【亲测免费】 Nornir自动化框架安装与配置完全指南
Nornir是一款专为网络自动化设计的纯Python框架,它允许开发者直接利用Python语言进行网络设备管理与任务执行。不同于许多依赖特定领域特定语言(DSL)的自动化工具,Nornir让开发者可以在熟悉的Python环境下进行一切控制,显著提升了调试的便捷性。本指南旨在帮助新手从零开始,了解并成功安装配置Nornir框架。
1. 项目基础介绍及编程语言
Nornir是一个强大的多线程自动化框架,专注于简化对网络设备集合的操作。它的设计思路是通过插件机制扩展功能,内置了库存管理系统,能够高效地调度任务至各个设备上。Nornir的核心亮点在于其完全使用Python 3.8或更高版本作为开发语言,这不仅降低了入门门槛,也为自动化脚本带来了无限可能。
2. 关键技术和框架
Nornir利用Python的灵活性构建了一个可插拔架构,支持自定义插件来扩展其功能,比如添加新的连接方法、任务处理等。该框架本身不直接集成复杂的网络协议实现,但通过灵活的插件系统,可以轻松集成SSH、HTTP等协议用于设备交互。此外,Nornir采用多线程技术提高并发执行效率,并依赖于现代Python生态中的包如requests、paramiko(通过插件)等完成远程通信。
3. 安装和配置准备及详细步骤
准备工作:
确保您的计算机已安装Python 3.8或更高版本。可以通过命令行输入python3 --version验证Python版本。
步骤一:安装Nornir
打开终端或命令提示符,使用pip(Python的包管理器)安装Nornir。如果你还没有pip,先安装pip。
pip install pip -U # 确保pip是最新的版本
pip install nornir
步骤二:环境配置(可选)
对于开发环境,推荐使用poetry以更好地管理项目的依赖。首先,安装poetry:
curl -sSL https://raw.githubusercontent.com/python-poetry/poetry/master/get-poetry.py | python -
然后,在项目目录下初始化poetry环境并安装Nornir及相关依赖(如果需要更多插件,可通过poetry add <plugin_name>添加):
cd your_project_directory
poetry init
poetry add nornir
步骤三:配置Nornir的库存(Inventory)
Nornir的库存管理非常灵活,支持多种格式,包括简单的Python文件、YAML或JSON。下面是一个简单的例子,展示如何在Python环境中设置一个基本的库存:
创建一个名为inventory.py的文件:
from nornir import InitNornir
from nornir.core.filter import F
def main():
nr = InitNornir(config_file="config.yml")
filtered_devices = nr.filter(F(groups__contains='ios'))
print(filtered_devices.inventory.hosts)
if __name__ == "__main__":
main()
同时,你需要创建对应的config.yml文件来指定库存配置,例如:
inventory:
plugin: "nornir.plugins.inventory.simple.SimpleInventory"
options:
host_file: "hosts.yaml"
groups_file: "groups.yaml"
以及相应的hosts.yaml和groups.yaml文件来定义具体的设备信息和分组。
步骤四:测试Nornir安装
安装完成后,你可以通过运行一个简单的示例脚本来验证Nornir是否正确安装。例如,下面的脚本检查所有设备的 Reachability:
from nornir import InitNornir
from nornir净tasks import netmiko_send_command
from nornir.core.filter import F
nr = InitNornir(config_file="config.yml")
def ping_host(task):
result = task.run(task=netmiko_send_command, command_string="ping google.com")
task.host["facts"]["ping"] = result.result
filtered_devices = nr.filter(F(groups__contains='ios'))
results = filtered_devices.run(task=ping_host)
for hostname, result in results.items():
print(f"{hostname}: {result['facts']['ping']}")
至此,您已经完成了Nornir的安装与基础配置,可以进一步探索其高级特性和编写自己的自动化脚本了。记得根据实际情况调整配置文件和脚本内容,以适应不同的网络环境和需求。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust023
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00