• 목록
• 답변
• 글쓰기
• 게시판 리스트 옵션
  • 수정
  • 삭제

Na závěr si osvojte koncept environment protection. Vytvořte si prostředí production, kde nastavíte povinnou revizi před nasazením. To je jednodušší než externí schvalovací nástroj. Když pak potřebujete rollback, stačí vytvořit nový release z předchozího tagu. Automatizace vám ušetří hodiny ruční práce, ale jen pokud dodržíte pravidla izolace a bezpečnosti. Bez nich se z pipeline stane zdroj nočních chyb.

Pamatujte, že optimalizace je iterativní proces. Nejdřív změříte, pak změníte, a znovu změříte. Někdy se stane, že navrhnete index, který se zdá ideální, ale databázový plánovač ho stejně nepoužije. Důvodem může být to, že data nejsou dostatečně selektivní. Pokud sloupec obsahuje jen pár různých hodnot, index nepomůže. V takovém případě je lepší zaměřit se na jinou část dotazu nebo na změnu datového typu. Až budete mít pocit, že je dotaz rychlý, porovnejte jeho výkon před a po úpravě, abyste měli jistotu, že jste skutečně dosáhli zlepšení.

Automatizace nasazení není o psaní složitých skriptů, ale o pochopení toku událostí. GitHub Actions staví na událostech z repozitáře – push do větve, otevření pull requestu nebo vytvoření tagu. Základní pipeline popíšete v YAML souboru, který uložíte do složky .github/workflows. Každý soubor definuje spouštěcí událost a sekvenci jobů, které běží na virtuálních strojích. Pro začátek si vystačíte s push na hlavní větev, ale pro produkční nasazení je bezpečnější použít tagy nebo ruční schválení.

Pro testování pipeline lokálně slouží nástroje, které simulují prostředí Actions, ale mají své limity. Neověříte v nich chování runneru při síťových výpadcích. Nejlepší je mít minimální produkční nasazení, If you have any sort of questions concerning where and just how to utilize více zde, you can call us at the web page. které spustíte na pull request do hlavní větve. To odhalí problémy s oprávněními dřív, než se dostanete k merge. Sledujte také využití minut – ve free tarifu máte omezený počet běhů, proto optimalizujte build tak, abyste zbytečně nespouštěli celý pipeline při změně dokumentace. Filtrujte spouštěcí události pomocí paths, aby se testy spustily jen při změně relevantních souborů.

Optimalizace SQL dotazů není o tom, abyste přepsali každý příkaz podle šablony. Jde o to, abyste věděli, kde se výkon skutečně ztrácí. Prvním krokem je měření. Zkuste si zapnout logování pomalých dotazů nebo použijte EXPLAIN ANALYZE. Tento příkaz vám ukáže, kolik času jednotlivé kroky plánu skutečně zaberou, a hlavně kde dochází k sekvenčnímu prohledávání tabulky. Bez těchto údajů budete jen hádat, a to obvykle vede k úpravám, které nic nezlepší.

Typickým problémem jsou tajemství. Nikdy nevkládejte hesla přímo do YAML souboru. Využijte secrets v nastavení repozitáře a reference přes kontext. Při nasazení na cloud si vytvořte dedikovaný účet s minimálními právy – jen nahrávání artefaktů, ne mazání. Pokud používáte kontejnery, nezapomeňte, že každý rekonstrukce koupelny krok za krokem v jobu běží v novém kontejneru. Změny v souborovém systému mezi kroky se nepropisují, pokud nepoužijete sdílený workspace.

Typickou chybou je zapomínat na režijní činnosti. Samotné psaní kódu tvoří jen část práce. Schůzky, code review, komunikace s kolegy, řešení konfliktů v gitu, nasazení na server — to všechno stojí čas. Pokud odhadujete čistý vývojový čas a nepřidáte k němu aspoň dvacet procent rezervy, výsledný odhad bude vždy příliš optimistický. Dobrý odhadce má tendenci podceňovat, a proto vědomě navyšuje hodnoty o faktor známý z minulých projektů.

Pro nasazení na vlastní server využijete self-hosted runner. Instalujete si aplikaci na svůj stroj, která poslouchá na příkazy. To dává smysl, když potřebujete přístup do firemní sítě nebo máte specifický hardware. Pozor ale na bezpečnost – runner má přístup k tokenům repozitáře. Oddělte proto produkční runner od vývojářských strojů a používejte samostatnou skupinu runnerů pro citlivé prostředí. Vždy nastavte timeout pro každý job, jinak vám zaseknutý proces spotřebuje minuty bez užitku.

První kroky s pytestem jsou překvapivě přímočaré. Stačí napsat funkci začínající slovem test_ a uvnitř použít obyčejný assert. Žádné třídy, žádné speciální metody. Pokud chcete otestovat funkci, která sčítá dvě čísla, vytvoříte soubor test_calc.py a do něj napíšete: def test_soucet(): assert soucet(2, 3) == 5. Spuštění provedete příkazem pytest v terminálu, a pytest automaticky najde všechny soubory s předponou test_ a funkce test_ v aktuálním adresáři. To je první věc, na kterou si zvykněte – pojmenování souborů a funkcí není libovolné, ale řídí se konvencemi.

Nejčastější příčinou pomalých dotazů je chybějící nebo nevhodně zvolený index. Když dotaz používá ve WHERE sloupec, na kterém není index, databáze musí projít celou tabulku. Přitom stačí vytvořit jednoduchý index, ale pozor na pořadí sloupců ve složeném indexu. Pokud máte podmínku na sloupec A a sloupec B, index (A, B) pomůže, ale index (B, A) už tolik ne. Také si dejte pozor na použití funkcí v podmínce – WHERE funkce(sloupec) = hodnota je téměř vždy důvod, Https://Jak.Mazovia.Edu.Pl/ proč se index nepoužije.