Телеграм канал «Библиотека джависта | Java, Spring, Maven, Hibernate»

⚙️ JaCoCo Если стандартных возможностей IDE для контроля покрытия тестами уже недостаточно, стоит обратить внимание на JaCoCo. Этот инструмент выходит за рамки базового функционала. В отличие от встроенных средств IntelliJ IDEA, которые отлично справляются с локальной разработкой, JaCoCo предлагает комплексный подход к анализу покрытия: ✔️ Многоформатные отчёты — HTML для визуализации, XML и CSV для автоматической обработки ✔️ Бесшовная интеграция с системами сборки (Maven/Gradle) ✔️ Готовность к CI/CD — работает с Jenkins, GitLab CI и другими платформами ✔️ Возможность исключать из анализа ненужные классы и пакеты ✔️ Совместимость с SonarQube и аналогичными системами контроля качества JaCoCo идеален для проектов, где важна прозрачность метрик тестирования и автоматизация проверок качества кода на всех этапах разработки. 🔗 JaCoCo GitHub 🔹 Курс «Алгоритмы и структуры данных» 🔹 Получить консультацию менеджера 🔹 Сайт Академии 🔹 Сайт Proglib 🐸 Библиотека джависта #Enterprise

🐸 Библиотека джависта #DevLife

🔥 Как настроить Prometheus и Grafana для мониторинга Prometheus + Grafana — индустриальный стандарт для мониторинга и визуализации метрик. Time-series база данных, pull-based сбор метрик, powerful query язык (PromQL), оповещения. Мониторинг JVM, HTTP requests, кастомных метрик, cache hit rates в реальном времени с историей и алертами. 1️⃣ Добавляем зависимости Для экспорта метрик в Prometheus нужны spring-boot-starter-actuator и micrometer-registry-prometheus. Micrometer автоматически собирает JVM и application метрики. Критически важно включить prometheus endpoint через management.endpoints.web.exposure.include=prometheus в application.yml. Без этого /actuator/prometheus не будет доступен. 2️⃣ Устанавливаем и настраиваем Prometheus Скачайте Prometheus или запустите через Docker. Создайте prometheus.yml конфиг файл с определением targets для scraping. Добавьте job для вашего приложения: job_name: 'spring-boot-app', targets: ['localhost:8080']. Укажите metrics_path: '/actuator/prometheus' и scrape_interval: 15s. Prometheus начнёт периодически собирать метрики. 3️⃣ Настраиваем кастомные метрики Inject MeterRegistry в сервисы для регистрации метрик. Используйте Counter для монотонно растущих значений: registry.counter("orders.created", "region", "EU").increment(). Для текущих значений используйте Gauge: registry.gauge("queue.size", queue, Queue::size). Для измерения времени операций используйте Timer с tags для группировки: Timer.builder("api.request.duration").tags("endpoint", "/users").register(registry). 4️⃣ Устанавливаем и подключаем Grafana Установите Grafana или запустите через Docker. При первом входе (admin/admin) добавьте Prometheus как data source через Configuration → Data Sources. Укажите URL Prometheus (http://localhost:9090), настройте scrape interval. Grafana автоматически проверит подключение через Test кнопку. После успешного подключения можно создавать дашборды. 5️⃣ Создаём дашборды в Grafana Импортируйте готовый дашборд для Spring Boot: используйте ID 4701 или 6756 из Grafana Marketplace. Они содержат панели для JVM memory, GC, HTTP metrics, database pool. Создайте кастомные панели для бизнес метрик. Используйте PromQL для запросов: rate(http_server_requests_seconds_count[5m]) для requests per second, sum by (status)(http_server_requests_seconds_count) для группировки по HTTP статусам. 6️⃣ Настраиваем алерты В Grafana создайте alert rules через Alerting → Alert rules. Определите условия: например, high error rate — rate(http_server_requests_seconds_count{status="500"}[5m]) > 10. Настройте каналы оповещения (Slack, email, PagerDuty, webhook) для получения алертов. Укажите threshold values, evaluation interval и for duration (как долго условие должно быть true перед отправкой алерта). 7️⃣ Best practices и оптимизация ▪️ Используйте tags (labels) для всех метрик — это позволяет фильтровать и группировать ▪️ Не создавайте метрики с high cardinality tags (например, user_id) — это убьёт Prometheus ▪️ Настройте retention policy в Prometheus для баланса между историей и хранилищем ▪️ Используйте recording rules в Prometheus для предагрегации часто используемых запросы ▪️ Используйте @Timed(percentiles = {0.5, 0.95, 0.99}) для SLA трекинга ✔️ Что происходит под капотом Micrometer собирает метрики во время работы приложения: подсчитывает request rate, измеряет latency, собирает JVM статистику. Метрики хранятся в памяти в формате Prometheus. Prometheus периодически делает HTTP GET запрос к /actuator/prometheus, получает все метрики в текстовом формате. Сохраняет их в time-series БД с timestamp. Grafana запрашивает данные у Prometheus через PromQL, строит графики и проверяет условия алёртов. 🔹 Курс «Алгоритмы и структуры данных» 🔹 Получить консультацию менеджера 🔹 Сайт Академии 🔹 Сайт Proglib 🐸 Библиотека джависта #Enterprise

☕️ Java && Coffee Уже поставили ёлку?) Отправляйте фото своих 🎄 🐸 Библиотека джависта #DevLife

✔️ Security-тест: Настройка Spring Security конфига Напишите конфигурацию для production-приложения 👇 📦 Задание Есть REST API с эндпоинтами: /api/public/** — публичные данные /api/user/** — данные пользователя /api/admin/** — админ-панель /actuator/health — health check /actuator/** — остальные actuator endpoints Настройте SecurityFilterChain с правильными правами доступа и защитой от основных атак. 📋 Требования — Доступы /api/public/** — доступ всем (включая неавторизованных) /api/user/** — только авторизованным с ролью USER или ADMIN /api/admin/** — только ADMIN /actuator/health — доступ всем /actuator/** — только ADMIN — Безопасность → Включить защиту от CSRF для state-changing операций → Настроить CORS: разрешить запросы только с https://example.com → Добавить security headers (XSS, clickjacking protection) → Использовать stateless сессии (JWT/token-based) → Настроить обработку ошибок 401/403 Ставьте → 🔥, если нравится формат. Если нет → 🤔 💬 Пишите решение в комментариях, главное прячьте под спойлер. 🐸 Библиотека собеса по Java #practise

От Spring Boot к матричным разложениям Java-разработчики привыкли к строгой типизации и надёжной архитектуре. Но когда дело доходит до анализа данных, возникает «чёрный ящик»: мы можем интегрировать ML-модель, но не всегда понимаем математическую логику её работы. Чтобы реально прокачаться, нужно спуститься на уровень ниже библиотек — к линейной алгебре. На курсе «Математика для разработки AI-моделей» мы перезапустили формат: теперь с живыми вебинарами. Первый уже прошёл (отзывы — огонь), но вы ещё успеваете влететь в поток. Что разбираем на ближайших лекциях: — векторы, матрицы, определители (основа эффективных вычислений); — линейную регрессию и метод наименьших квадратов (реализуем алгоритм с нуля); — SVD-разложение (ключ к созданию рекомендательных систем). Это не сухая теория, а практика на NumPy. Последний шанс присоединиться (до 9.12)

От Spring Boot к матричным разложениям Java-разработчики привыкли к строгой типизации и надёжной архитектуре. Но когда дело доходит до анализа данных, возникает «чёрный ящик»: мы можем интегрировать ML-модель, но не всегда понимаем математическую логику её работы. Чтобы реально прокачаться, нужно спуститься на уровень ниже библиотек — к линейной алгебре. На курсе «Математика для разработки AI-моделей» мы перезапустили формат: теперь с живыми вебинарами. Первый уже прошёл (отзывы — огонь), но вы ещё успеваете влететь в поток. Что разбираем на ближайших лекциях: — векторы, матрицы, определители (основа эффективных вычислений); — линейную регрессию и метод наименьших квадратов (реализуем алгоритм с нуля); — SVD-разложение (ключ к созданию рекомендательных систем). Это не сухая теория, а практика на NumPy. Последний шанс присоединиться (до 9.12): https://clc.to/LojFzw