Pytex / Артем Шумейко - Параллелизм на продакшен примерах. Тариф Стартовый

Сайт: Сайт автора

Этот курс — твоя ступенька к росту

Если ты научишься применять конкурентность и параллелизм в продакшен проектах, ты сможешь выставлять это, как одно из самых сильных качеств при повышении грейда.

Скорее всего ты уже
пытался изучить эти темы:

Асинхронность, потоки и процессы, смотрел статьи
и видео — но так и не понял, как это применять в реальной разработке

Учебные примеры
не похожи на работу

Непонятно, какой инструмент выбрать под задачу

Знания есть, но цельной картины нет

Тебе нужно знать:

FastAPI

PostgreSQL

Docker

Git

Основная ценность курса —
постоянная практика

Ты будешь разбирать ошибки в продакшен коде вместе со спикером, и параллельно будешь писать свой проект с использованием новых технологий:

Потоки и процессы. Для нетипичной 
IO/CPU нагрузки

Высокая нагрузка. Нагрузим 1000 RPS для имитации продакшена

Брокеры. Для обработки больших потоков данных из Kafka

Websockets. Для трансляции лайв-событий

Локальные очереди. Для передачи данных внутри приложения

Внешние API. С таймаутами, распределенными rate limiter’ами и локами

Распределенные системы. Мьютексы и семафоры для координации распределенных запросов

Программа:

Неделя 1. Фундамент конкурентности и параллелизма

Разбираем конкурентность и параллелизм по кирпичикам: как задействуются ядра процессора, как переключаются потоки, и как работают сокеты

GIL, IO-bound и CPU-bound: что именно блокирует GIL, как он влияет на каждый тип нагрузки и почему CPU-bound задача не ускоряется от async

Корутины и событийный цикл изнутри: почему это не просто \"тупая\" очередь задач, и как его не заблокировать

Корутины, потоки, процессы, воркеры: разница, когда что выбрать

Tasks и Futures: create_task, получение результата, обработка исключений, отмена и потеря задач

gather и TaskGroup: как ведёт себя группа задач при падении одной из них и как безопасно запускать набор задач

Домашнее задание

Сравнить последовательный и параллельный запуск корутин, получить блокировку event loop. Поработать с запуском и отменой задач. Вынести блокирующую функцию в поток, CPU-задачу — в процесс.

Результат недели

Уложишь в голове, как устроены потоки, процессы, корутины и воркеры, разберёшься с базой асинхронности и, глядя на любую задачу или код, будешь сразу понимать, каким инструментом её решать.

Неделя 2. Работа с базой данных и внешними API под нагрузкой

Знакомство с production-style микросервисом заказов: где в нём прячется конкурентность и что ломается под нагрузкой в первую очередь

Как устроены большинство Python библиотек для работы с БД, Redis, брокером, и как не выстрелить себе в ногу при больших нагрузках

Параллельные запросы к базе PostgreSQL: что такое thread-safe и coroutine-safe, и почему типичный паттерн Repository ломается в этом случае

as_completed и wait: забираем результаты по мере готовности, не дожидаясь самого медленного

Домашнее задание

Реализовать HTTP-клиенты к внешним API и параллельно подтягивать данные при создании события. На превью заказа параллельно собирать сущности из БД, не шаря одну сессию. Добавить таймауты, обработку ошибок и retry на временные ошибки.

Результат недели

Научишься ходить в базу и внешние API параллельно, переиспользовать TCP-соединения и на реальных примерах увидишь, насколько это ускоряет сервис. Погрузишься в параллельные запросы, которые нужны каждый день, и поймёшь, какой код безопасно выполнять конкурентно.

Неделя 3. Координация в распределенной системе

Что меняется, когда сервис живёт запущен в нескольких инстансах? Как согласовать всех воркеров, даже если они живут на разных серверах?

Паттерн Single Flight: как из тысячи одинаковых запросов пропустить в базу только один (решение проблемы Thundering herd)

Распределенная блокировка на примере протухшего токена: продлеваем общий токен внешнего API так, чтобы это сделал ровно один воркер, избежав 429 ошибок

Состояние прямо в памяти приложения: когда кэша уже мало и приходится жертвовать оперативкой ради производительности

Домашнее задание

Добавить Redis кэш и защитить популярное событие от лавины запросов через паттерн single flight через распределенную блокировку. Решить проблему thundering herd через распределенный мьютекс для обновления протухшего токена. Подтягивать snapshot конфига в память фоновой задачей.

Результат недели

Шагнёшь в распределённые системы и начнёшь решать серьезные проблемы: удерживать базу под наплывом запросов, согласовывать состояние между воркерами и не дать им наперегонки атаковать общий ресурс или внешний API.

Неделя 4. Фоновые задачи. От простых методов до production-ready

TaskIQ и Celery: когда задачу пора отдавать воркеру и чем опасны фоновые задачи

Как снизить нагрузку на сервис, используя поллинг для длинных

Паттерн Transactional outbox: как не допустить расхождения данных между базой, taskiq/celery и приложением

Как ускорить асинхронное приложение через вынос блокирующего кода в потоки. Учимся распознавать такой код

Домашнее задание

Вынести обработку покупок в Taskiq, отдавая статус для поллинга. Регулярно проверять билет и обновлять статус. Генерировать QR-код синхронным SDK во внешнем потоке.

Результат недели

Познакомишься с самыми популярными инструментами для фоновых задач в Python и поймёшь, какие проблемы с ними связаны. Научишься сам выбирать инструмент под задачу: когда выносить CPU-нагрузку, когда I/O и что для этого взять.

Неделя 5. Очереди, батчинг и потоковая обработка событий из Kafka

Зачем использовать очередь asyncio.Queue внутри приложения

Батчинг событий в ClickHouse: как снизить нагрузку с базы в сотни раз

Как действовать, если не успеваешь обрабатывать входящий поток сообщений из брокера

Знакомимся со вторым микросервисом аналитики, с получением тысяч событий из Kafka

Как выстроить пайплайн по переливу данных из Kafka в Websocket для рил-тайм слежения за курьерами на карте

Домашнее задание

Отправлять аналитику в фоновом режиме, чтобы запрос её не ждал. Копить события в очереди и писать в ClickHouse батчами. Обрабатывать данные из Kafka.

Результат недели

Научишься работать с Kafka асинхронно и с вебсокетами, делать батчинг данных и не перегружать базу, что критично важно на продакшене.

Неделя 6. Профилирование и трейсинг Python приложений

Выносим CPU-нагрузку правильно: какие вычисления отпускают GIL и почему от этого зависит выбор между потоками и процессами

Тяжёлый отчёт уезжает в воркер: клиент опрашивает статус и забирает готовый файл

CPU-расчёты по перемещениям курьеров и генерация Excel — в ProcessPoolExecutor, чтобы сервис не замирал

Ловим блокировки event loop: лаги, медленн