Hyperf 发布 v1.1.4 版本,增加 Metric 监控组件
更新内容
本周更新主要为 服务监控,已接入 Prometheus StatsD 和 InfluxDB。
微服务治理的一个核心需求便是服务可观察性。作为微服务的牧羊人,要做到时刻掌握各项服务的健康状态,并非易事。云原生时代这一领域内涌现出了诸多解决方案。本组件对可观察性当中的重要支柱遥测与监控进行了抽象,方便使用者与既有基础设施快速结合,同时避免供应商锁定。
感谢作者 Reasno
直接访问 官网 hyperf.io 或 文档 hyperf.wiki 查看。
新增
- #778
Hyperf\Testing\Client新增PUT和DELETE方法。 - #784 新增服务监控组件。
- #795
AbstractProcess增加restartInterval参数,允许子进程异常或正常退出后,延迟重启。 - #804
Command增加事件BeforeHandleAfterHandle和FailToHandle。
变更
- #793
Pool::getConnectionsInChannel方法由protected改为public. - #811 命令
di:init-proxy不再主动清理代理缓存,如果想清理缓存请使用命令vendor/bin/init-proxy.sh。
修复
- #779 修复
JPG文件验证不通过的问题。 - #787 修复
db:seed参数--class多余,导致报错的问题。 - #795 修复自定义进程在异常抛出后,无法正常重启的BUG。
- #796 修复
etcd配置中心enable即时设为false,在项目启动时,依然会拉取配置的BUG。
优化
关于 Hyperf
Hyperf 是基于 Swoole 4.4+ 实现的高性能、高灵活性的 PHP 协程框架,内置协程服务器及大量常用的组件,性能较传统基于 PHP-FPM 的框架有质的提升,提供超高性能的同时,也保持着极其灵活的可扩展性,标准组件均基于 PSR 标准 实现,基于强大的依赖注入设计,保证了绝大部分组件或类都是 可替换 与 可复用 的。
框架组件库除了常见的协程版的 MySQL 客户端、Redis 客户端,还为您准备了协程版的 Eloquent ORM、WebSocket 服务端及客户端、JSON RPC 服务端及客户端、GRPC 服务端及客户端、Zipkin (OpenTracing) 客户端、Guzzle HTTP 客户端、Elasticsearch 客户端、Consul 客户端、ETCD 客户端、AMQP 组件、Apollo 配置中心、阿里云 ACM 应用配置管理、ETCD 配置中心、基于令牌桶算法的限流器、通用连接池、熔断器、Swagger 文档生成、Swoole Tracker、Blade 和 Smarty 视图引擎、Snowflake 全局ID生成器 等组件,省去了自己实现对应协程版本的麻烦。
Hyperf 还提供了 基于 PSR-11 的依赖注入容器、注解、AOP 面向切面编程、基于 PSR-15 的中间件、自定义进程、基于 PSR-14 的事件管理器、Redis/RabbitMQ 消息队列、自动模型缓存、基于 PSR-16 的缓存、Crontab 秒级定时任务、i18n 国际化、Validation 表达验证 等非常便捷的功能,满足丰富的技术场景和业务场景,开箱即用。
框架初衷
尽管现在基于 PHP 语言开发的框架处于一个百花争鸣的时代,但仍旧未能看到一个优雅的设计与超高性能的共存的完美框架,亦没有看到一个真正为 PHP 微服务铺路的框架,此为 Hyperf 及其团队成员的初衷,我们将持续投入并为此付出努力,也欢迎你加入我们参与开源建设。
设计理念
Hyperspeed + Flexibility = Hyperf,从名字上我们就将 超高速 和 灵活性 作为 Hyperf 的基因。
- 对于超高速,我们基于 Swoole 协程并在框架设计上进行大量的优化以确保超高性能的输出。
- 对于灵活性,我们基于 Hyperf 强大的依赖注入组件,组件均基于 PSR 标准 的契约和由 Hyperf 定义的契约实现,达到框架内的绝大部分的组件或类都是可替换的。
基于以上的特点,Hyperf 将存在丰富的可能性,如实现 单体 Web 服务,API 服务,网关服务,分布式中间件,微服务架构,游戏服务器,物联网(IOT)等。
文档齐全
我们投入了大量的时间用于文档的建设,以解决各种因为文档缺失所带来的问题,文档上也提供了大量的示例,对新手同样友好。
Hyperf 官方开发文档
生产可用
我们为组件进行了大量的单元测试以保证逻辑的正确,目前存在 1145 个单测共 3385 个断言条件,同时维护了高质量的文档,在 Hyperf 正式对外开放(2019年6月20日)之前,便已经过了严酷的生产环境的考验,我们才正式的对外开放该项目,现在已有很多的大型互联网企业都已将 Hyperf 部署到了自己的生产环境上并稳定运行。
官网及交流
Github 👈👈👈👈👈 点 Star 支持我们
Gitee 码云 👈👈👈👈👈 点 Star 支持我们
QQ 群: 862099724
关注公众号
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
-
上一篇
阿姆达尔Law对系统性能提升的定义
阿姆达尔定律 = Amdahl's Law,本篇重点是介绍该定律。 背景 系统架构中对系统性能设计的解决方案之一:“阿姆达尔方案”。书中还有个完全看不懂的公式,理解起来脑仁痛(不懂...)但发现很有价值,便系统的学习一下。 例题试先做一下,带着疑问点再看定律。 例题:假设某一功能的处理时间为整体系统运行时间的60%,若使该功能的处理速度提高至原来的5倍,则根据阿姆达尔定律,整个系统的处理速度可提高至原来的多少倍? 定理公式 优化前系统总耗时To(old),优化后系统总耗时Tn(new),加速比S=To/Tn。 Speedup = timeOld / timeNew 详细公式: S = 1 / ((1-C) + C/S) S(speedup),加速比。 C,原系统中能够改进的部分占总部分的比例,也可以说能够改进部分运行时间占总系统运行时间的比例,比如:75%。 S,改进后系统的提升比例,比如:5倍。 举例分解 上面的例子细化一下:程序A中子程序B的运行时间占A的60%,子程序B优化提升了5倍速度,那么程序A将多少? 程序A初始假设速度可为1,如下: 1/((1-0.6)+0.6/5) =...
-
下一篇
大数据和人工智能:3个真实世界的用例
大数据和人工智能够帮助企业以新的方式改善客户体验。 人工智能和大数据之间的关系是双向的。可以肯定的是:人工智能的成功很大程度上取决于高质量的数据,同时,管理大数据并从中获取价值越来越多地依靠(诸如机器学习或自然语言处理等)人工智能技术来解决对人类而言难以负担的问题。 正如Anexinet公司高级数字策略师Glenn Gruber所述,这是一个“良性循环”。大数据中的“大”曾经被视为一种挑战而不是机遇,但随着企业开始推广机器学习和其他人工智能学科的应用,这种情况正在发生变化。 Gruber解释说,“如今,我们想要尽可能多的数据,这不仅是为了更好地洞察我们试图解决的业务问题,而且因为我们通过机器学习模型输入的数据越多,它们得到的结果就越好。” 当大数据遇到人工智能:跨行业的用例 以下深入地了解这个更广泛的循环中的一个部分:如何将人工智能当作处理大数据的强大杠杆的示例,无论是用于分析、改进的客户体验、新的效率还是其他目的。人们需要考虑以下人工智能和大数据应用的三个重要因素: 1.从非标准化来源收集结构化数据 大数据面临很多的挑战,例如以一种可用的、具有成本效益的方式存储大数据。当涉及到非结构...
相关文章
文章评论
共有0条评论来说两句吧...

微信收款码
支付宝收款码