本書詳細闡述如何在設計、規劃和實現軟件時做出更好的決策，通過真實的案例，以抽絲剝繭的方式分析那些失誤的決策，探討還有哪些可能的解決方案，并對比各種方案的優缺點，摸索軟件設計的常青模式。本書通過實例來說明某些決策的后果，例如代碼重復如何影響系統的耦合與演進速度，以及如何在日期和時間信息方面隱藏細微差別。本書還介紹如何根據帕累托法則有效地縮小優化范圍，確保分布式系統的一致性。
通過閱讀本書，讀者很快就可以將作者來之不易的經驗應用到自己的項目中，以預防錯誤并采取更合適的編程決策。
深刻剖析軟件設計決策中的權衡與取舍，涵蓋單體系統、微服務、大數據處理等多領域。
通過真實案例與代碼片段，展示軟件設計模式的實際應用與錯誤決策的教訓。
深入分析軟件設計中的潛在問題與局限，提前預防未來可能出現的陷阱。
通過預識別設計問題，減少后期修改與重構的成本。
闡釋如何平衡靈活性與復雜性、性能與優化等關鍵設計要素。
提供一套系統化的方法，幫助軟件工程師在有限資源下做出更明智的決策。
通過增進對軟件設計取舍的理解，提升代碼質量與項目成功率。
托馬斯·萊萊克（Tomasz Lelek） 托馬斯在他的軟件開發職業生涯里，設計并開發過各種各樣的生產服務、軟件架構，他精通多種編程語言（大多數是基于 JVM 的）。他既實現過單體系統，也曾做過與微服務架構相關的工作。他設計的有些系統可服務數千萬用戶，每秒處理數十萬的操作量。他的工作方向如下： ? 設計采用 CQRS 架構的微服務（基于 Apache Kafka）； ? 市場自動化及事件流處理； ? 基于 Apache Spark 和 Scala 的大數據處理。 托馬斯現在就職于 Dremio，負責創建現代大數據處理的數據湖解決方案。在此之前，他在DataStax 負責與 Cassandra 數據庫相關的一些產品。他設計的工具幫助成千上萬的開發者設計出性能優異、用戶友好的 API，發揮了重要的作用。他為 Java-Driver、Cassandra Quarkus、Cassandra-Kafka Connector 以及 Stargate 都貢獻過代碼。 喬恩·斯基特（Jon Skeet） 喬恩是谷歌公司的資深開發工程師，目前的工作方向是谷歌云的.NET 客戶端庫。他向開源社區貢獻了.NET 版本的 Noda 時間庫，然而他最讓人稱道的是他在 Stack Overflow 開發者社區的貢獻。喬恩是 Manning 出版社出版的 C# in Depth 一書的作者，此外，他還對 Groovy in Action 以及 Real-World Functional Programming 兩書有所貢獻。喬恩對日期時間 API 以及 API版本非常感興趣，這些通常是無人問津的冷門話題。
第 1 章 引言 1
1.1 決策的后果與模式 2
1.1.1 單元測試 2
1.1.2 單元測試與集成測試的比例 3
1.2 設計模式及其失效分析 5
1.3 架構設計模式及其失效分析 10
1.3.1 可擴展性與彈性 11
1.3.2 開發速度 12
1.3.3 微服務的復雜性 12
小結 14
第 2 章 代碼重復不一定是壞事：代碼重復與靈活性的權衡 15
2.1 代碼庫間的通用代碼及重復代碼 16
2.1.1 添加新需求導致的代碼重復 17
2.1.2 實現新的業務需求 17
2.1.3 結果評估 19
2.2 通過庫在代碼庫之間共享代碼 19
2.2.1 共享庫的取舍與不足 20
2.2.2 創建共享庫 21
2.3 抽取代碼為一個獨立的微服務 22
2.3.1 采用獨立微服務方式的取舍與弊端 24
2.3.2 關于獨立微服務的總結 27
2.4 通過代碼重復改善松耦合 28
2.5 利用繼承減少 API 設計中的重復 31
2.5.1 抽取出一個請求處理器作為基類 33
2.5.2 繼承與緊耦合的取舍 35
2.5.3 繼承與組合的取舍 36
2.5.4 一貫性的重復與偶然性的重復 37
小結 38
第 3 章 異常及其他代碼錯誤的處理模式 39
3.1 異常的層次結構 40
4
3.2 代碼異常處理的最佳模式 44
3.2.1 公共 API 的已檢測異常處理 45
3.2.2 公共 API 的未檢測異常處理 46
3.3 異常處理的反模式 47
3.3.1 異常時，關閉資源 49
3.3.2 反模式：利用異常控制應用流 51
3.4 源自第三方庫的異常 51
3.5 多線程環境中的異常 54
3.6 使用 Try 以函數式的途徑處理異常 59
3.6.1 在生產代碼中使用 Try 62
3.6.2 混合使用 Try 與拋出異常的代碼 64
3.7 異常處理策略的性能對比 65
小結 68
第 4 章 靈活性與復雜性的權衡 70
4.1 一個健壯但無法擴展的API 71
4.1.1 設計一個新組件 71
4.1.2 從最簡單的代碼開始 72
4.2 允許客戶使用自己的指標框架 75
4.3 通過鉤子為你的 API提供可擴展性 77
4.3.1 防范鉤子 API 的過度使用 79
4.3.2 鉤子 API 的性能影響 81
4.4 通過偵聽器為你的 API提供可擴展性 83
4.4.1 使用偵聽器與鉤子的取舍 84
4.4.2 設計的不可修改性 85
4.5 API 的靈活性分析及維護開銷的權衡 87
小結 88
第 5章 過早優化 vs 熱路徑優化：影響代碼性能的決策 89
5.1 過早優化是萬惡之源 90
5.1.1 構建賬戶處理管道 90
5.1.2 依據錯誤的假設進行優化處理 91
5.1.3 對性能優化進行基準測試 92
5.2 代碼中的熱路徑 94
5.2.1 從軟件系統的角度理解帕累托法則 96
5.2.2 依據 SLA 配置線程（并發用戶）數 97
5.3 具有潛在熱路徑的 word服務 97
5.3.1 獲取每日一詞 98
5.3.2 驗證單詞是否存在 100
5.3.3 使用 HTTP 服務，向外提供WordsService 100
5.4 檢測你代碼中的熱路徑 102
5.4.1 使用 Gatling 創建 API 的性能測試 102
5.4.2 使用 MetricRegistry 度量代碼路徑 105
5.5 改進熱路徑的性能 107
5.5.1 為現有代碼創建 JMH 微基準測試 107
5.5.2 利用緩存優化 word-exists程序 109
5.5.3 調整性能測試，使用更多的輸入單詞 113
小結 115
第 6 章 API 的簡潔性 vs 維護成本 116
6.1 一個為其他工具服務的基礎庫 117
6.1.1 創建云服務客戶端 117
6.1.2 漫談認證策略 119
6.1.3 理解配置的機制 120
6.2 直接暴露依賴庫的配置 123
6.3 一個將依賴庫的配置抽象化的工具 127
6.4 為云服務客戶端庫添加新的配置 129
6.4.1 為批處理工具添加新配置 130
6.4.2 為流處理工具添加新配置 132
6.4.3 方案對比：用戶體驗的友好性 vs 維護成本 132
6.5 棄用/刪除云服務客戶端庫的某個配置 133
6.5.1 刪除批處理工具的某個配置 135
6.5.2 刪除流服務中某個配置 137
6.5.3 兩種方案用戶體驗與維護成本的比較 138
小結 139
第 7 章 高效使用日期和時間數據 140
7.1 日期和時間信息的概念 141
7.1.1 機器時間：時間戳、紀元以及持續時間 141
7.1.2 民用時間：日歷系統、日期時間以及期間 145
7.1.3 時區、UTC 以及 UTC偏移量 149
7.1.4 讓人頭疼的日期和時間概念 154
7.2 準備處理日期和時間信息 155
7.2.1 對范疇做限定 155
7.2.2 澄清日期和時間的需求 157
7.2.3 使用恰當的庫或者包 161
7.3 實現日期和時間代碼 162
7.3.1 保持概念的一致性 162
7.3.2 通過避免使用默認值提升可測試性 164
7.3.3 以文本方式表示日期和時間 170
7.3.4 通過注釋解釋代碼 175
7.4 有必要單獨指出并測試的極端情況 178
7.4.1 日歷計算 178
7.4.2 發生在午夜時分的時區轉換 178
7.4.3 處理不明確或者跳過的時間 179
7.4.4 處理不斷變化的時區數據 179
小結 183
第 8 章 利用機器的數據本地性和內存 184
8.1 數據本地性是什么 184
8.1.1 將計算移動到數據處 185
8.1.2 用數據本地性擴展數據處理 186
8.2 數據的分區 188
8.2.1 線下大數據分區 188
8.2.2 分區和分片的區別 190
8.2.3 分區算法 191
8.3 連接多個分區上的大數據集 193
8.3.1 在同一臺物理機上連接數據 194
8.3.2 需要數據移動的連接 195
8.3.3 利用廣播優化連接 196
8.4 在內存還是磁盤中進行數據處理的權衡 198
8.4.1 基于磁盤的處理 198
8.4.2 我們為什么需要映射-化簡？ 198
8.4.3 計算訪問時間 201
8.4.4 基于內存的處理 202
8.5 用 Apache Spark 實現連接 203
8.5.1 不使用廣播的連接 204
8.5.2 使用廣播的連接 206
小結 208
第 9 章 第三方庫：你用的庫成為你的代碼 209
9.1 引用一個庫就要對它的配置選項負責：小心那些默認配置 210
9.2 并發模型和可擴展性 213
9.2.1 使用異步和同步 API 215
9.2.2 分布式的可擴展性 217
9.3 可測試性 218
9.3.1 測試庫 219
9.3.2 用偽造值和模擬函數來進行測試 221
9.3.3 集成測試工具包 224
9.4 第三方庫的依賴 225
9.4.1 避免版本沖突 226
9.4.2 太多的依賴 227
9.5 選擇和維護第三方依賴 228
9.5.1 第 一印象 228
9.5.2 復用代碼的不同方式 229
9.5.3 鎖定供應商 229
9.5.4 軟件許可證 230
9.5.5 庫和框架 230
9.5.6 安全和更新 230
9.5.7 選擇第三方庫的檢查列表 231
小結 232
第 10 章 分布式系統的一致性和原子性 233
10.1 數據源的至少一次傳輸語義 234
10.1.1 單節點服務之間的網絡訪問 234
10.1.2 應用程序重試請求 235
10.1.3 生成數據和冪等性 236
10.1.4 理解 CQRS 238
10.2 去重庫的簡單實現 240
10.3 在分布式系統里實現去重會遇到的常見錯誤242
10.3.1 單節點環境 242
10.3.2 多節點環境 244
10.4 用原子性的邏輯避免競爭條件 246
小結 250
第 11 章 分布式系統的傳輸語義 251
11.1 事件驅動應用程序的架構 252
11.2 基于 Apache Kafka 的生產者和消費者應用程序 254
11.2.1 Kafka 消費者 255
11.2.2 理解 Kafka brokers設置 257
11.3 生產者的邏輯 258
11.4 在消費者端實現不同的傳輸語義 262
11.4.1 消費者手動提交 264
11.4.2 從最早或最晚的偏移量開始重啟 266
11.4.3 （最終）恰好一次傳輸語義 268
11.5 用傳輸保證提供容錯能力 270
小結 271
第 12 章 版本管理和兼容性 272
12.1 版本管理的抽象思考 273
12.1.1 版本的屬性 273
12.1.2 向后兼容性和向前兼容性 274
12.1.3 語義版本規范 275
12.1.4 營銷版本 277
12.2 庫的版本管理 277
12.2.1 源碼、二進制和語義兼容性 278
12.2.2 依賴圖和菱形依賴 285
12.2.3 處理破壞性改動的技術手段 288
12.2.4 管理內部庫 292
12.3 網絡 API 的版本管理 293
12.3.1 網絡 API 調用的環境 293
12.3.2 用戶喜歡公開透明的版本策略 295
12.3.3 常見的版本策略 295
12.3.4 版本管理額外的考慮因素 300
12.4 數據存儲的版本管理 303
12.4.1 簡要介紹 Protocol Buffers 303
12.4.2 哪些是破壞性改動 305
12.4.3 在存儲系統內部遷移數據 306
12.4.4 準備好面對未知 309
12.4.5 分離網絡 API 和存儲的數據格式 310
12.4.6 評估存儲格式 312
小結 313
第 13 章 緊跟最新技術趨勢和維護舊代碼之間的權衡 315
13.1 什么時候應該使用依賴注入框架 316
13.1.1 DIY 依賴注入 317
13.1.2 使用依賴注入框架 319
13.2 什么時候應該使用響應式編程 321
13.2.1 創建一個單線程阻塞式處理模型 322
13.2.2 使用CompletableFuture 324
13.2.3 實現一個響應式方案 326
13.3 什么時候應該使用函數式編程 328
13.3.1 用非函數式語言寫函數式代碼 328
13.3.2 尾部遞歸優化 331
13.3.3 利用不可變性 332
13.4 對比延遲和急切初始化 333
小結 335
新書資訊