MiddlePython Developer > Основы Python > Проектирование API
Короткий ответ Эндпоинт запуска операции должен немедленно отвечать 202 Accepted с идентификатором задачи и ссылкой на статус, а не ждать завершения в рамках HTTP-запроса; клиент далее опрашивает отдельный эндпоинт статуса (или получает webhook по завершении). Как это работает подробнее 202 означает "запрос принят к обработке, но результат пока не готов" — в отличие от синхронных операций, где финальный статус известен сразу. Обработка переносится в фоновую задачу (воркер, очередь задач, например Celery/RQ/встроенный BackgroundTasks), а API-слой лишь регистрирует задачу и возвращает идентификатор. Пример кода Что использовать на практике Рекомендация. эндпоинт статуса должен возвращать состояние (pending/running/done/failed) и, при завершении, либо сам результат, либо ссылку на него (например, URL для скачивания отчёта); если ожидаемое время выполнения велико и известно заранее, можно дополнительно поддержать webhook-уведомление вместо постоянного polling клиентом. Выбор между частым коротким polling и webhoo
asynchronous-apihttp
MiddleDevOps Engineer > Контейнеры и доставка > Надёжность и инцидент-менеджмент
Короткий ответ Нужно сформулировать конкретную гипотезу об ожидаемом поведении при отказе зависимости, начать эксперимент в тестовой среде или с минимальным blast radius в проде (небольшая доля трафика/инстансов), подготовить мониторинг и немедленный способ остановки эксперимента, и заранее определить критерии успеха/провала. Как это работает подробнее эксперимент моделирует конкретный тип отказа зависимости — не просто "выключить", а реалистичные сценарии: таймаут (зависимость отвечает медленно), ошибки (зависимость отвечает 5xx), полная недоступность (соединение не устанавливается). Для каждого сценария ожидаемое поведение системы может отличаться (например, graceful degradation при таймауте, но полный отказ при недоступности, если fallback не предусмотрен). Пример / кейс Ожидаемое поведение: при инъекции задержки 3с для 5% трафика к auth-service основной сервис должен либо использовать таймаут и fallback (например, разрешить гостевой чекаут), либо корректно показать пользователю ошибку без каскадного паден
chaos-engineeringdependency-management
MiddlePython Developer > Основы Python > Очереди и события
Короткий ответ DLQ — отдельная очередь, куда сообщение перемещается после превышения числа неудачных попыток обработки, чтобы не блокировать обработку остальных сообщений и дать возможность разобрать проблемное сообщение отдельно. Как это работает подробнее Consumer при повторной ошибке обработки (после N попыток или определённого вида ошибки) явно отправляет сообщение в DLQ вместо бесконечного retry или потери; основная очередь продолжает обрабатывать следующие сообщения. Пример кода Что использовать на практике Практика. Сообщения в DLQ должны сопровождаться метаданными об ошибке; дальше с DLQ работают через мониторинг (алерт при появлении новых сообщений), ручной разбор либо автоматический replay после исправления причины. Подводные камни Риск. Не мониторить DLQ вообще — сообщения тихо скапливаются; отправлять в DLQ сообщения с временными ошибками без достаточного числа retry перед этим.
dead-letter-queueevent-driven
MiddleDevOps Engineer > Контейнеры и доставка > Надёжность и инцидент-менеджмент
Короткий ответ План DR должен включать: заранее реплицированные данные во второй регион с известным RPO, инфраструктуру во втором регионе как код (готовую к развёртыванию или уже развёрнутую в режиме standby), механизм переключения трафика (DNS/балансировщик) и, что важно, регулярно протестированные учения по переключению (DR drill), а не только документ "на бумаге". Как это работает подробнее типичные компоненты — межрегиональная репликация БД (синхронная или асинхронная, в зависимости от допустимого RPO и влияния на latency), инфраструктура во втором регионе через Infrastructure as Code (чтобы развернуть идентичное окружение быстро и предсказуемо), и переключение входящего трафика через изменение DNS-записей или глобального балансировщика с учётом TTL записей (который влияет на реальное RTO). Пример / кейс Ожидаемое поведение: регулярные drill должны либо подтверждать, что реальное время переключения укладывается в целевое RTO, либо выявлять конкретные блокеры (устаревшие секреты, забытые зависимости) до то
disaster-recoverymulti-region
MiddlePython Developer > Основы Python > Django и DRF
Короткий ответ Для межполевой валидации используют метод validate(self, attrs) сериализатора, который получает уже провалидированные по отдельности поля и может выбросить ValidationError, сославшись на конкретное поле или на сериализатор целиком. Как это работает подробнее DRF сначала прогоняет валидацию каждого поля отдельно (validate_ или встроенные валидаторы), и только если все поля по отдельности валидны, вызывает общий validate(attrs) с итоговым словарём. Там удобно сравнивать несколько полей между собой. Пример кода Что использовать на практике Практика. Для вложенных объектов (например, OrderItemSerializer внутри OrderSerializer) используют many=True и переопределяют create/update, так как DRF по умолчанию не умеет автоматически сохранять вложенные записи в связанные таблицы. Подводные камни Риск. Пытаются сравнивать поля в validate_start_date, где второе поле (end_date) ещё не гарантированно присутствует/провалидировано на этом этапе; не переопределяют create() для вложенных сериализаторо
djangodjango-rest-framework
SeniorSMM Manager > Общее > SMM-аналитика и метрики
Короткий ответ Нет единственно верного решения — обычно выстраивают многоуровневую систему, где верхний уровень показывает одну-две агрегированные метрики северной звезды и их динамику, а нижние уровни дают разбивку по каналам, кампаниям и сегментам; выбор конкретной north star метрики и глубины детализации зависит от бизнес-модели и зрелости аналитики компании. Как это работает подробнее north star metric — это одна метрика, которая лучше всего отражает долгосрочную ценность, создаваемую SMM для бизнеса (например, «выручка, атрибутированная соцсетям»), и executive-дашборд строится так, чтобы руководство видело её динамику без избыточных деталей, с возможностью «провалиться» в детали при необходимости. North star metric выбрана как «выручка за 90 дней, атрибутированная трафику из соцсетей (по linear-модели)». Executive-дашборд показывает только тренд этой метрики по месяцам и сравнение с планом; операционный дашборд команды детализирует её по каналам, кампаниям и креативам. Проверка: сумма вклада каналов на о
dashboardmetrics
SeniorPerformance Marketer > Google Ads > Сквозная аналитика и отчётность
Короткий ответ Нет единственно верной схемы теста: выбор между тестом на уровне гео-регионов, аудиторных групп или временных периодов зависит от масштаба бизнеса, доступного трафика и готовности жертвовать частью потенциальной выручки в контрольной группе, поэтому план теста и его риски нужно явно обсуждать с бизнесом перед запуском. Как это работает подробнее Geo-holdout тест делит регионы (или аудиторные сегменты) на тестовую (видит рекламу) и контрольную (не видит) группы со схожими историческими характеристиками и сравнивает результат между группами за период теста; разница между группами, скорректированная на исходные различия, — это оценка инкрементального эффекта канала. Что использовать на практике Практика. Для надёжного результата нужна статистически достаточная выборка, балансировка групп по историческим показателям перед тестом, и защита от утечки воздействия между группами, например когда пользователь из контрольного гео видит рекламу через VPN или при поездке в тестовый регион. Пример. 10 регион
control-groupexperimentation
SeniorPerformance Marketer > Google Ads > Тестирование гипотез и запуск изменений
Короткий ответ Geo-lift тест делит рынки (города/регионы) на тестовую и holdout группы, где в holdout-регионах реклама канала намеренно отключается или сильно ограничивается на период теста, а разница в бизнес-метрике между группами с поправкой на исторический baseline показывает инкрементальный вклад канала; единственно верной длительности и размера holdout не существует. Как это работает подробнее В отличие от обычного A/B-теста на уровне пользователя, geo-lift учитывает, что каналы (особенно верхнефанельные или брендовые) влияют на поведение не только непосредственно кликнувших, но и всего рынка, поэтому инкрементальность измеряется на уровне агрегированного гео-региона, а не отдельного клика. Метод synthetic control строит «виртуальный» контрольный регион как взвешенную комбинацию нескольких непострадавших регионов, что часто точнее простого среднего по holdout-группе. Компромисс. Больший и более долгий holdout даёт более надёжную оценку инкрементальности, но означает ощутимую временную потерю выручки/лид
ab-testingbudget-allocation
MiddlePython Developer > Основы Python > Архитектура веб-API
Короткий ответ Middleware при входе запроса либо берёт готовый ID из заголовка (например, X-Request-ID, если он пришёл от прокси/клиента), либо генерирует новый uuid4, кладёт его в контекст логирования (например, через contextvars) и добавляет этот же ID в заголовок ответа и во все исходящие вызовы к другим сервисам. Как это работает подробнее Request ID должен быть доступен не только в самом middleware, но и глубже — в бизнес-логике, логировании, вызовах к БД/внешним API. Для этого обычно используют contextvars.ContextVar (в async-коде) или thread-local (в синхронном), чтобы не передавать ID явным параметром через все функции. Пример кода Что использовать на практике Практика. Этот же ID передают дальше при вызове других сервисов (например, в заголовке X-Request-ID исходящего HTTP-запроса), чтобы можно было сквозно искать все логи, относящиеся к одному запросу пользователя, по цепочке сервисов — это особенно важно при диагностике проблем в распределённой системе. Подводные камни Риск. Генерируют новый ID на
asynciologging
MiddlePython Developer > Основы Python > Архитектура веб-API
Короткий ответ Middleware должен на каждый запрос проверять и увеличивать счётчик обращений по ключу (например, IP или ID пользователя) с ограниченным временным окном в общем для всех инстансов хранилище (обычно Redis с TTL/атомарными операциями), а не в локальной памяти процесса, иначе лимит не будет общим при горизонтальном масштабировании. Как это работает подробнее Типичная реализация — алгоритм fixed window или sliding window/token bucket: для каждого ключа хранится счётчик запросов за текущее окно времени; при превышении лимита middleware возвращает 429 Too Many Requests, обычно с заголовком Retry-After. Атомарность инкремента важна при конкурентных запросах от одного клиента — обычная проверка-потом-инкремент в Python без блокировки/атомарной операции в хранилище подвержена race condition. Пример кода Что использовать на практике Практика. Хранение в памяти процесса (dict в Python) работает только для одного процесса/инстанса — при нескольких воркерах/подах лимит фактически умножается на их количество.
djangofastapi