Automazione in Python: guida completa

Questo articolo offre una guida completa all’uso di Python per l’automazione. Trattiamo i concetti essenziali, le librerie chiave, i casi d’uso reali e le best practice per aiutarti a progettare e costruire soluzioni di automazione efficaci. Se sei nel pieno del tuo percorso di apprendimento di Python, dai un’occhiata alla nostra skill track Python Programming Fundamentals per accelerare i tuoi studi. 

Che cos’è l’automazione in Python? 

Python è un linguaggio molto popolare, e a ragione. La sua sintassi è pulita, facile da imparare e semplice da capire. Offre un ampio supporto di librerie per una vasta gamma di applicazioni. 

Esistono strumenti per i file system come os, shutil e pathlib. Per la gestione dei dati abbiamo pandas e openpyxl. schedule, time e threading possono aiutarti nella pianificazione dei task.

Automatizzare attività manuali e noiose è un ottimo caso d’uso per Python. Perché preparare quel report e inviare email ogni mese a mano? Scrivi uno script Python che lo faccia per te.

Fondamenti dell’automazione in Python

Python è una scelta interessante per l’automazione. La sua semplicità e l’ampio ecosistema di librerie lo rendono accessibile anche ai non sviluppatori.

Per ripassare le basi di Python, esplora queste risorse DataCamp.

• Corso Python Programming Toolbox
• Cheat sheet: Python per principianti

Vantaggi

Offre diversi vantaggi chiave per l’automazione. La bassa barriera d’ingresso consente di svolgere compiti complessi con poche righe di codice. Sviluppo rapido, debug semplificato e scalabilità lo rendono adatto a workflow di automazione avanzati, incluse integrazioni cloud, API e microservizi.

Casi d’uso comuni

Un’attività frequentemente automatizzata è la manipolazione dei file. Gli script rinominano, spostano o organizzano i file in base a convenzioni di denominazione, tipi di file o timestamp. L’automazione viene spesso usata per scaricare, pulire, elaborare e salvare dati dal web per un uso successivo. 

Un’altra applicazione abituale è generare report di riepilogo e distribuirli via email. Gli script aggiornano fogli di calcolo inserendo nuovi dati, calcolando formule, applicando formattazioni o generando grafici e visualizzazioni. Un altro caso d’uso comune è l’interazione con app web, inclusi recupero dati, invio di form e integrazione di servizi.

Vediamo un esempio. Lo script qui sotto usa os e shutil per automatizzare l’organizzazione dei file PDF, illustrando uno scenario chiaro e comune di gestione dei file.

import os
import shutil

source_folder = 'Downloads'
destination_folder = 'Documents/PDFs'

# Move all PDF files from Downloads to PDFs folder
for filename in os.listdir(source_folder):
    if filename.endswith('.pdf'):
        shutil.move(
            os.path.join(source_folder, filename),
            os.path.join(destination_folder, filename)
        )

Concetti chiave dell’automazione in Python

Ci sono diverse basi da conoscere quando si parla di automazione in Python: 

Linguaggio interpretato

Come esegue Python gli script? Python è un linguaggio interpretato. Ciò significa che esegue il codice una riga alla volta durante il runtime. Non compila l’intero programma in codice macchina in anticipo. 

Questa caratteristica consente test e sviluppo rapidi, senza necessità di compilazione. Il rovescio della medaglia è che l’esecuzione può essere più lenta rispetto ai linguaggi compilati. 

Gli script hanno in genere estensione .py e vengono eseguiti da riga di comando con un comando come python my_script.py. Per maggiori informazioni sull’esecuzione di script Python, consulta il nostro tutorial How to Run Python Scripts.

Gli script possono essere pianificati per l’esecuzione automatica usando gli scheduler di sistema come Task Scheduler su Windows o cron su Linux e macOS. Librerie Python come schedule o APScheduler permettono il controllo programmatico.

Modello input-process-output

Gli script di automazione seguono un semplice modello input-process-output. Questo schema è comune nei workflow di programmazione. Nella fase di input, lo script raccoglie dati da più fonti: file locali, database, API web e input dell’utente. 

Durante l’elaborazione, lo script trasforma, filtra e analizza i dati. Nella fase di output, fornisce i risultati in vari modi: può scrivere su file, inviare un’email, pubblicare i risultati su un’API o salvarli in un database. Questo flusso rende gli script di automazione prevedibili e riutilizzabili, oltre che facili da integrare in sistemi più ampi.

Pianificazione con Python

Python fornisce librerie come schedule e APScheduler per automatizzare la pianificazione dei task:

Scegli schedule per task semplici e ricorrenti e APScheduler per esigenze avanzate e di produzione.

Vediamo un esempio di pianificazione dei task con schedule per illustrare come uno script esegue ripetutamente un’attività di reporting a intervalli regolari.

import schedule
import time

def job():
    print("Generating monthly report...")

# Schedule the job every month
schedule.every(30).days.at("08:00").do(job)

while True:
    schedule.run_pending()
    time.sleep(60)

Gestione degli errori

Python include il supporto integrato alla gestione degli errori tramite blocchi try/except. Questo meccanismo consente agli script di prevedere e gestire gli errori senza andare in crash. Lo script intercetta eccezioni specifiche per registrare i problemi da rivedere in seguito. Inoltre, fornisce messaggi di errore e recupera in modo ordinato per continuare a funzionare.

Librerie Python core per l’automazione

Esistono librerie Python di base per l’automazione GUI, l’automazione web e l’elaborazione dei dati.

Automazione GUI con pyautogui

La libreria pyautogui aiuta ad automatizzare i task della GUI. Lo fa imitando le azioni umane come muovere il mouse, fare clic, digitare e individuare elementi sullo schermo. È ideale per attività di automazione visiva leggere in cui l’interfaccia resta consistente. Non è adatta a interfacce dinamiche o complesse perché si basa solo sui pixel e non ha consapevolezza del contesto.

PyAutoGUI supporta un’ampia gamma di scenari di automazione desktop. Può svolgere task ripetitivi sul tuo computer. Simula clic, pressioni di tasti e navigazione in app come Excel. Gli sviluppatori la usano spesso per convalidare la funzionalità delle interfacce desktop imitando il comportamento dell’utente. Nel gaming, può automatizzare semplici azioni in-game tramite macro. Tuttavia, occorre cautela: molti giochi non consentono l’automazione e possono sanzionare gli account che la utilizzano.

Automazione web: Selenium e Playwright

Selenium è uno strumento ampiamente utilizzato per automatizzare i browser web, noto per la sua maturità, l’esteso supporto della community e la compatibilità tra browser e linguaggi. Si integra bene con framework di test consolidati come JUnit, TestNG e NUnit, rendendolo ideale per sistemi legacy e ambienti enterprise complessi. Tuttavia, gli script Selenium spesso richiedono attese esplicite e configurazioni aggiuntive, con un conseguente maggiore onere di manutenzione, soprattutto con applicazioni dinamiche e ricche di JavaScript.

Playwright, invece, è una libreria di automazione moderna che offre attese automatiche, gestione nativa delle schede multiple e API unificate tra i principali browser (incluso WebKit). Eccelle nel testare framework front-end dinamici come React, Vue e Angular, risultando molto adatto a test end-to-end rapidi e affidabili nelle pipeline CI/CD.

Per maggiori informazioni sul testing in Python, consulta questo corso Introduction to Testing in Python. Per i dettagli sul unit testing, vedi il tutorial Unit Testing in Python. 

Elaborazione dati con pandas e openpyxl

Le librerie Python pandas e openpyxl sono strumenti potenti per la automazione dei fogli di calcolo.

pandas eccelle nella manipolazione di dati strutturati. Può leggere e scrivere dati CSV, Excel o SQL; pulire e trasformare dataset; aggregare statistiche; e unire dataset. Casi d’uso comuni includono la creazione automatizzata di report Excel o CSV, la pulizia di grandi dataset e la preparazione di dati per dashboard o archiviazione.

openpyxl gestisce specificamente i file Excel (.xlsx). Può leggere, scrivere e formattare fogli di calcolo, applicare formattazione condizionale, inserire formule e aggiungere grafici. Gli utilizzi tipici includono l’automazione della generazione di report e l’aggiornamento di template di fogli di calcolo.

Un workflow comune combina pandas per l’analisi dei dati e openpyxl per la presentazione. Per dataset di grandi dimensioni, pandas è in genere più veloce. Nota anche che openpyxl supporta solo Excel 2007+ (.xlsx) e non valuta le formule: è Excel a gestirle all’apertura.

L’esempio seguente mostra come usare pandas per automatizzare un’attività di reporting di routine. Legge i dati di vendita da un file CSV, rimuove i duplicati, compila i valori mancanti e quindi esporta i dati puliti direttamente in un foglio Excel pronto per la distribuzione o l’analisi.

import pandas as pd

# Load data from a CSV file
df = pd.read_csv('monthly_sales.csv')

# Data cleaning: remove duplicates and handle missing values
df_cleaned = df.drop_duplicates().fillna(0)

# Save the cleaned dataset as an Excel report
df_cleaned.to_excel('cleaned_sales_report.xlsx', index=False)

Questo workflow può essere facilmente pianificato (ad es. con cron) ed esteso ulteriormente, per esempio integrandolo con l’automazione email per inviare automaticamente i report mensili.

Applicazioni pratiche dell’automazione in Python

Python è ampiamente usato per automatizzare attività reali, dallo scraping web all’automazione delle email e oltre.

Web scraping

Un’applicazione molto diffusa è il web scraping. Quando è disponibile un accesso ufficiale e strutturato, le API sono probabilmente l’opzione migliore. In caso contrario, una libreria come Beautiful Soup o Scrapy può essere usata per estrarre dati direttamente dall’HTML.

Beautiful Soup è ideale per estrarre dati da siti con HTML semplice e stabile. È relativamente facile da imparare e usare. Tuttavia, richiede una comprensione dettagliata della struttura della pagina. Se il layout del sito cambia, il codice dello scraper può rompersi facilmente.

Scrapy è adatto a casi più complessi. Il supporto per l’esecuzione asincrona lo rende sufficientemente rapido ed efficiente per esplorare siti ampi con molte pagine. L’output può essere esportato in JSON, CSV o database. 

Ecco un semplice esempio che illustra l’estrazione di contenuti strutturati da una pagina web semplice usando Beautiful Soup e requests:

import requests
from bs4 import BeautifulSoup

# Fetch the webpage
response = requests.get('https://example.com')
soup = BeautifulSoup(response.text, 'html.parser')

# Extract all headlines
headlines = soup.find_all('h2')

for headline in headlines:
    print(headline.text.strip())

Per saperne di più su Python e il web scraping, consulta queste risorse.

• Corso Web Scraping in Python
• Tutorial Web Scraping using Python (and Beautiful Soup)
• Tutorial Web Scraping & NLP in Python
• Tutorial How to Use Python to Scrape Amazon 

Automazione email

Il modulo integrato di Python smtplib consente agli script di inviare email in modo programmatico tramite SMTP. È comunemente usato per automatizzare la comunicazione all’interno di workflow più ampi.

Casi d’uso tipici includono l’invio di report pianificati, la consegna di avvisi di errore o di sistema da job automatizzati, la notifica ad admin o utenti di eventi o aggiornamenti e l’allegare file di output.

Ecco uno script di esempio per inviare un’email con un file allegato.

import smtplib
from email.message import EmailMessage

# Connect to email provider's SMTP server
# e.g., gmail uses smtp.gmail.com on port 587
server = smtplib.SMTP("smtp.gmail.com", 587)
server.starttls()
server.login("your_email@gmail.com", "your_app_password")

# Compose email
msg = EmailMessage()
msg["Subject"] = "Automation Alert"
msg["From"] = "your_email@gmail.com"
msg["To"] = "recipient@example.com"
msg.set_content("This is an automated message.")
# Attach files
with open("report.pdf", "rb") as f:
    msg.add_attachment(f.read(), maintype="application", subtype="pdf", filename="report.pdf")

# Send the email
server.send_message(msg)
server.quit()

Architetture di automazione avanzate

Python offre strumenti potenti per gestire la pianificazione e il coordinamento dei task automatizzati. Librerie come APScheduler e piattaforme come Apache Airflow forniscono soluzioni flessibili, robuste e scalabili.

APScheduler

Advanced Python Scheduler (APScheduler) è una libreria pronta per la produzione che offre opzioni avanzate di pianificazione. È ideale per automatizzare workflow ricorrenti.

APScheduler consente di eseguire i task a orari e date specifici, a intervalli fissi o con espressioni in stile cron (ogni lunedì alle 8 del mattino).

Supporta l’archiviazione persistente dei job tramite database, così i dati persistono tra i riavvii. Diversi tipi di scheduler coprono vari casi d’uso: BackgroundScheduler per task non bloccanti, AsyncIOScheduler per applicazioni asyncio e BlockingScheduler per script da riga di comando. L’esecuzione dei job e gli errori possono essere registrati per debug o monitoraggio successivi.

Casi d’uso comuni includono generazione di report, invio di email pianificate, esecuzione di health check, job ETL e manutenzione del database.

Apache Airflow

Apache Airflow è una piattaforma open source di livello enterprise che automatizza, pianifica, gestisce e monitora i workflow. È un sistema robusto, trasparente e ripetibile che le organizzazioni utilizzano comunemente per orchestrare ETL, ML, data engineering e generazione di report. 

Per usare Apache Airflow, scrivi un workflow in Python per definire i task e l’ordine di esecuzione, e imposta la pianificazione su quando deve partire. Airflow esegue ogni task al momento giusto, monitora il workflow e invia avvisi se qualcosa va storto. La sua dashboard web consente di monitorare i workflow e consultare i log.

Tendenze emergenti nell’automazione in Python

Python ha un ruolo centrale nelle novità dell’automazione. Tendenze come il decision-making guidato dall’AI e il cloud serverless estendono le capacità dell’automazione.

Il machine learning (ML) permette ai sistemi di automazione di prendere decisioni intelligenti e data-driven. Questa integrazione offre maggiore flessibilità e adattabilità rispetto alla logica tradizionale basata su regole.

L’ML analizza dati storici per prevedere eventi. Questi eventi attivano capacità di automazione. Per esempio, un sistema può prevedere guasti alle attrezzature e pianificare la manutenzione prima che insorgano problemi. L’ML può anche consigliare risposte: per esempio, un sistema di rilevazione frodi può segnalare transazioni sospette con carta di credito in base ai comportamenti rilevati nei dati, non solo a soglie. I LLM generano bozze di report a partire dai dati, riducendo lo sforzo manuale e accelerando la creazione di contenuti.

Per approfondire AI e automazione, consulta quanto segue.

• Skill track Developing AI Applications
• Tutorial Building LangChain Agents to Automate Tasks in Python
• Tutorial DeepChecks: Automating Machine Learning Testing 

Automazione cloud-native

Con il computing serverless, i provider cloud gestiscono l’infrastruttura, consentendo agli sviluppatori di concentrarsi sulla logica e sui workflow di automazione. 

Il termine "serverless" si riferisce al fatto che gli sviluppatori non devono gestire o fornire server; ovviamente non significa che i server non esistano. Servizi come AWS Lambda, Google Cloud Functions e Azure Functions consentono di eseguire script Python in risposta a eventi. 

Questo approccio offre diversi vantaggi. Elimina la responsabilità dell’utente per macchine virtuali o container. Le funzioni serverless scalano automaticamente con la domanda, allocando più risorse durante i picchi di traffico, come nelle vendite online. Il modello è conveniente, poiché paghi solo per il tempo di calcolo effettivamente utilizzato.

Best practice per un’automazione affidabile

Ecco alcuni suggerimenti utili quando automatizzi processi in Python: 

Tecniche di gestione degli errori

Una gestione efficace degli errori consente agli script di automazione di recuperare con grazia. Segui queste best practice per gestire le eccezioni.

• Usa blocchi try/except specifici. Intercetta solo le eccezioni previste, non tutti gli errori in generale. Ad esempio, scrivi un blocco specifico per gestire la divisione per zero invece di un catcher generico.
• Usa finally. Un blocco finally assicura le operazioni di cleanup. Le variabili possono essere reimpostate, le risorse rilasciate.
• Registra gli errori. Gli errori dovrebbero essere registrati per il monitoraggio futuro, non solo stampati.
• Comportamenti di default. Per i fallimenti non critici, prevedi valori di default o fallback sensati.
• Fail fast e chiaro. Se il fallimento è irrimediabile, solleva un’eccezione o esci subito con un messaggio chiaro.

Gestione della configurazione

Usare variabili d’ambiente è una best practice perché separa la configurazione dal codice. Per migliorare la sicurezza, tieni fuori dal codice sorgente i dati sensibili come password, credenziali del database e chiavi API, soprattutto quando usi il controllo versione. 

Le variabili d’ambiente permettono a ambienti diversi, come sviluppo, staging e produzione, di usare la stessa base di codice con impostazioni differenti. Questo approccio semplifica il deployment in ambienti cloud e rende la manutenzione più facile perché i cambiamenti di configurazione non richiedono modifiche al codice stesso.

Ottimizzazione delle prestazioni

Ottimizzare gli script di automazione garantisce programmi più veloci, con minori risorse e più scalabili. Questo è particolarmente importante con grandi dataset, processi sensibili al tempo o task eseguiti frequentemente.

Alcune strategie chiave per l’ottimizzazione delle prestazioni:

• Riduci il lavoro ridondante. Evita di ricalcolare valori o interrogare gli stessi dati più volte. Usa memoization o memorizza risultati intermedi quando opportuno.
• Usa librerie efficienti. Scegli librerie leggere e mirate che minimizzino l’overhead. Per esempio, usa pandas invece di cicli manuali.
• Usa strutture dati efficienti. Allo stesso modo, usa strutture dati che riducono l’overhead. Ad esempio, usa set o dict invece delle liste per ricerche più veloci.
• Metti in cache i risultati. Metti in cache i risultati di operazioni costose o frequenti usando store in memoria o cache esterne.
• Batch. Raggruppa in batch le operazioni, come scritture su file o inserimenti su database, per ridurre l’overhead.
• Esecuzione parallela/concorrenziale. Usa threading o multiprocessing per task parallelizzabili, come l’elaborazione di file o la trasformazione di dataset.
• Profila e benchmarka il codice. Usa strumenti come cProfile, line_profiler o timeit per individuare i colli di bottiglia e le sezioni da ottimizzare.

Conclusione

Python è un linguaggio potente e versatile per l’automazione. Che si tratti di automatizzare attività semplici come rinominare file o di costruire workflow complessi con strumenti come Airflow, Python fornisce gli strumenti necessari per un’automazione affidabile. Seguendo i suggerimenti di questa guida, potrai automatizzare i compiti ripetitivi. Se stai ancora imparando Python, assicurati di consultare la nostra skill track Python Programming Fundamentals per accelerare l’apprendimento.