⚡️ Java-приём: не храни метаданные классов в `static Map<Class<?>, ...>` — используй `ClassValue`.
Допустим, библиотека кеширует информацию о каждом классе:
На первый взгляд всё нормально.
Но в приложениях с динамической загрузкой классов — plugins, application servers, hot reload — такой кеш может удерживать
И получить неприятную утечку памяти.
В Java для этого есть малоизвестный
Использование:
Что даёт
- ленивое вычисление значения для каждого класса;
- thread-safe доступ;
- не нужен собственный
- кеш лучше согласован с жизненным циклом загруженных классов.
Особенно полезно для reflection, serializers, ORM, DI-контейнеров и framework-кода, где постоянно кешируются данные по
🔥 Если видишь в библиотеке:
стоит хотя бы задать вопрос:
а почему здесь не `ClassValue`?
#Java #JVM #Backend #Programming
Допустим, библиотека кеширует информацию о каждом классе:
private static final Map<Class<?>, Metadata> CACHE =
new ConcurrentHashMap<>();
На первый взгляд всё нормально.
Но в приложениях с динамической загрузкой классов — plugins, application servers, hot reload — такой кеш может удерживать
Class, а вместе с ним и его ClassLoader.И получить неприятную утечку памяти.
В Java для этого есть малоизвестный
ClassValue<T>:
private static final ClassValue<Metadata> CACHE =
new ClassValue<>() {
@Override
protected Metadata computeValue(Class<?> type) {
return buildMetadata(type);
}
};
Использование:
Metadata metadata = CACHE.get(MyClass.class);
Что даёт
ClassValue:- ленивое вычисление значения для каждого класса;
- thread-safe доступ;
- не нужен собственный
ConcurrentHashMap;- кеш лучше согласован с жизненным циклом загруженных классов.
Особенно полезно для reflection, serializers, ORM, DI-контейнеров и framework-кода, где постоянно кешируются данные по
Class<?>.🔥 Если видишь в библиотеке:
static ConcurrentHashMap<Class<?>, ...>
стоит хотя бы задать вопрос:
а почему здесь не `ClassValue`?
#Java #JVM #Backend #Programming
❤3👍2
Полезный Java-совет:
Не вызывай parallelStream() просто потому, что данных много.
Для коротких операций он легко оказывается медленнее обычного stream(), потому что платишь за разбиение задачи, синхронизацию и работу ForkJoinPool.
Особенно неприятно то, что по умолчанию parallelStream() использует общий ForkJoinPool.commonPool(). Если приложение уже нагружает его другими задачами, производительность может внезапно просесть вообще в другом месте.
Если параллелизм реально нужен, лучше контролировать executor явно, а не прятать его внутри parallelStream().
Не вызывай parallelStream() просто потому, что данных много.
Для коротких операций он легко оказывается медленнее обычного stream(), потому что платишь за разбиение задачи, синхронизацию и работу ForkJoinPool.
Особенно неприятно то, что по умолчанию parallelStream() использует общий ForkJoinPool.commonPool(). Если приложение уже нагружает его другими задачами, производительность может внезапно просесть вообще в другом месте.
Если параллелизм реально нужен, лучше контролировать executor явно, а не прятать его внутри parallelStream().
❤5👍4
Java-ловушка: почему `parallelStream()` может замедлить приложение
Многие думают:
«Есть
Но не всегда.
Если внутри идут HTTP-запросы, SQL или ожидание внешнего сервиса, можно получить обратный эффект:
забить общий пул потоков
увеличить задержки
замедлить другие части приложения
parallelStream() хорошо подходит для:
✅ сложных CPU-вычислений
✅ обработки больших коллекций
✅ математических операций
Но плохо подходит для:
❌ HTTP
❌ базы данных
❌ файлового I/O
❌ ожидания внешних сервисов
Для таких задач лучше использовать отдельный пул:
и контролировать количество параллельных операций.
Главное правило:
parallelStream() — для вычислений.
ExecutorService — для бизнес-логики и внешних вызовов.
Код может идеально работать на тестах, но в production внезапно получить проблемы из-за одного parallelStream().
Многие думают:
«Есть
stream(), добавлю parallelStream() — станет быстрее».Но не всегда.
parallelStream() использует общий ForkJoinPool Java:
users.parallelStream()
.map(this::callExternalApi)
.toList();
Если внутри идут HTTP-запросы, SQL или ожидание внешнего сервиса, можно получить обратный эффект:
забить общий пул потоков
увеличить задержки
замедлить другие части приложения
parallelStream() хорошо подходит для:
✅ сложных CPU-вычислений
✅ обработки больших коллекций
✅ математических операций
Но плохо подходит для:
❌ HTTP
❌ базы данных
❌ файлового I/O
❌ ожидания внешних сервисов
Для таких задач лучше использовать отдельный пул:
ExecutorService executor =
Executors.newFixedThreadPool(20);
и контролировать количество параллельных операций.
Главное правило:
parallelStream() — для вычислений.
ExecutorService — для бизнес-логики и внешних вызовов.
Код может идеально работать на тестах, но в production внезапно получить проблемы из-за одного parallelStream().
❤2👍1
🔥 Java:
Кажется, что:
оставит только 10 элементов.
Но subList() обычно создаёт представление исходного списка, а не независимую копию. Пока жив small, исходный ArrayList и его внутренний массив тоже могут оставаться в памяти.
Если нужна отдельная маленькая коллекция:
Особенно неприятный баг в кэшах и долгоживущих объектах: сохраняешь 10 элементов — а в памяти остаются сотни тысяч.
subList() может неожиданно удерживать огромный список в памятиКажется, что:
List<Item> small = hugeList.subList(0, 10);
hugeList = null;
оставит только 10 элементов.
Но subList() обычно создаёт представление исходного списка, а не независимую копию. Пока жив small, исходный ArrayList и его внутренний массив тоже могут оставаться в памяти.
Если нужна отдельная маленькая коллекция:
List<Item> small = new ArrayList<>(hugeList.subList(0, 10));
Особенно неприятный баг в кэшах и долгоживущих объектах: сохраняешь 10 элементов — а в памяти остаются сотни тысяч.
🤔6❤2👍1
Обычно контейнер объясняют так:
> контейнер = обычный Linux-процесс + namespaces + cgroups
Для первого знакомства этого хватает. Но OCI Runtime Spec определяет контейнер шире: это изолированная среда для запуска процессов, а не сам процесс.
И Linux-механизмы, только один из вариантов реализации.
OCI охватывает не только Linux, но и:
- Windows
- FreeBSD
- Solaris
- z/OS
- VM-based containers
То есть контейнер не обязан быть «процессом в Linux». Важнее то, что среда соответствует контейнерной модели: изоляция, файловая система, ресурсы, lifecycle и правила запуска.
Хороший разбор того, что контейнер представляет собой на самом деле:
https://labs.iximiuz.com/tutorials/oci-containers-explained
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4👍3
Школа программирования Java Online Projects поздравляет с Днем Знаний!🧑🎓📚
Вышло наше финальное занятие курса по Микросервисной архитектуре — «Нагрузочное тестирование. Gatling». На нем мы на практике разбираем, как наше приложение ведет себя под реальной высокой нагрузкой.
Вместе с ним мы запускаем последнюю акцию перед подорожанием:
🔥 Скидка 50% на курсы «Микросервисы, Kafka, Docker Spring Cloud, WebFlux» и «Деплой микросервисов в Kubernetis/Helm»
✨ Бонусы: выпускные проекты Rescue Service и TopJava2
✨ Курс TopKotlin или DocJava в подарок
Суперпредложение: скидка 55% скидка на всю линейку Микросервисов + все бонусы включены🔥
Программа на 100% покрывает продвинутый стек компетенций:
✨ Архитектура и веб-стек — начинаем с реактивных приложений: Project Reactor, Spring WebFlux, R2DBC. Дальше переходим на Spring Boot 4 — полный MVC-стек и виртуальные потоки (Virtual Threads).
✨ Инфраструктура Spring Cloud — отказоустойчивые системы на Spring Cloud Gateway и Config Server, паттерны Circuit Breaker, RateLimiter, Retry.
✨ Event-Driven & Data — асинхронное взаимодействие через Kafka, сериализация в Avro и хранение схем в Schema Registry, паттерн Outbox с Kafka Connect и Debezium поверх PostgreSQL, Hibernate/JPA и миграции Flyway.
✨ Безопасность — сквозная аутентификация и авторизация на Keycloak, OAuth 2.0, OpenID Connect и JWT, защита от CSRF, хранение сессий в Redis.
✨ Тестирование и качество — интеграционные тесты с Testcontainers, WireMock и Awaitility, проверка под высокой нагрузкой с Gatling.
✨ Observability — метрики, логи и распределенные трассировки через Micrometer, Prometheus, Loki, Tempo (или Zipkin) и визуализация всего этого в Grafana.
✨ DevOps и развертывание — пайплайны в GitHub Actions, Docker и Docker Compose, оркестрация в Kubernetes, управление релизами через Helm.
🚀 Больше 30 технологий в одной линейке!
Успейте забрать курсы по суперцене до окончания акции!💥
Вышло наше финальное занятие курса по Микросервисной архитектуре — «Нагрузочное тестирование. Gatling». На нем мы на практике разбираем, как наше приложение ведет себя под реальной высокой нагрузкой.
Вместе с ним мы запускаем последнюю акцию перед подорожанием:
🔥 Скидка 50% на курсы «Микросервисы, Kafka, Docker Spring Cloud, WebFlux» и «Деплой микросервисов в Kubernetis/Helm»
✨ Бонусы: выпускные проекты Rescue Service и TopJava2
✨ Курс TopKotlin или DocJava в подарок
Суперпредложение: скидка 55% скидка на всю линейку Микросервисов + все бонусы включены🔥
Программа на 100% покрывает продвинутый стек компетенций:
✨ Архитектура и веб-стек — начинаем с реактивных приложений: Project Reactor, Spring WebFlux, R2DBC. Дальше переходим на Spring Boot 4 — полный MVC-стек и виртуальные потоки (Virtual Threads).
✨ Инфраструктура Spring Cloud — отказоустойчивые системы на Spring Cloud Gateway и Config Server, паттерны Circuit Breaker, RateLimiter, Retry.
✨ Event-Driven & Data — асинхронное взаимодействие через Kafka, сериализация в Avro и хранение схем в Schema Registry, паттерн Outbox с Kafka Connect и Debezium поверх PostgreSQL, Hibernate/JPA и миграции Flyway.
✨ Безопасность — сквозная аутентификация и авторизация на Keycloak, OAuth 2.0, OpenID Connect и JWT, защита от CSRF, хранение сессий в Redis.
✨ Тестирование и качество — интеграционные тесты с Testcontainers, WireMock и Awaitility, проверка под высокой нагрузкой с Gatling.
✨ Observability — метрики, логи и распределенные трассировки через Micrometer, Prometheus, Loki, Tempo (или Zipkin) и визуализация всего этого в Grafana.
✨ DevOps и развертывание — пайплайны в GitHub Actions, Docker и Docker Compose, оркестрация в Kubernetes, управление релизами через Helm.
🚀 Больше 30 технологий в одной линейке!
Успейте забрать курсы по суперцене до окончания акции!
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥1
Autobase
Это инструмент, разработанный для автоматизации развёртывания и управления PostgreSQL-кластерами с использованием Ansible. Он поддерживает широкий набор функций, включая настройку репликации, автоматизацию резервного копирования с помощью инструментов, таких как pgBackRest и WAL-G, мониторинг состояния кластеров, а также настройку высокодоступной инфраструктуры (HA).
Проект упрощает настройку PostgreSQL и снижает вероятность ошибок, обеспечивая удобные плейбуки для типичных задач. Его можно использовать как для новых установок, так и для работы с существующими конфигурациями.
https://github.com/autobase-tech/autobase
Это инструмент, разработанный для автоматизации развёртывания и управления PostgreSQL-кластерами с использованием Ansible. Он поддерживает широкий набор функций, включая настройку репликации, автоматизацию резервного копирования с помощью инструментов, таких как pgBackRest и WAL-G, мониторинг состояния кластеров, а также настройку высокодоступной инфраструктуры (HA).
Проект упрощает настройку PostgreSQL и снижает вероятность ошибок, обеспечивая удобные плейбуки для типичных задач. Его можно использовать как для новых установок, так и для работы с существующими конфигурациями.
https://github.com/autobase-tech/autobase
❤1👍1🤯1
Apache Kafka 4.x - продвинутый бесплатный практический курс 2026 года
https://github.com/justxor/KAFKAFREECOURSR/tree/main
https://github.com/justxor/KAFKAFREECOURSR/tree/main
❤4👍2
☕️ Java получил практический MCP-сервер для медицинского AI-триажа
На JavaOne показали систему, где жалоба пациента превращается в тикет, а AI определяет его срочность. Теперь Oracle подробно разобрала MCP-сервер, который принимает текст и возвращает оценку от 0 до 10.
Сервер построен на Helidon и публикует один инструмент через
Доступны два режима:
* локальный MiniLM через DJL - 384-мерные эмбеддинги, без API и сети;
* OpenAI
Финальную оценку в обоих случаях вычисляет локальная нейросеть DeepNetts.
Важный нюанс: для каждого типа эмбеддингов нужна отдельно обученная модель оценки. Нельзя взять модель, обученную на векторах MiniLM, и передать ей векторы OpenAI, даже если привести их к одинаковому размеру.
MCP-интерфейс при этом остаётся неизменным:
Локальный режим подходит для разработки и интеграционных тестов, внешний - для проверки качества на более мощной модели.
https://inside.java/2026/07/25/design-java-mcp-tool/
На JavaOne показали систему, где жалоба пациента превращается в тикет, а AI определяет его срочность. Теперь Oracle подробно разобрала MCP-сервер, который принимает текст и возвращает оценку от 0 до 10.
Сервер построен на Helidon и публикует один инструмент через
@Mcp.Tool. Клиенту не нужно знать, какая модель работает внутри.Доступны два режима:
* локальный MiniLM через DJL - 384-мерные эмбеддинги, без API и сети;
* OpenAI
text-embedding-3-small - 1536-мерные эмбеддинги.Финальную оценку в обоих случаях вычисляет локальная нейросеть DeepNetts.
Важный нюанс: для каждого типа эмбеддингов нужна отдельно обученная модель оценки. Нельзя взять модель, обученную на векторах MiniLM, и передать ей векторы OpenAI, даже если привести их к одинаковому размеру.
MCP-интерфейс при этом остаётся неизменным:
жалоба → эмбеддинг → DeepNetts → срочность 0–10
Локальный режим подходит для разработки и интеграционных тестов, внешний - для проверки качества на более мощной модели.
https://inside.java/2026/07/25/design-java-mcp-tool/
Inside.java
Pairing In-Process and Hosted Embeddings for Java MCP Tool Development - Inside.java
Discover why a Java MCP tool can benefit from both in-process and hosted embeddings: in-process embeddings keep development, testing, and conformance fast and reliable, while external provider-backed embeddings offer production-quality semantic scoring behind…
❤2👍1
🔥 Python + AI без игрушечных демок. Курс для тех, кто хочет собирать рабочие системы.
Stepik: «Python современный AI для разработчика и автоматизации задач»
63 урока, 382 шага, практика с кодом и автопроверкой.
Внутри: RAG, tool calling, агенты, evals, MCP, Ollama, vLLM, pgvector + HNSW, безопасный text-to-SQL, prompt injection, кэш, очереди и sandbox для агентного кода.
Плюс реальные автоматизации: почта, отчёты, боты, вебхуки и браузерные сценарии.
Для тех, кто уже знает Python и хочет перейти к production AI.
⏳ 72 часа скидка 55%
https://stepik.org/a/295921
Stepik: «Python современный AI для разработчика и автоматизации задач»
63 урока, 382 шага, практика с кодом и автопроверкой.
Внутри: RAG, tool calling, агенты, evals, MCP, Ollama, vLLM, pgvector + HNSW, безопасный text-to-SQL, prompt injection, кэш, очереди и sandbox для агентного кода.
Плюс реальные автоматизации: почта, отчёты, боты, вебхуки и браузерные сценарии.
Для тех, кто уже знает Python и хочет перейти к production AI.
⏳ 72 часа скидка 55%
https://stepik.org/a/295921
❤1
☕ Java: в HashSet всего 10 элементов, а обход всё равно тормозит
Редкий нюанс: время обхода
После добавления элементов внутри выделена огромная таблица. Итератор проходит по её ячейкам, включая пустые, хотя
Сложность обхода - O(size + capacity). Поэтому большая ёмкость «про запас» может замедлить регулярный перебор.
Если коллекция уже сильно разрослась, а затем почти опустела, можно пересобрать её:
Новый набор подберёт ёмкость под оставшиеся элементы. Пересборка требует времени и дополнительной памяти, поэтому имеет смысл перед многократными обходами, а не внутри каждого цикла.
Документация - https://docs.oracle.com/en/java/javase/25/docs/api/java.base/java/util/HashSet.html
Редкий нюанс: время обхода
HashSet зависит от количества элементов и размера внутренней таблицы.
var ids = new HashSet<Integer>(1_000_000);
for (int i = 0; i < 10; i++) {
ids.add(i);
}
for (int id : ids) {
process(id);
}
После добавления элементов внутри выделена огромная таблица. Итератор проходит по её ячейкам, включая пустые, хотя
size() возвращает всего 10.Сложность обхода - O(size + capacity). Поэтому большая ёмкость «про запас» может замедлить регулярный перебор.
Если коллекция уже сильно разрослась, а затем почти опустела, можно пересобрать её:
ids = new HashSet<>(ids);
Новый набор подберёт ёмкость под оставшиеся элементы. Пересборка требует времени и дополнительной памяти, поэтому имеет смысл перед многократными обходами, а не внутри каждого цикла.
Документация - https://docs.oracle.com/en/java/javase/25/docs/api/java.base/java/util/HashSet.html
🔥5👍1
https://uproger.com/java-v-2026-godu-25-luchshih-prakticheskih-primerov-koda-ot-osnov-do-mnogopotochnosti/
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2👍1
Apache Kafka курс 2026: бесплатный курс по Kafka с нуля до профи на русском
Kafka обучение без воды: каждый модуль состоит из понятной теории, схем, команд, которые можно запустить у себя, типичных ошибок и вопросов для самопроверки. Курс подходит, чтобы выучить Kafka с нуля, подготовиться к собеседованию на backend, data engineer или DevOps-позицию и спроектировать надёжную систему на Kafka в продакшене.
https://github.com/justxor/KAFKAFREECOURSR
Kafka обучение без воды: каждый модуль состоит из понятной теории, схем, команд, которые можно запустить у себя, типичных ошибок и вопросов для самопроверки. Курс подходит, чтобы выучить Kafka с нуля, подготовиться к собеседованию на backend, data engineer или DevOps-позицию и спроектировать надёжную систему на Kafka в продакшене.
https://github.com/justxor/KAFKAFREECOURSR
❤9👍3