🌊 JEP 458: Stream Gatherers в Java 22

Java 22 добавила Gatherers — расширение Stream API, которое позволяет собирать элементы не только привычными map/filter/reduce, а своими кастомными способами. Теперь поток можно «собирать» прямо в процессе, без костылей.

📦 Простая идея Gatherer

Stream.of(1, 2, 3, 4, 5)
    .gather(Gatherers.windowFixed(2))
    .forEach(System.out::println);

➡️ Элементы пакуются по 2 штуки.

Вывод:

[1, 2]
[3, 4]
[5]

🔄 Sliding Window — скользящее окно

Stream.of(1, 2, 3, 4, 5)
    .gather(Gatherers.windowSliding(3))
    .forEach(System.out::println);

➡️ Формируются окна по 3 элемента с шагом в 1.

Вывод:

[1, 2, 3]
[2, 3, 4]
[3, 4, 5]

🗂 Группировка по условию

Stream.of("a", "b", "x", "y", "c", "d")
    .gather(Gatherers.groupUntil(s -> s.equals("x")))
    .forEach(System.out::println);

➡️ Группа закрывается, когда встречается "x".

Вывод:

[a, b, x]
[y, c, d]

⚙️ Свой Gatherer

Gatherer<Integer, ?, Integer> sumPairs =
    Gatherer.of(
        () -> new int[1], // state
        (state, e, down) -> {
            state[0] += e;
            if (state[0] >= 10) {
                down.push(state[0]);
                state[0] = 0;
            }
            return true;
        },
        (state, down) -> {}
    );

Stream.of(3, 4, 5, 6, 7)
    .gather(sumPairs)
    .forEach(System.out::println);

➡️ Числа суммируются, пока не превысят 10, потом сбрасываются.

12
13

📊 Gatherers.fold — промежуточная агрегация

Stream.of(1, 2, 3, 4, 5)
    .gather(Gatherers.fold(0, Integer::sum))
    .forEach(System.out::println);

➡️ Видим все промежуточные суммы.

Вывод:

1
3
6
10
15

⚖️ Gatherers 🆚 Collectors

Collectors работают в конце стрима (collect(...)).
Gatherers же действуют прямо в процессе, шаг за шагом.

➡️ Это позволяет писать stateful-преобразования, которые раньше выглядели громоздко.


🚀 Реальные применения

1. Буферизация при работе с большими потоками.
2. Batch-загрузки в БД.
3. Скользящие средние и метрики.
4. Stateful-пайплайны без ручного кода.

➡️ Всё это теперь можно писать нативно в Stream API.

🔗 Комбинации

Stream.of(1, 2, 3, 4, 5, 6)
    .gather(Gatherers.windowFixed(2))
    .map(list -> list.stream().mapToInt(i -> i).sum())
    .forEach(System.out::println);

➡️ Сначала разбиваем на пары, потом суммируем каждую.

Вывод:

3
7
11

🗣️ Запомни: Gatherers в Java 22 выводят стримы на новый уровень. Они позволяют обрабатывать данные «на лету» и строить stateful-пайплайны, которые раньше были невозможны без костылей.

☕️ Создание классов и объектов

В этом видео автор показывает, как в Java создавать собственные классы и объекты.
Разбирается структура класса, определение полей и методов, а также процесс создания экземпляров через ключевое слово new. Это практическая основа объектно-ориентированного программирования, без которой невозможно двигаться дальше.

🗣️Запомни: умение создавать классы и объекты — фундамент для понимания всей работы с ООП в Java.

🤩 Java Фишки и трюки || #Видео

⚡️ Panama API + MemorySegment — работа с off-heap памятью без Unsafe

Когда нужен прямой доступ к памяти без Unsafe и JNI — помогает Panama API.
MemorySegment и MemorySession позволяют работать с off-heap памятью безопасно, быстро и управляемо.

📦 Выделение памяти вне heap

try (var session = MemorySession.openConfined()) {
    MemorySegment segment = MemorySegment.allocateNative(100, session);
    System.out.println("Размер: " + segment.byteSize());
}

➡️ Память выделяется за пределами JVM heap, но управляется сессией.

🔗 Запись и чтение примитивов

try (var session = MemorySession.openConfined()) {
    MemorySegment seg = MemorySegment.allocateNative(8, session);
    seg.set(ValueLayout.JAVA_INT, 0, 42);
    int x = seg.get(ValueLayout.JAVA_INT, 0);
    System.out.println(x);
}

➡️ Читаем и пишем напрямую, как в массив, только в off-heap памяти.

⚡️ Работа с массивами

try (var session = MemorySession.openConfined()) {
    MemorySegment seg = MemorySegment.allocateNative(4 * 5, session);
    for (int i = 0; i < 5; i++) {
        seg.setAtIndex(ValueLayout.JAVA_INT, i, i * 10);
    }
    System.out.println(seg.getAtIndex(ValueLayout.JAVA_INT, 3));
}

➡️ setAtIndex и getAtIndex делают сегмент похожим на массив.

🌀 MemorySession = контроль жизни

MemorySegment seg;
try (var session = MemorySession.openConfined()) {
    seg = MemorySegment.allocateNative(16, session);
}
System.out.println(seg.isAlive()); // false

➡️ После закрытия сессии память освобождается, сегмент становится "мертвым".

📑 Slice и view памяти

try (var session = MemorySession.openConfined()) {
    MemorySegment seg = MemorySegment.allocateNative(16, session);
    MemorySegment part = seg.asSlice(4, 8);
    System.out.println("Slice: " + part.byteSize());
}

➡️ Можно создавать "представления" (slice) на часть памяти.

🚀 Обмен с native-кодом

try (var session = MemorySession.openConfined()) {
    MemorySegment seg = MemorySegment.allocateNative(4, session);
    seg.set(ValueLayout.JAVA_INT, 0, 123);
    long addr = seg.address();
    System.out.println("Адрес: " + addr);
}

➡️ Сегмент даёт доступ к "сырому" адресу для интеграции с нативными API.

🗣️ Запомни: Off-heap ускоряет работу с большими данными и нативным кодом без GC overhead.

🛡 Java Flight Recorder + JFR Events API — профилирование прямо в коде

Обычно JFR включают флагами JVM, но начиная с Java 14 появился Events API. Теперь можно описывать и логировать свои события прямо из кода, без тяжёлых логгеров.

📦 Определение кастомного события

import jdk.jfr.Event;
import jdk.jfr.Label;

class LoginEvent extends Event {
    @Label("User")
    String username;

    @Label("Success")
    boolean success;
}

➡️ Наследуем Event и описываем поля — это как лог-сообщение, но встроенное в JVM.

🚀 Публикация события

LoginEvent e = new LoginEvent();
e.username = "ivan";
e.success = true;
e.commit();

➡️ commit() записывает событие в JFR-файл, который потом анализируется в Mission Control.

🖥 Запуск записи профиля

java -XX:StartFlightRecording=filename=recording.jfr,duration=20s -jar app.jar

➡️ Даже без кода можно собрать JFR-трассу, но с Events API появляются свои бизнес-события.

📊 Использование категорий

import jdk.jfr.Category;

@Category("Auth")
class LoginEvent extends Event {
    String username;
}

➡️События группируются в категории, и в Mission Control они будут выделены как отдельный блок.

⚡️ События с таймингом

class CalcEvent extends Event {}

CalcEvent e = new CalcEvent();
e.begin();
// тяжёлая операция
e.end();
e.commit();

➡️ begin()/end() автоматически меряют длительность и пишут её в метрику.

🔗 Комбинация JFR с логами

LoginEvent e = new LoginEvent();
e.username = "alex";
e.success = false;
e.commit();

System.out.println("Login attempt failed: alex");

➡️ Лог для человека, JFR-событие для анализа и графиков — два уровня контроля.

🧩 Интеграция с потоками

class TaskEvent extends Event {
    String thread;
}

TaskEvent e = new TaskEvent();
e.thread = Thread.currentThread().getName();
e.commit();

➡️Можно писать, какие потоки нагружают систему и когда они стартуют.

📑 Анализ в Mission Control
Открываешь recording.jfr — и видишь всё: GC, потоки, задержки и свои кастомные события.

🗣️ Запомни: JFR Events API — это быстрый встроенный профайлинг. Свои события почти не грузят систему, пишутся дешевле логов и помогают находить проблемы прямо в продакшене.

📦 Records 🆚 Sealed Classes — компактность и контроль

Record убирает шаблонный код и делает объект иммутабельным.
Sealed Class закрывает иерархию и контролирует наследование.
Разные задачи, но вместе решают боль старой Java.


🧩 Record вместо POJO

public record User(String name, int age) {}

➡️ Всё сгенерировано: геттеры, equals, hashCode, toString.
➕ Лаконичность, минимум шаблонов.
➖ Изменять поля нельзя.

📜 Класс вручную vs record

class User {
    private final String name;
    private final int age;

    public User(String name, int age) {
        this.name = name;
        this.age = age;
    }

    public String name() { return name; }
    public int age() { return age; }
}

➡️ Один record = десяток строк кода.

⚙️ Record с валидацией

public record Product(String name, int price) {
    public Product {
        if (price < 0) throw new IllegalArgumentException("price < 0");
    }
}

➡️ Можно добавлять логику в compact-конструкторе.

🔒 Sealed Class: ограниченная иерархия

public sealed class Shape permits Circle, Rectangle {}

public final class Circle extends Shape {}
public final class Rectangle extends Shape {}

➡️ Никто не добавит новый Shape без изменения sealed-класса.

🎯 Record внутри sealed

public sealed interface Payment
    permits CardPayment, CashPayment {}

public record CardPayment(String number) implements Payment {}
public record CashPayment(double amount) implements Payment {}

➡️ Удобное комбо: варианты — records, интерфейс — sealed.

🔎 Pattern Matching по sealed

Payment p = new CardPayment("1234");

switch (p) {
    case CardPayment c -> System.out.println("💳 " + c.number());
    case CashPayment c -> System.out.println("💵 " + c.amount());
}

➡️ Компилятор гарантирует, что обработаны все варианты.

📐 Sealed vs enum

sealed interface Command permits Reboot, Shutdown {}

record Reboot() implements Command {}
record Shutdown() implements Command {}

➡️ Как enum, но гибче: каждая ветка со своей структурой.

🧮 Комбинации records + sealed

sealed interface Event permits Login, Logout {}

record Login(String user) implements Event {}
record Logout(String user) implements Event {}

➡️ Модель событий простая, неизменяемая и закрытая.

🗣️Запомни:Record = компактный неизменяемый объект вместо шаблонного класса. Sealed Class = закрытая иерархия и контроль наследников.Вместе дают лаконичность и безопасность, снимая боль старой Java.

⌨️ Что такое текстовые блоки (Text Blocks)?

Text Blocks (""") позволяют удобно работать с многострочными строками без необходимости экранировать кавычки.

• Улучшают читаемость кода.
• Поддерживают форматирование и перенос строк.
• Упрощают работу с JSON, SQL и HTML.

✔️ Пример:

String json = """
    {
        "name": "Alice",
        "age": 30
    }
    """;

System.out.println(json);

💡 Совет: Используйте Text Blocks для удобного написания больших строковых данных.

#java #textblocks #java15

⚡️ Scoped Values в Java — альтернатива ThreadLocal для виртуальных потоков

С появлением виртуальных потоков (Project Loom) старый ThreadLocal стал проблемой. Он держит данные на весь поток, что для миллионов lightweight-тредов дорого. Решение — ScopedValue.

📦 Объявление значения

import java.lang.ScopedValue;

public class Demo {
    static final ScopedValue<String> USER = ScopedValue.newInstance();
}

➡️ Создаём "контейнер" для данных, которые будут жить только в заданной области.

🧩 Передача значения в scope

ScopedValue.where(USER, "Alice").run(() -> {
    System.out.println("Hello, " + USER.get());
});

➡️ Значение доступно только внутри run(). Вышел из scope — данных нет.

⚡️ Виртуальные потоки + ScopedValue

try (var executor = Executors.newVirtualThreadPerTaskExecutor()) {
    executor.submit(() ->
        ScopedValue.where(USER, "Bob").run(() -> {
            System.out.println("User in virtual thread: " + USER.get());
        })
    );
}

➡️ Локальные данные для каждого виртуального потока без утечек.

🔍 Сравнение с ThreadLocal

ThreadLocal<String> local = new ThreadLocal<>();
local.set("Alice");

➡️ Удобно, но значение живёт, пока жив поток. Виртуальные потоки → миллионы копий → утечки памяти.

🛡ScopedValue — иммутабельность

ScopedValue.where(USER, "Charlie").run(() -> {
    // USER.set("Dave"); ❌ нельзя
    System.out.println(USER.get());
});

➡️ Нельзя изменить внутри scope. Значение задаётся один раз, это делает код безопаснее.

🧠 Наследование scope

ScopedValue.where(USER, "Admin").run(() -> {
    new Thread(() -> System.out.println(USER.get())).start();
});

➡️ Новый поток не видит значение. Данные строго локальны. Нет "магического" наследования, как у InheritableThreadLocal.


📊 Где применять

🟢 Контекст запроса (user id, trace id).
🟢 Логирование.
🟢 Передача настроек без проброса аргументов.

❌ Минусы ScopedValue

🔴 Только read-only.
🔴 Живёт только в рамках scope.
🔴 Работает начиная с Java 20+.

🗣 Запомни: ThreadLocal опасен для виртуальных потоков — утечки и лишняя память. ScopedValue проще: задаёшь значение в scope, читаешь только там. Без наследования, без мутабельности, идеально для миллионов lightweight-тредов.

🧩 Java без JNI: как FFM API ломает старые правила

Раньше, чтобы вызвать C-код из Java, приходилось страдать с JNI — заголовки, javah, System.loadLibrary(), краши и боль.Теперь всё проще: Foreign Function & Memory API (FFM) — новый стандарт для прямого доступа к нативным функциям и памяти.

⚙️ Импорт C-функций напрямую
FFM API позволяет вызывать функции из libc без JNI.

import java.lang.foreign.*;
import java.lang.invoke.MethodHandle;

try (Arena arena = Arena.openConfined()) {
    Linker linker = Linker.nativeLinker();
    SymbolLookup libc = linker.defaultLookup();
    MethodHandle printf = linker.downcallHandle(
        libc.find("printf").get(),
        FunctionDescriptor.of(ValueLayout.JAVA_INT, ValueLayout.ADDRESS)
    );
    MemorySegment msg = arena.allocateUtf8String("Hello from C!\n");
    printf.invoke(msg);
}

➡️ Всё чисто на Java: без генерации C-кода, без jni.h, с полным контролем памяти.

🧠 Работа с нативной памятью

try (Arena arena = Arena.openConfined()) {
    MemorySegment segment = arena.allocate(4);
    segment.set(ValueLayout.JAVA_INT, 0, 1337);
    System.out.println(segment.get(ValueLayout.JAVA_INT, 0));
}

➡️ Создаёшь участок памяти, читаешь и пишешь — без Unsafe и без GC-хаоса.

🧬 Interop с существующими C-библиотеками

Хочешь вызвать strlen или qsort? Пожалуйста.

MethodHandle strlen = linker.downcallHandle(
    libc.find("strlen").get(),
    FunctionDescriptor.of(ValueLayout.JAVA_LONG, ValueLayout.ADDRESS)
);
long len = (long) strlen.invoke(arena.allocateUtf8String("PyLinux"));
System.out.println(len);

➡️ Вызываешь функции C напрямую, как будто они твои.

🧰 Безопасность и контроль

FFM API чётко ограничивает область памяти (через Arena), предотвращая утечки и use-after-free.
Можно использовать “scoped memory” — живёт ровно столько, сколько нужно.

🚀 Производительность

JNI требует перехода между Java и C стэками → дорого.
FFM API компилируется JIT’ом и оптимизируется HotSpot → почти нативная скорость.

🔬 Статический биндинг с jextract

jextract генерирует Java-обёртки по .h-файлам.

jextract -t com.libc /usr/include/stdio.h

➡️ Автоматически создаёт Java-интерфейсы для вызова C-функций — без ручного JNI.

🧱 Будущее без JNI
С FFM API Java получает настоящий доступ к низкоуровневому миру:

🟢 без C-кода,
🟢 без падений JVM,
🟢 без плясок с System.load().

🗣️ Запомни:FFM API — это чистый Java-интерфейс к нативному миру. JNI уходит в прошлое.
Скорость и контроль — без риска.

🔥 «Когда поток — это архитектура»
Kafka Streams и ksqlDB + Java: живые системы на событиях

Сервисы больше не должны “ждать запрос”. Современные системы реагируют на события — в реальном времени. Kafka Streams и ksqlDB превращают поток данных в ядро приложения, а не просто транспорт сообщений.

⚡️ 1. Архитектура event-driven

Kafka — это не просто очередь. Это commit-log всех событий в компании:

🟠пользователь оплатил заказ,
🟠склад обновил остатки,
🟠ML-модель прислала прогноз.

➡️Java-сервис подписывается на эти события и сам становится реактивным узлом.


🧩 2. Kafka Streams — логика прямо в потоке

Пример: считаем количество заказов в минуту по пользователю 👇

StreamsBuilder builder = new StreamsBuilder();

KStream<String, String> orders = builder.stream("orders");

orders.groupByKey()
      .windowedBy(TimeWindows.of(Duration.ofMinutes(1)))
      .count()
      .toStream()
      .to("orders_per_minute");

KafkaStreams streams = new KafkaStreams(builder.build(), props);
streams.start();

➡️ Данные не хранятся — они *текут*. Поток сам агрегирует и публикует результат в новый топик.

📊 3. KTable и состояние

Kafka Streams позволяет хранить состояние между событиями:

KTable<String, Long> orderCounts = orders
    .groupByKey()
    .count(Materialized.as("orders-store"));

➡️ KTable — как материализованная view в БД, но в оперативной памяти и постоянно обновляется.

🧠 4. ksqlDB — SQL для стримов

Если не хочется писать Java-код, можно просто запросить поток SQL-ом:

CREATE STREAM orders_stream (user_id VARCHAR, price DOUBLE)
  WITH (KAFKA_TOPIC='orders', VALUE_FORMAT='JSON');

CREATE TABLE user_revenue AS
  SELECT user_id, SUM(price) AS total
  FROM orders_stream
  WINDOW TUMBLING (SIZE 1 HOUR)
  GROUP BY user_id;

➡️ Результат — новый поток данных. Kafka сама всё поддерживает в актуальном состоянии.

🔄 5. Реактивные микросервисы

Сервисы больше не ходят в БД, чтобы “узнать новое”.
Kafka — это их канал событий.

@KafkaListener(topics = "user_revenue")
public void handleRevenue(String msg) {
    System.out.println("💰 " + msg);
}

➡️ Микросервисы реагируют на новые сообщения, а не крутят cron.

🧰 6. Пример конвейера событий

[orders] → [Kafka Streams: агрегация] → [ksqlDB: фильтрация] → [billing-service]

➡️ Каждый шаг — отдельная логика. Данные текут без REST-запросов.

🔗 7. Масштабирование и отказоустойчивость

Kafka Streams хранит state в RocksDB и реплицирует его между инстансами.
Перезапуск — и поток сам продолжает с последнего offset.

➡️ Никакой ручной синхронизации или блокировок.

⚙️ 8. Интеграция с экосистемой Spring

@EnableKafkaStreams
@Configuration
public class StreamConfig {
    @Bean
    public KStream<String, String> kStream(StreamsBuilder builder) {
        return builder.stream("orders");
    }
}

➡️ Spring Boot 3 поддерживает Kafka Streams из коробки — никаких костылей.

🚀 9. Kafka как data backbone

Kafka связывает микросервисы, ML, ETL и аналитические пайплайны.
Хранилище, транспорт и очередь — всё в одном.

🧩 10. Когда ksqlDB против Streams

| Сценарий                      | Что выбрать      |
| ----------------------------- | ---------------- |
| Быстрый прототип, SQL-запросы | ksqlDB           |
| Сложная логика, типизация     | Kafka Streams    |
| Обработка JSON и Avro         | оба поддерживают |
| Глубокая интеграция с Java    | Streams          |

🗣️ Запомни:Event-driven — не мода, а способ думать в реальном времени. Kafka Streams — это код, который живёт в потоке данных.

🛰 «Смотри глубже: Observability в действии»
Мониторинг, трассировка и метрики, которые спасают прод

Observability — это не просто графики и алерты. Это способ понять, что реально происходит внутри системы.
В отличие от обычного мониторинга, observability показывает почему всё пошло не так.

Разберём, как инженеры держат прод под контролем 👇

📡 Metrics — сердце наблюдаемости
Prometheus + Grafana — золотой стандарт.

# prometheus.yml
scrape_configs:
  - job_name: 'app'
    static_configs:
      - targets: ['app:8080']

➡️ Метрики — это числа: latency, CPU, RPS, ошибки.
Grafana визуализирует, Prometheus хранит и алертит.

🧭 Logs — что реально произошло
Elastic Stack или Loki от Grafana.

docker run -d -p 9200:9200 elasticsearch
docker run -d -p 5601:5601 kibana

➡️ Логи нужны, когда метрика показала «плохо».
Хочешь знать, почему? Иди в логи.

🚦 Traces — кто виноват в задержках
OpenTelemetry + Jaeger показывают путь запроса через микросервисы.

from opentelemetry import trace
tracer = trace.get_tracer(__name__)
with tracer.start_as_current_span("db_query"):
    query_database()

➡️ Trace — это маршрут.
С его помощью видно, где реально теряется время.


🧩 OpenTelemetry — единый язык наблюдаемости
Собирает метрики, логи и трассировки из любого кода.

pip install opentelemetry-sdk opentelemetry-exporter-otlp

➡️ Универсальный стандарт. Работает и с Python, и с Java, и с Go.

💡 Alerting — чтобы не узнавать о сбоях из Telegram
Prometheus + Alertmanager → уведомления при SLA-фейле.

- alert: HighErrorRate
  expr: rate(http_requests_total{status="500"}[5m]) > 0.05
  for: 2m
  labels:
    severity: critical

➡️ Хороший alert не просто орёт. Он помогает понять причину.


🧱 Distributed Context — связать всё вместе

Код → метрики → логи → трассы — одно пространство событий.
Zipkin, Tempo, Jaeger — строят полную цепочку от запроса до ответа.

➡️ Это основа SRE-практик: найти проблему за минуты, а не часы.

🔍 Instrumentation — чтобы код умел говорить

Библиотеки сами шлют метрики: Spring Boot Actuator, FastAPI middleware, Django signals.

➡️ Observability — не внешний тул, а часть приложения.

⚙️ Cloud-native observability

AWS CloudWatch, GCP Operations Suite, Datadog, New Relic.
Для Kubernetes — Lens, K9s, Grafana Tempo.

➡️ Современные пайплайны включают observability как часть CI/CD.

🗣 Запомни: Observability ≠ просто мониторинг — это понимание поведения системы.

🤝 «Контракты не лгут: как сервисы общаются без боли»
Contract Testing в Java — контроль реальности между продами

Когда микросервисы множатся, интеграционные тесты превращаются в хаос.
Сервис А ждёт одно, сервис B отдаёт другое — и привет, баг в проде.
Contract Testing решает это через договор: что именно API обещает и возвращает.

📄 Суть контракта

Потребитель (Consumer) описывает, что он ждёт от поставщика (Provider).
Provider подтверждает: «Да, я действительно так отвечаю».

➡️ Это проверка не по коду, а по взаимному соглашению.


⚙️ Pact — главный игрок в Java
Pact позволяет Consumer’у описывать ожидаемые запросы и ответы:

@Pact(consumer = "OrderService")
public RequestResponsePact createPact(PactDslWithProvider builder) {
    return builder
        .given("User exists")
        .uponReceiving("a request for user details")
        .path("/users/123")
        .method("GET")
        .willRespondWith()
        .status(200)
        .body("{\"id\":123,\"name\":\"Alex\"}")
        .toPact();
}

➡️ Это «контракт»: JSON с ожиданиями клиента.

🧪 Consumer Test — проверка ожиданий

@ExtendWith(PactConsumerTestExt.class)
@PactTestFor(providerName = "UserService", port = "8080")
public void testUserService(MockServer server) {
    Response response = get(server.getUrl() + "/users/123");
    assertEquals(200, response.getStatusCode());
}

➡️ Тест проверяет, что клиент правильно формирует запрос и обрабатывает ответ.

🏭 Provider Test — подтверждение контракта
Поставщик поднимает mock и проверяет:
«Я реально возвращаю то, что обещал в контракте».

@Provider("UserService")
@PactFolder("pacts")
class UserServicePactTest {
    @TestTarget
    final Target target = new HttpTarget(8080);

    @State("User exists")
    public void userExists() {
        // фикстуры для теста
    }
}

➡️ Если что-то не совпадает — билд падает.

🔗 Pact Broker — центр доверия
Все контракты хранятся в брокере.
Каждый сервис знает, с кем и что согласовано.

docker run -d -p 9292:9292 pactfoundation/pact-broker

➡️ Это реестр соглашений между микросервисами.

🧩 Contract Testing ≠ интеграция

Интеграционные тесты требуют запущенные сервисы.
Контрактные тесты — только спецификации.

➡️ Меньше зависимостей, быстрее CI, больше стабильности.

🚀 Spring Cloud Contract — альтернатива Pact
Работает прямо в Spring Boot.

contract {
    request {
        method 'GET'
        url '/users/123'
    }
    response {
        status 200
        body(id: 123, name: "Alex")
    }
}

➡️ Контракт → автогенерированный тест для Provider’а.

➕ Плюсы:

➕ Нет неожиданностей при релизах.
➕ CI ломается до продакшена, если кто-то нарушил контракт.
➕ Каждый сервис тестируется изолированно.

➖Минусы:minu

➖Нужно поддерживать актуальность контрактов.
➖При множестве сервисов — много файлов.
➖Не ловит ошибки логики (только интерфейсов).

🗣 Запомни: Contract Testing — это «юридическая проверка» между сервисами.

☕️Наследование в классах

В этом видео автор подробно объясняет концепцию наследования в Java: как один класс может наследовать свойства и методы другого, когда применять `extends`, как переопределять методы и использовать ключевое слово `super`.

🗣️Запомни: наследование — мощный механизм для повторного использования кода и организации иерархий классов.

🤩 Java Фишки и трюки || #Видео

☕️Полиморфизм в ООП

В этом видео автор подробно объясняет концепцию полиморфизма в объектно-ориентированном программировании на примере Java.
Разбирается, как один объект может иметь разные формы в зависимости от контекста, как работает динамическое связывание, как переопределять методы в наследниках и использовать ссылки на родительские типы для управления объектами.

🗣️Запомни: полиморфизм даёт гибкость в архитектуре и делает код расширяемым и масштабируемым.

🤩 Java Фишки и трюки || #Видео

☕️ Java в потоке данных: Flink, Beam и Spark без магии

Когда данные бегут нескончаемым потоком, а твой монолит не успевает считать, Java превращается в машину для real-time-аналитики.
Flink, Beam и Spark — три пути к масштабным потоковым системам. Ни теории — только код.

💀 Обычный подход — всё тормозит

List<String> lines = Files.readAllLines(Paths.get("data.txt"));
Map<String, Long> counts = lines.stream()
    .flatMap(line -> Arrays.stream(line.split(" ")))
    .collect(Collectors.groupingBy(Function.identity(), Collectors.counting()));
System.out.println(counts);

➡️ Всё в память, всё синхронно. Умер на первом гигабайте.

⚙️ Flink — потоковые вычисления без задержек

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
DataStream<String> stream = env.socketTextStream("localhost", 9999);

stream
    .flatMap((String line, Collector<String> out) -> {
        for (String word : line.split(" ")) out.collect(word);
    })
    .keyBy(word -> word)
    .sum(1)
    .print();

env.execute("Flink WordCount");

✅ Реактивная обработка, fault tolerance и state — всё из коробки.

🧩 Spark Structured Streaming — SQL на лету

SparkSession spark = SparkSession.builder().appName("StreamSQL").getOrCreate();

Dataset<Row> lines = spark.readStream()
    .format("socket")
    .option("host", "localhost")
    .option("port", 9999)
    .load();

Dataset<Row> words = lines.as(Encoders.STRING())
    .flatMap((FlatMapFunction<String, String>) x -> Arrays.asList(x.split(" ")).iterator(), Encoders.STRING());

words.groupBy("value").count()
    .writeStream()
    .outputMode("complete")
    .format("console")
    .start()
    .awaitTermination();

✅ DataFrame API + реальное время. SQL-запросы к стримам — это норма.

🧠 Beam — пиши один раз, запускай где угодно

Pipeline p = Pipeline.create();
p.apply(TextIO.read().from("input.txt"))
 .apply(ParDo.of(new DoFn<String, String>() {
     @ProcessElement
     public void processElement(ProcessContext c) {
         for (String word : c.element().split(" ")) c.output(word);
     }
 }))
 .apply(Count.perElement())
 .apply(TextIO.write().to("output"));
p.run().waitUntilFinish();

✅ Beam абстрагирует всё: один pipeline может жить на Flink, Spark, Dataflow — без правок кода.

🚀 Kafka + Flink = real-time пайплайн

FlinkKafkaConsumer<String> consumer = new FlinkKafkaConsumer<>("logs", new SimpleStringSchema(), props);
env.addSource(consumer)
   .map(line -> line.toUpperCase())
   .addSink(new FlinkKafkaProducer<>("processed", new SimpleStringSchema(), props));

✅ Поток заходит из Kafka, проходит трансформацию и возвращается обратно.

📊 Stateful обработка

stream.keyBy(value -> value)
      .flatMap(new RichFlatMapFunction<String, Tuple2<String, Integer>>() {
          private transient ValueState<Integer> count;
          public void open(Configuration parameters) {
              count = getRuntimeContext().getState(new ValueStateDescriptor<>("count", Integer.class));
          }
          public void flatMap(String value, Collector<Tuple2<String, Integer>> out) throws Exception {
              Integer current = count.value() == null ? 0 : count.value();
              count.update(current + 1);
              out.collect(Tuple2.of(value, current + 1));
          }
      });

✅ Flink хранит состояние между событиями — perfect для realtime аналитики.

🧩 Beam с Cloud Dataflow

PipelineOptions options = PipelineOptionsFactory.create();
options.as(DataflowPipelineOptions.class).setRunner(DataflowRunner.class);

✅ Запускаешь тот же код в Google Cloud — нативно масштабируется.

💡 Spark + Kafka integration

Dataset<Row> df = spark.readStream()
    .format("kafka")
    .option("kafka.bootstrap.servers", "localhost:9092")
    .option("subscribe", "topic")
    .load();

✅ Spark сам читает Kafka topics и обрабатывает потоки.

🗣 Запомни: Flink — мозг real-time систем, Spark — мотор аналитики, Beam — мост между ними. Главное — не выбирай фреймворк по моде, выбирай под поток.

⌨️ Виды классов

1. Обычные классы (Regular Classes)
Это наиболее распространенные классы, которые вы создаете для определения объектов. Они могут содержать поля, методы, конструкторы и вложенные классы.

public class MyClass {
    private int field;

    public MyClass(int field) {
        this.field = field;
    }

    public void method() {
        // some code
    }
}

2. Абстрактные классы (Abstract Classes)
Абстрактные классы не могут быть созданы как объекты напрямую. Они предназначены для предоставления общей функциональности, которую подклассы должны реализовать или дополнить.

public abstract class AbstractClass {
    public abstract void abstractMethod();

    public void concreteMethod() {
        // some code
    }
}

3. Вложенные классы (Nested Classes)
Классы, объявленные внутри другого класса. Они могут быть статическими или нестатическими.

🔹 Статические вложенные классы (Static Nested Classes):
Эти классы могут быть созданы без экземпляра внешнего класса.

public class OuterClass {
    static class StaticNestedClass {
        // some code
    }
}

🔹 Внутренние классы (Inner Classes):
Эти классы имеют доступ ко всем членам внешнего класса и создаются в контексте экземпляра внешнего класса.

public class OuterClass {
    class InnerClass {
        // some code
    }
}

4. Локальные классы (Local Classes)
Классы, объявленные внутри метода, конструктора или блока. Они имеют доступ к финальным переменным из охватывающего метода.

public class OuterClass {
    public void method() {
        class LocalClass {
            // some code
        }
        LocalClass local = new LocalClass();
    }
}

5. Анонимные классы (Anonymous Classes)
Классы без имени, создаваемые на месте для реализации интерфейса или наследования от класса. Часто используются для создания экземпляров интерфейсов или абстрактных классов.

public class OuterClass {
    public void method() {
        Runnable runnable = new Runnable() {
            @Override
            public void run() {
                // some code
            }
        };
    }
}

6. Перечисления (Enums)
Специальные классы, представляющие набор констант. Они могут содержать поля, методы и конструкторы.

public enum Day {
    MONDAY, TUESDAY, WEDNESDAY, THURSDAY, FRIDAY, SATURDAY, SUNDAY
}

7. Интерфейсы (Interfaces)
Технически не классы, но важная часть объектно-ориентированного программирования в Java. Интерфейсы определяют контракты, которые должны быть реализованы классами.

public interface MyInterface {
    void myMethod();
}

8. Записи (Records)
Нововведение в Java 14 (в предварительном виде) и официально в Java 16. Они предоставляют компактный способ создания неизменяемых классов с полями и автоматически сгенерированными методами, такими как equals, hashCode и toString.

public record Point(int x, int y) {}

#java #classes

🤖 JavaBot: Telegram без магии и фреймворков

Хочешь быстро поднять Telegram-бота на Java без плясок вокруг Spring? Берём библиотеку TelegramBots, одну точку входа — и поехали.

⚙️ Подключаем зависимость

Gradle:

implementation 'org.telegram:telegrambots:6.9.7'

🧩 Создаём скелет бота

public class EchoBot extends TelegramLongPollingBot {
    public String getBotUsername() { return "MyJavaBot"; }
    public String getBotToken() { return "TOKEN"; }

    public void onUpdateReceived(Update u) {
        var chat = u.getMessage().getChatId().toString();
        var text = u.getMessage().getText();
        send(chat, "Ты написал: " + text);
    }

    void send(String chatId, String msg) {
        try { execute(new SendMessage(chatId, msg)); } 
        catch (Exception e) { e.printStackTrace(); }
    }
}

🚀 Запускаем бота

var bots = new TelegramBotsApi(DefaultBotSession.class);
bots.registerBot(new EchoBot());
System.out.println("Бот в деле 🚀");

💬 Тест

Ты: ping  
Бот: Ты написал: ping

🧠 Добавим немного логики

if (text.equals("/start"))
    send(chat, "Привет! Я Java-бот 💪");
else if (text.equalsIgnoreCase("время"))
    send(chat, LocalTime.now().toString());
else
    send(chat, "Команда не понята 🤖");

⚡️ Inline-кнопки

var markup = new InlineKeyboardMarkup();
markup.setKeyboard(List.of(List.of(
    new InlineKeyboardButton("Сказать hi").callbackData("hi")
)));
msg.setReplyMarkup(markup);

🧱 Структура проекта

src/
 ├── Main.java
 └── EchoBot.java
build.gradle

🗣 Запомни: в Java всё строго — но именно поэтому Telegram-боты тут живут годами, не падают и не висят в “reconnecting…”

💸 Java + Финансы: low-latency трейдинг под миллисекунды

Когда миллисекунды — это деньги, Java раскрывает себя на максимум: низкоуровневые сокеты, реактивные потоки, pinned GC и прямой доступ к памяти. Тут не про «финтех-приложение», а про «реакцию быстрее всех».

🚀 1. TCP-сокеты для прямого подключения к бирже

Socket socket = new Socket("api.exchange.com", 4001);
BufferedReader in = new BufferedReader(new InputStreamReader(socket.getInputStream()));
PrintWriter out = new PrintWriter(socket.getOutputStream(), true);

out.println("SUBSCRIBE:BTC-USD");
System.out.println("Tick: " + in.readLine());

➡️ Без HTTP, без JSON — только байты и скорость.

⚡️ 2. NIO (Reactor-стиль) — обрабатываем десятки потоков данных без блокировок

Selector selector = Selector.open();
SocketChannel channel = SocketChannel.open(new InetSocketAddress("api.exchange.com", 8080));
channel.configureBlocking(false);
channel.register(selector, SelectionKey.OP_READ);

while (true) {
    selector.select();
    for (SelectionKey key : selector.selectedKeys())
        ((SocketChannel) key.channel()).read(ByteBuffer.allocate(1024));
}

✅ Ты читаешь данные в event-loop без ожиданий и блокировок.

💹 3. Лёгкий REST-клиент для котировок — минимальный overhead

HttpClient client = HttpClient.newBuilder().version(HttpClient.Version.HTTP_1_1).build();
HttpRequest req = HttpRequest.newBuilder(URI.create("https://api.binance.com/api/v3/ticker/price?symbol=BTCUSDT")).build();
String body = client.send(req, HttpResponse.BodyHandlers.ofString()).body();
System.out.println(body);

➡️ Используется редко — только для инициализации данных.

🧩 4. Реактивные потоки — стриминг обновлений без лагов

Flux.interval(Duration.ofMillis(10))
    .flatMap(i -> fetchTick())
    .subscribe(System.out::println);

✅ Поддерживаешь live-данные с минимальной задержкой.

⚙️ 5. Kafka для внутренней шины котировок

ProducerRecord<String, String> tick = new ProducerRecord<>("ticks", "BTC", json);
producer.send(tick);

➡️ Kafka — идеальный посредник между стратегией и обработчиком сигналов.

📈 6. Резервный кеш в LMAX Disruptor

Disruptor<Event> disruptor = new Disruptor<>(Event::new, 1024, Executors.defaultThreadFactory());
disruptor.handleEventsWith((event, seq, end) -> process(event));
disruptor.start();

✅ Микросекундные задержки между событиями — идеально для high-freq.

🧠 7. Обработка стратегий — минимальный GC и аллокации

double pnl = 0.0;
for (int i = 0; i < prices.length; i++)
    pnl += (prices[i] - avg) * weights[i];

➡️ Никаких boxed-типов, никаких потоков — чистая арифметика.

🕹 8. Async запись в базу через Chronicle Queue

ChronicleQueue queue = ChronicleQueue.single("trades");
ExcerptAppender appender = queue.acquireAppender();
appender.writeText("BUY BTC 1.234 @ 67900");

✅ Без JDBC, без GC, с записью прямо в память.

📡 9. Ping-тест задержки на уровне API

long t1 = System.nanoTime();
client.send(request, HttpResponse.BodyHandlers.discarding());
System.out.println("Latency: " + (System.nanoTime() - t1) / 1_000_000.0 + " ms");

➡️ Измеряй свои реальные RTT-времена, а не верь документации.

🔒 10. Failover на другом потоке без паузы

CompletableFuture.supplyAsync(() -> fetch("exchangeA"))
    .exceptionally(e -> fetch("exchangeB"))
    .thenAccept(this::trade);

✅ Если один источник умер — переходишь мгновенно на другой.

📊 11. Garbage-free JSON парсер для потоков данных

JsonFactory factory = new JsonFactory();
JsonParser parser = factory.createParser(stream);
while (parser.nextToken() != JsonToken.END_OBJECT)
    process(parser.getCurrentName(), parser.getValueAsString());

➡️ Никаких String, никаких List — только поток и числа.

⏱️ 12. Синхронизация времени с NTP

NtpV3Packet msg = new NtpV3Impl();
msg.setMode(3);
System.out.println("Offset: " + client.getTime(InetAddress.getByName("pool.ntp.org")).getOffset());

✅ В high-freq даже миллисекундный дрейф — это баг.

🗣️ Запомни: в мире Java-трейдинга твой главный конкурент — не другой разработчик, а время Garbage Collector’а.

🔬 Java под микроскопом: полный observability-стек с OpenTelemetry

Когда прод «горит», а метрики молчат — ты не DevOps, ты шаман.
OpenTelemetry превращает хаос в прозрачность: метрики, трейсы, логи — всё в единой системе.
Ни теории, ни лекций — только практика, как сделать observability-стек, который реально работает.

🔥 1. Подключаем OpenTelemetry SDK

implementation("io.opentelemetry:opentelemetry-api:1.31.0")
implementation("io.opentelemetry:opentelemetry-sdk:1.31.0")
implementation("io.opentelemetry:opentelemetry-exporter-otlp:1.31.0")

➡️ Эти три зависимости — ядро: API, SDK и экспорт в OTLP (универсальный протокол).

⚙️ 2. Инициализация провайдера трейсинга

SdkTracerProvider tracerProvider = SdkTracerProvider.builder()
    .addSpanProcessor(BatchSpanProcessor.builder(OtlpGrpcSpanExporter.builder().build()).build())
    .build();

OpenTelemetry openTelemetry = OpenTelemetrySdk.builder()
    .setTracerProvider(tracerProvider)
    .build();

✅ Настраиваешь, кто будет собирать и куда шлёт трейсы.

🧩 3. Создаём спаны прямо в коде

Tracer tracer = openTelemetry.getTracer("com.trading.app");
try (Scope scope = tracer.spanBuilder("DB Query").startScopedSpan()) {
    db.execute("SELECT * FROM orders");
}

➡️ Каждый участок кода можно измерить и потом визуализировать в Grafana Tempo или Jaeger.

📊 4. Метрики: CPU, latency, GC — всё под контролем

Meter meter = openTelemetry.getMeter("com.trading.metrics");
LongCounter reqCount = meter.counterBuilder("http.requests.total").build();

reqCount.add(1, Attributes.of(stringKey("endpoint"), "/api/trade"));

✅ Теперь ты знаешь, сколько, откуда и как часто — без лишнего логирования.

📈 5. Интеграция с Prometheus

OtlpGrpcMetricExporter exporter = OtlpGrpcMetricExporter.builder()
    .setEndpoint("http://localhost:4317")
    .build();

➡️ Метрики попадают в Prometheus, а дальше — Grafana dashboards.

🪵 6. Логирование в едином формате

logger.info("order_created", kv("user", userId), kv("amount", amount));

✅ Через OpenTelemetry Logs SDK ты получаешь корреляцию между логами и трейсами.

🌐 7. Автоинструментирование без кода

java -javaagent:opentelemetry-javaagent.jar \
  -Dotel.service.name=order-service \
  -Dotel.exporter.otlp.endpoint=http://localhost:4317 \
  -jar app.jar

➡️ Автоматически собираются спаны из Spring, JDBC, Kafka, Redis и HTTP-клиентов.

🧠 8. Отправка данных в локальный Collector

receivers:
  otlp:
    protocols:
      grpc:
      http:

exporters:
  prometheus:
  logging:
  jaeger:
    endpoint: "localhost:14250"

service:
  pipelines:
    traces: { receivers: [otlp], exporters: [jaeger, logging] }
    metrics: { receivers: [otlp], exporters: [prometheus] }

✅ OpenTelemetry Collector — сердце стека: маршрутизирует всё.

🚀 9. Связка Jaeger + Prometheus + Loki

Traces → Jaeger  
Metrics → Prometheus  
Logs → Loki  

➡️ Полная наблюдаемость: один ID связывает всё — от HTTP-запроса до GC-паузы.

🧩 10. Добавляем контекст трассировки в логи

MDC.put("traceId", Span.current().getSpanContext().getTraceId());
logger.info("processing order {}", orderId);

✅ Теперь по traceId можно прыгнуть из Loki прямо в Jaeger.

🕹 11. Настройка дашбордов в Grafana

➡️ CPU / Memory / GC Time
➡️ Request latency per endpoint
➡️ Top error spans per service
➡️ Logs correlated by traceId

✅ Всё видно, всё связано, всё в одном UI.

🧠 12. Distributed tracing на проде

try (Scope scope = tracer.spanBuilder("match_order").startScopedSpan()) {
    orderService.match(order);
}

➡️ С каждой операцией передаётся trace-контекст по HTTP-заголовкам — видишь цепочку от frontend до БД.

🗣️ Запомни: Observability — это не «чтобы было красиво», а чтобы не гадать в тьме, где у тебя течёт прод.

⌨️ Для чего используется оператор assert?

Assert (Утверждение) — это специальная конструкция, позволяющая проверять предположения о значениях произвольных данных в произвольном месте программы. Утверждение может автоматически сигнализировать об обнаружении некорректных данных, что обычно приводит к аварийному завершению программы с указанием места обнаружения некорректных данных.

Утверждения существенно упрощают локализацию ошибок в коде. Даже проверка результатов выполнения очевидного кода может оказаться полезной при последующем рефакторинге, после которого код может стать не настолько очевидным и в него может закрасться ошибка.

Обычно утверждения оставляют включенными во время разработки и тестирования программ, но отключают в релиз-версиях программ.

Так как утверждения могут быть удалены на этапе компиляции либо во время исполнения программы, они не должны менять поведение программы. Если в результате удаления утверждения поведение программы может измениться, то это явный признак неправильного использования assert. Таким образом, внутри assert нельзя вызывать методы, изменяющие состояние программы, либо внешнего окружения программы.

В Java проверка утверждений реализована с помощью оператора assert, который имеет форму:

assert [Выражение типа boolean]; или assert [Выражение типа boolean] : [Выражение любого типа, кроме void];

Во время выполнения программы в том случае, если поверка утверждений включена, вычисляется значение булевского выражения, и если его результат false, то генерируется исключение java.lang.AssertionError. В случае использования второй формы оператора assert выражение после двоеточия задаёт детальное сообщение о произошедшей ошибке (вычисленное выражение будет преобразовано в строку и передано конструктору AssertionError).

☕️ Java в 2025 году: стоит ли учить и что изменилось

В этом видео автор анализирует, насколько Java остаётся актуальной в 2025 году и какие изменения произошли в языке и экосистеме.
Разбираются ключевые области применения Java — от корпоративных систем и Android-разработки до backend-сервисов — и сравнивается её востребованность с другими языками программирования.

👉 Ссылка на первоисточник

🗣️Запомни: Java не теряет позиции — она просто становится инструментом для тех, кто хочет стабильности и глубины в IT.

🤩  Java Фишки и трюки || #Видео