos.

¿Cómo configurar GitHub Actions para CI/CD en Python con ruff, mypy y pytest?

La integración continua ejecuta pruebas y validaciones automáticamente al integrar cambios con frecuencia. La entrega continua va más allá automatizando el despliegue. Con Actions, puedes crear un workflow que corra en cada push y en cada pull request hacia ramas clave.

Problema común: funciona local, falla en otro entorno por configuraciones o dependencias distintas.
Solución: automatizar validaciones de estilo con ruff, tipado estático con mypy y pruebas unitarias con pytest.
Beneficio: calidad consistente y detección temprana de errores.

¿Qué eventos disparan el workflow y cómo ahorrar minutos?

Define cuándo corre la Action con la llave on. Se recomienda limitar a ramas críticas para optimizar minutos.

Ejecutar en push solo en branches main y develop.
Ejecutar en pull request únicamente hacia main.
Repos públicos: gratis. Repos privados: 2000 minutos gratis; adminístralos y evita validar ramas WIP.

Ejemplo de disparadores y estructura mínima:

ame: Code style

on:
  push:
    branches: [main, develop]
  pull_request:
    branches: [main]

jobs:
  python:
    runs-on: ubuntu-latest
    steps:
      - name: Checkout
        uses: actions/checkout@v4
      # - name: Instalar UV
      #   run: <comando de instalación de UV>
      - name: ruff check
        run: V run ruff check
      - name: ruff format
        run: V run ruff format
      - name: mypy
        run: V run mypy src
      - name: pytest
        run: V run pytest -n auto

¿Qué pasos y comandos ejecuta el pipeline?

En el job se usa Ubuntu automáticamente. Los pasos típicos incluyen:

Checkout del repositorio.
Instalar UV para ejecutar comandos de Python.
ruff check: valida reglas de estilo y errores como E501 (línea muy larga).
ruff format: formatea el código automáticamente.
mypy src: analiza tipos solo en la carpeta src.
pytest -n auto: ejecuta pruebas aprovechando múltiples núcleos.

¿Cómo corregir fallos de estilo y tipado en la pipeline?

Si falla ruff por E501 (línea muy larga), corrige el archivo y valida con un flujo de git ordenado.

git pull para traer cambios recientes.
Crear rama: git switch -c fixed-pep8.
Editar el archivo, por ejemplo quitando el comentario que rompe PEP8.
git add y git commit (pasa validaciones de pre-commit).
git push y abrir el pull request.
Verifica en la pestaña Actions que los checks corren en el PR.

Cuando ruff y mypy pasen, puede fallar pytest si faltan variables de entorno como un API key. Los tests no deben usar claves reales; solo comprobar que existen.

¿Cómo inyectar variables de entorno seguras en pytest?

Agrega env en el paso de pytest con valores falsos, suficientes para que los tests encuentren las variables.

- name: pytest
  env:
    # define las variables usadas en tu .env con valores NO reales
    API_KEY: "this is not a API key"
    # API_SECRET: "this is not a API key"
    # PROJECT_ID: "dummy"
  run: V run pytest -n auto

Haz commit y push de la actualización del workflow.
Revisa el PR: ruff, mypy y pytest deben pasar en segundos.

¿Qué buenas prácticas fortalecen tu CI/CD con GitHub Actions?

Adopta hábitos que mantengan tu flujo estable y rápido.

Crear el workflow desde la pestaña Actions y partir de ejemplos oficiales de las librerías.
Usar actions reusables desde la documentación de cada herramienta para mayor flexibilidad.
Considerar la funcionalidad de cache disponible en la action de ruff para mejorar tiempos.
Nombrar el workflow (por ejemplo, Code style) para identificar los checks fácilmente.
Limitar on a main y develop, y pull requests hacia main, para cuidar minutos.
Ejecutar pytest con -n auto para paralelizar pruebas.
Mantener variables sensibles fuera del repo; usar valores dummy en env del workflow.

¿Te gustaría que revisemos tu YAML de Actions o que integremos otra herramienta de calidad? Comenta tus dudas y ajustes deseados.

Resumen

¿Cómo configurar GitHub Actions para CI/CD en Python con ruff, mypy y pytest?

Problema común: funciona local, falla en otro entorno por configuraciones o dependencias distintas.
Solución: automatizar validaciones de estilo con ruff, tipado estático con mypy y pruebas unitarias con pytest.
Beneficio: calidad consistente y detección temprana de errores.

¿Qué eventos disparan el workflow y cómo ahorrar minutos?

Define cuándo corre la Action con la llave on. Se recomienda limitar a ramas críticas para optimizar minutos.

Ejecutar en push solo en branches main y develop.
Ejecutar en pull request únicamente hacia main.
Repos públicos: gratis. Repos privados: 2000 minutos gratis; adminístralos y evita validar ramas WIP.

Ejemplo de disparadores y estructura mínima:

ame: Code style

on:
  push:
    branches: [main, develop]
  pull_request:
    branches: [main]

jobs:
  python:
    runs-on: ubuntu-latest
    steps:
      - name: Checkout
        uses: actions/checkout@v4
      # - name: Instalar UV
      #   run: <comando de instalación de UV>
      - name: ruff check
        run: V run ruff check
      - name: ruff format
        run: V run ruff format
      - name: mypy
        run: V run mypy src
      - name: pytest
        run: V run pytest -n auto

¿Qué pasos y comandos ejecuta el pipeline?

En el job se usa Ubuntu automáticamente. Los pasos típicos incluyen:

Checkout del repositorio.
Instalar UV para ejecutar comandos de Python.
ruff check: valida reglas de estilo y errores como E501 (línea muy larga).
ruff format: formatea el código automáticamente.
mypy src: analiza tipos solo en la carpeta src.
pytest -n auto: ejecuta pruebas aprovechando múltiples núcleos.

¿Cómo corregir fallos de estilo y tipado en la pipeline?

Si falla ruff por E501 (línea muy larga), corrige el archivo y valida con un flujo de git ordenado.

git pull para traer cambios recientes.
Crear rama: git switch -c fixed-pep8.
Editar el archivo, por ejemplo quitando el comentario que rompe PEP8.
git add y git commit (pasa validaciones de pre-commit).
git push y abrir el pull request.
Verifica en la pestaña Actions que los checks corren en el PR.

Cuando ruff y mypy pasen, puede fallar pytest si faltan variables de entorno como un API key. Los tests no deben usar claves reales; solo comprobar que existen.

¿Cómo inyectar variables de entorno seguras en pytest?

Agrega env en el paso de pytest con valores falsos, suficientes para que los tests encuentren las variables.

- name: pytest
  env:
    # define las variables usadas en tu .env con valores NO reales
    API_KEY: "this is not a API key"
    # API_SECRET: "this is not a API key"
    # PROJECT_ID: "dummy"
  run: V run pytest -n auto

Haz commit y push de la actualización del workflow.
Revisa el PR: ruff, mypy y pytest deben pasar en segundos.

¿Qué buenas prácticas fortalecen tu CI/CD con GitHub Actions?

Adopta hábitos que mantengan tu flujo estable y rápido.

Crear el workflow desde la pestaña Actions y partir de ejemplos oficiales de las librerías.
Usar actions reusables desde la documentación de cada herramienta para mayor flexibilidad.
Considerar la funcionalidad de cache disponible en la action de ruff para mejorar tiempos.
Nombrar el workflow (por ejemplo, Code style) para identificar los checks fácilmente.
Limitar on a main y develop, y pull requests hacia main, para cuidar minutos.
Ejecutar pytest con -n auto para paralelizar pruebas.
Mantener variables sensibles fuera del repo; usar valores dummy en env del workflow.

¿Te gustaría que revisemos tu YAML de Actions o que integremos otra herramienta de calidad? Comenta tus dudas y ajustes deseados.

Gabriel Obregón

Hace un año

🎨CI/CD con GitHub Actions (Python)

🟦 1. ¿Para qué sirve este CI/CD?

✔ Automatiza calidad del código

✔ Revisa estilo (ruff), tipado (mypy) y pruebas (pytest)

✔ Evita errores entre entornos

✔ Detecta fallos antes de producir

🟧 2. Problema típico sin CI/CD

🔻 “En mi máquina funciona, en el servidor no…” Causas frecuentes:

· Configuraciones distintas

· Dependencias no declaradas

· Variables de entorno ausentes

🔹 Solución: validar TODO automáticamente en cada push o PR.

🟩 3. ¿Cuándo debe ejecutarse el workflow?

⚙️ Disparadores recomendados

· ▶ push → main, develop

· ▶ pull_request → solo hacia main

· 🚫 Evitar ramas WIP para no gastar minutos

📌 Nota sobre minutos

· Repos públicos → ilimitado

· Repos privados → 2000 min/mes

🟪 4. Estructura del workflow (visión gráfica)

🔻 Disparadores (on):

· push → main, develop

· pull_request → main

🔻 Pasos principales:

1. 🔄 Checkout del repositorio

2. ⚡ (Opcional) Instalar UV

3. 🎨 ruff check

4. 🧹 ruff format

5. 🧠 mypy (carpeta src)

6. 🧪 pytest (con paralelización automática)

🟥 5. Qué hace cada herramienta (vista rápida)

🖌 ruff check

· Detecta errores de estilo

· Encuentra problemas comunes

✨ ruff format

· Reescribe el código según las reglas

🔎 mypy

· Analiza el tipado estático

· Identifica incoherencias en tipos

⚡ pytest -n auto

· Corre tests en paralelo

· Reduce tiempos del pipeline

🟫 6. ¿Falló algo? Cómo corregirlo

🔹 Si falla ruff:

· Traer últimos cambios

· Crear rama de fix

· Editar archivo

· Commit + push

· Abrir PR

· Verificar checks en Actions

🔹 Si falla pytest por variables de entorno:

· No usar claves reales

· Inyecta valores ficticios directamente en el workflow

🟨 7. Variables de entorno seguras para pytest

Inclúyelas dentro del paso pytest:

env:

API_KEY: "this is not a API key"

API_SECRET: "this is not a API key"

PROJECT_ID: "dummy"

👉 Solo necesitan existir, no ser reales.

Calidad de Código: Automatización y Validación

Python That Lasts in Production

Configuración inicial del proyecto Platy News con Python

Ruff: Formatea automáticamente código Python con facilidad

Fixing Real Type Errors With MyPy

Ruff Linter: Catch Python Bugs Before Runtime

Configuración de pre-commit con Ruff y MyPy para validar código

Ejecución paralela de pruebas unitarias con pytest y coverage

Configuración de GitHub Actions para CI/CD con Python

Configuración de logging y Sentry para monitoreo en producción

Rendimiento medición de velocidad y memoria

Medición de rendimiento de código con Timeit en Python

Análisis de rendimiento en Python con cProfile y Snakeviz

Programación concurrente con asyncio

Programación asíncrona en Python con AsyncIO para operaciones I/O

Sintaxis async y await en Python para concurrencia eficiente

How asyncio's Event Loop Schedules Tasks

Migración de Request síncrono a HTTPX asíncrono en Python

Distribución y empaquetamiento

Automate Dev Tasks with Make Targets

Publicación de paquetes Python con UV y TestPyPI

Configuración de GitHub Actions para CI/CD con Python

Progreso del curso

Calidad de Código: Automatización y Validación

Rendimiento medición de velocidad y memoria

Programación concurrente con asyncio

Distribución y empaquetamiento

Recursos

Recursos