构建微服务时，我们用到的库-低调大师

构建微服务时，我们用到的库

2017-10-09 694

本文讲的是构建微服务时，我们用到的库【编者的话】构建微服务时，究竟该不该使用库，又有那些代码适合写作库？这里是作者的一些经验之谈。

正如其他通用的解决方案一样，微服务架构也有自己的优劣；有些东西因它变的更简单，同时另一些东西却变的更复杂。当转换到微服务的时候，最常见的挑战就是在哪里使用共享代码的问题。

起初，把常见代码转换成独立库的这种做法听起来很不错。原因很简单，一般我们要在两个文件中用到相同代码的时候，就会把这段代码写成一个函数，而写成库则是在更高层次上达到相同的作用，何乐而不为呢？

但是并非我们想象中那么简单。共享库会造成微服务之间的强依赖，因此应该事先考虑清楚这些为服务在整个服务群中所扮演的角色后再做决定。我在加入Runnable之后亲身经历过这类问题。

举个例子，假设你把域模型抽象进了一个库中，一旦对该模型进行修改，你必须同时更新所有使用这个库的服务。这包括更新代码，通过review，测试，staging等等。这样一来，微服务构架就变成了一个死板的整体。

那么，是不是说微服务就不能和库共存了呢？并不是。Philipp Hauer在他的文章中曾解释过一些关于微服务和共享库的特例。

在技术问题（technical concerns）上，使用库是okay的（比如，日志和监控），因为业务需求往往对这些问题没什么影响。

这一点很重要。微服务一般可以分为两类代码：

域特定代码（Domain specific code）。这类代码针对服务需要处理的问题。比如，所有的业务逻辑和域模型都是这类代码。
支持代码（Support code），也就是Philipp Hauer所提到的技术问题。就我自己的经验来说，微服务代码中很大一部分都属于支持代码，所以我们应当花点时间来考虑如何更好的组织这些代码。

在Runnable，我们用到了一些库。其中一些是内部开发的，一些则是第三方代码。这些库是我们建立新的微服务的基石。

下面列出一些与我们的一些库相关的技术问题：

监控（monitor dog）——以标准化方式向Datadog报告数据；例如，在每个时间前加上服务名作为前缀。
错误处理（error cat）——提供错误层级结构，该结构由所有服务继承并向Rollbar报告错误。
配置（loadenv）——保证每个微服务都以同种方式加载环境变量。
worker服务器（ponos）——包含标准监控和错误报告的常规worker服务器。
Docker/Swarm 客户端（loki）——包含标准监控的Docker/Swarm客户端库。
正确性检查（joi）——针对邮箱地址、日期等的正确性检查库。

结论

要正确辨别你的代码中是否需要用到库，这很重要。

这里有几个一般性的经验法则：

如果这段代码中包含业务逻辑或者域特定代码——那这段代码就不应转换为库。
如果这段代码会因新的需求频繁变动——那它也不适合作为库。
如果这段代码会造成消费者间的耦合——它也不适合作为库。

如果以上问题都没有，那就放心去做吧！将一般性的代码转换成独立的库可以加快新服务的开发，因为这样你可以将精力集中在服务需要解决的特定问题上。另外，使用库函数还可以让所有模块的监控、错误处理、和管理配置变得标准一致。

原文链接：Libraries We Use When Building Microservices（翻译：马远征)

原文发布时间为：2016-09-30

本文作者：马远征

本文来自云栖社区合作伙伴Dockerone.io，了解相关信息可以关注Dockerone.io。

原文标题：构建微服务时，我们用到的库

微信关注我们

原文链接：https://yq.aliyun.com/articles/225433

转载内容版权归作者及来源网站所有！

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。

一文读懂深度学习框架下的目标检测（附数据集）

从简单的图像分类到3D位置估算，在机器视觉领域里从来都不乏有趣的问题。其中我们最感兴趣的问题之一就是目标检测。如同其他的机器视觉问题一样，目标检测目前为止还没有公认最好的解决方法。在了解目标检测之前，让我们先快速地了解一下这个领域里普遍存在的一些问题。目标检测vs 其他计算机视觉问题图像分类在计算机视觉领域中，最为人所知的问题便是图像分类问题。图像分类是把一幅图片分成多种类别中的一类。 ImageNet是在学术界使用的最受欢迎的数据集之一，它由数百万个已分类图像组成，部分数据用于ImageNet大规模视觉识别挑战赛（ILSVRC）。最近几年来，解决分类问题的模型已经有了超越人类的识别能力，所以分类问题实际上已经被解决了。然而，图像分类问题有许多挑战，相伴随着的是许多如何解决这些问题的文献以及对还未被解决的问题的探讨。图像分类

2017-10-10

589

DeepMind到底是如何教AI玩游戏的？这篇在Medium上获得1700个赞的文章，把里面的原理讲清楚了。谷歌的DeepMind是世界一流的AI研究团队，其研发的AlphaGo在2016年备受瞩目的人机大战中击败了韩国围棋冠军李世石（Lee Sedol），一战成名。AlphaGo背后的关键技术就是深度强化学习（Deep Reinforcement Learning）。这篇论文讲了些什么？这得从4年前说起。彼时，DeepMind开发了一个AI程序，它能玩Atari公司70年代推出的一系列游戏，如Breakout（打砖块）、弹球游戏《Pong》和《太空入侵者》（Space Invaders）。正是由于这项研究，谷歌收购了DeepMind，同时它也奠定了AlphaGo的基础。《太空入侵者》今天我们将逐段解析原研究论文《Playin

2017-10-10

686

资源下载

更多资源

优质分享App

近一个月的开发和优化，本站点的第一个app全新上线。该app采用极致压缩，本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。