Как выложить Streamlit-приложение в интернет

Streamlit любят за скорость: дашборд или демо модели собирается за один вечер и сразу открывается на своём ноутбуке по адресу localhost:8501. Проблема начинается на следующем шаге — показать его коллеге, клиенту или преподавателю. Локальный адрес никому не виден, а классический путь в интернет — арендовать сервер, поставить Python, поднять приложение в фоне, прикрутить nginx и выпустить сертификат. На Dockbox эту часть берёт платформа: вы подключаете Git-репозиторий или загружаете архив, сервис собирает Docker-контейнер, ставит зависимости и отдаёт публичную HTTPS-ссылку. Ниже — что поправить в проекте, чтобы дашборд заработал с первого раза.

Streamlit запускается не как обычный веб-сайт

У приложения собственный сервер. Streamlit не работает через WSGI или gunicorn — его поднимает команда streamlit run app.py, внутри которой свой сервер и свой протокол общения с браузером. Поэтому «правильная» команда запуска для платформы — именно она, а не python app.py.

Скрипт выполняется сверху вниз на каждое взаимодействие. Любой виджет, нажатие кнопки или ввод в поле запускает файл заново целиком. Локально это незаметно, а на сервере превращается в главный источник нагрузки на CPU.

Настройки читаются из ~/.streamlit/config.toml. Если вы когда-то фиксировали там порт или адрес, эти значения перекроют всё, что передаст платформа. Такой файл из проекта нужно убрать.

Зависимости: requirements.txt решает всё

Без файла зависимостей сборка не знает, что ставить. Положите requirements.txt рядом с кодом и перечислите в нём всё, что импортирует приложение, включая сам streamlit. Для типичного дашборда:

streamlit==1.40.0
pandas==2.2.3
matplotlib==3.9.2

Фиксируйте версии. pandas и matplotlib — тяжёлые библиотеки, которые регулярно ломают совместимость между минорными релизами. Сборка «по последней версии» однажды даст дашборд с пустыми графиками вместо ошибки в логах.

Не кладите venv в архив. Виртуальное окружение содержит бинарники под вашу операционную систему и на сервере непригодно, а зависимости всё равно ставятся заново по requirements.txt. Папки .venv, __pycache__ и кеш тестов только раздувают загрузку.

Порт берётся из PORT, а слушать надо 0.0.0.0

Не вписывайте 8501 руками. Номер порта выдаёт платформа через переменную окружения PORT. Число, зашитое в код или в конфиг, — главная причина, по которой контейнер собирается без ошибок, а ссылка остаётся пустой. Команда запуска:

streamlit run app.py --server.address=0.0.0.0 --server.port=$PORT --server.headless=true

Адрес 0.0.0.0 обязателен. Приложение, привязанное к 127.0.0.1, доступно только самому себе: снаружи порт открыт, но отвечает пустой страницей или ошибкой соединения.

Флаг headless=true не косметика. Без него Streamlit считает, что запущен на рабочей машине, пытается открыть браузер и ведёт себя непредсказуемо. Локально горячая перезагрузка --server.runOnSave удобна, в продакшене она не нужна.

Память: датафреймы съедают тариф незаметно

Каждая тяжёлая операция держит в памяти копию данных. merge, pivot, groupby и особенно df.copy() удваивают потребление незаметно для вас, но не для контейнера. Датафрейм на 2 GB в памяти означает, что тариф с 2 GB RAM уже закончился.

Кеш по умолчанию растёт бесконечно. Декоратор st.cache_data хранит результат каждого уникального набора аргументов. Без параметров max_entries и ttl кеш постепенно занимает всю доступную память: приложение работает неделю, а на восьмой падает по OOM.

Фигуры matplotlib не освобождаются сами. Каждый построенный график остаётся в памяти до закрытия: явно вызывайте plt.close(fig) и передавайте фигуру через st.pyplot, а не полагайтесь на автоочистку.

Измерить реальный вес данных можно одной строкой — выводьте её в лог:

print(df.memory_usage(deep=True).sum() / 1024 ** 2, "MB")

Откуда приложение берёт данные

CSV рядом с кодом — это снимок. Файл уезжает на сервер вместе с архивом и обновляется только при следующей публикации. Для справочника регионов или разового отчёта это нормально, для живых продаж — нет.

Внешний API прикрывайте кешем. Каждое движение ползунка перезапускает скрипт целиком, а значит, и запрос к источнику. @st.cache_data(ttl=600) спасёт и от лимитов API, и от задержек интерфейса.

Файлы, которые пишет само приложение, живут до обновления кода. Контейнер пересобирается при каждом деплое, и всё, что сохранялось рядом со скриптом, исчезает. Для данных, которым нужно пережить публикацию, подключайте внешнюю базу или раздел постоянного хранения.

База может ехать в том же проекте. Небольшой PostgreSQL поднимается рядом с дашбордом: для аналитики на десятки тысяч строк этого хватает с запасом.

Секреты — только в переменных окружения

Streamlit умеет читать st.secrets, но файл secrets.toml в репозиторий не идёт. Положите его в .gitignore и передавайте значения через переменные окружения проекта — платформа подставит их в контейнер зашифрованными. В коде остаётся чтение:

import os
DB_URL = os.environ["DATABASE_URL"]

Ключ, попавший в Git, считайте утёкшим. История коммитов хранит его навсегда, поэтому скомпрометированный токен нужно не удалять из файла, а отзывать.

Загрузка кода и первая проверка

Подключите репозиторий или загрузите архив — включая приватный репозиторий. Платформа сама увидит requirements.txt, определит Python-проект и соберёт контейнер.

Смотрите логи в реальном времени. Ошибка импорта, отсутствующая переменная или неверный порт видны в логах прямым текстом, а не как белый экран в браузере.

Проверьте служебный адрес. Эндпоинт /_stcore/health у Streamlit отвечает словом ok, когда сервер действительно поднялся: если он молчит, а ссылка открывается, дело в проксировании и адресе прослушивания.

Следите за ресурсами в панели. Потребление RAM растёт от кеша и размеров датафреймов, а не только от числа пользователей.

Сколько это стоит

Dockbox работает на трёх тарифах, цены — в рублях. Starter — 990 ₽/мес, первый месяц бесплатно: 1 vCPU, 2 GB RAM, 20 GB SSD. Pro — 2 490 ₽/мес: 2 vCPU, 4 GB RAM и до 5 проектов. Team — 4 990 ₽/мес. Контейнеры работают постоянно: дашборд не засыпает от простоя и не «просыпается» секунды на первом запросе. Для лёгкого дашборда на одной CSV хватит Starter, а как только в памяти появляются тяжёлые датафреймы и база рядом — берите Pro. Начать можно с бесплатного месяца.

Частые вопросы