Java Books
Java Библиотека По всем вопросам- @notxxx1 @ai_machinelearning_big_data - machine learning @pythonl - Python @itchannels_telegram - 🔥 best it channels @ArtificialIntelligencedl - AI @pythonlbooks-📚 @programming_books_it -it 📚 № 5032728887
Ko'proq ko'rsatish📈 Telegram kanali Java Books analitikasi
Java Books (@java_library) kanali faol ishtirokchi. Hozirda hamjamiyat 14 134 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 9 012-o'rinni va Rossiya mintaqasida 46 014-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 14 134 obunachiga ega bo‘ldi.
25 Oktabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -83 ga, so‘nggi 24 soatda esa -3 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 8.64% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 3.46% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 1 221 marta ko‘riladi; birinchi sutkada odatda 489 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 1 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent docker, собеседование, sql, boot, string kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“Java Библиотека
По всем вопросам- @notxxx1
@ai_machinelearning_big_data - machine learning
@pythonl - Python
@itchannels_telegram - 🔥 best it channels
@ArtificialIntelligencedl - AI
@pythonlbooks-📚
@programming_books_it -it 📚
№ 503272888...”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 26 Oktabr, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.
null недопустим, а где его нужно обработать.
String displayName(@NonNull User user) {
@Nullable String name = user.getName();
if (name == null) {
return "unknown";
}
return name.toUpperCase();
}
`user` не должен быть `null`, а имя может отсутствовать – поэтому перед toUpperCase() стоит проверка.
При поддержке выбранных аннотаций IDE или статический анализатор предупредит о нарушении контракта прямо во время написания кода.
Сами аннотации не гарантируют проверку во время выполнения. Их поведение зависит от библиотеки и инструментов. Чтобы контракт работал между методами, помечайте и параметры, и возвращаемые значения – например, getName().
spring.main.lazy-initialization=true
Она откладывает создание многих бинов до момента, когда они понадобятся. Вместе с ними откладывается и `@PostConstruct`.
Если внутри такого бина спрятаны прогрев кеша или ваша проверка схемы БД, они выполнятся только при его создании. Никто не запросил бин — код может вообще не запуститься.
Другие последствия: первый запрос может стать медленнее, а ошибка конфигурации обнаружится уже после старта приложения.
Критическую инициализацию можно оставить на старте:
@Component
@Lazy(false)
public class SchemaVerifier {
@PostConstruct
void init() {
verifySchema();
}
private void verifySchema() {
// Проверка совместимости схемы БД
}
}
`@PostConstruct` означает «после создания бина», а не «обязательно при запуске приложения».
Нюанс: lazy-бин всё же может создаться на старте, если нужен другому бину, который инициализируется сразу.
https://docs.spring.io/spring-boot/reference/features/spring-application.htmlMap.
✅ Если кэш общий для нескольких потоков, выбирайте ConcurrentHashMap.
✅ computeIfAbsent() вычислит и сохранит значение, если ключа ещё нет. Следующие вызовы вернут готовый результат.
Нюанс: если функция вернула null или выбросила исключение, результат не сохранится и вычисление может повториться.
Сам по себе ConcurrentHashMap не ограничивает размер кэша и не удаляет устаревшие записи.Question → Rewrite → MultiQuery → Vector Search → Jev Filter → Rerank → LLM
Jev проверяет каждый найденный chunk: есть ли там реальный ответ, противоречие или prompt injection.
В демо vector search нашёл 6 фрагментов, но до модели дошли только 2 действительно полезных.
Меньше мусора в контексте → точнее ответы и меньше шансов на prompt injection.
Код и разбор:
https://spring.io/blog/2026/10/02/spring-ai-modular-rag-typesafe-jev/is-a выглядит удобно: создаём подкласс, наследуем поведение и пишем меньше кода.
Но есть цена.
✅ Подкласс получает весь API родителя.
✅ Он зависит от деталей реализации суперкласса.
✅ Изменение родительского класса может неожиданно сломать потомка.
И чем глубже иерархия, тем сложнее понять, откуда вообще взялось конкретное поведение.
Часто безопаснее композиция:
class OrderService {
private final PaymentService paymentService;
}
Вместо наследования:
class OrderService extends PaymentService {
}
Композиция связывает объекты. Наследование связывает их судьбы.
Если объекту просто нужна чужая функциональность, чаще лучше её делегировать, а не наследовать.HashSet зависит от количества элементов и размера внутренней таблицы.
var ids = new HashSet<Integer>(1_000_000);
for (int i = 0; i < 10; i++) {
ids.add(i);
}
for (int id : ids) {
process(id);
}
После добавления элементов внутри выделена огромная таблица. Итератор проходит по её ячейкам, включая пустые, хотя size() возвращает всего 10.
Сложность обхода - O(size + capacity). Поэтому большая ёмкость «про запас» может замедлить регулярный перебор.
Если коллекция уже сильно разрослась, а затем почти опустела, можно пересобрать её:
ids = new HashSet<>(ids);
Новый набор подберёт ёмкость под оставшиеся элементы. Пересборка требует времени и дополнительной памяти, поэтому имеет смысл перед многократными обходами, а не внутри каждого цикла.
Документация - https://docs.oracle.com/en/java/javase/25/docs/api/java.base/java/util/HashSet.html@Mcp.Tool. Клиенту не нужно знать, какая модель работает внутри.
Доступны два режима:
* локальный MiniLM через DJL - 384-мерные эмбеддинги, без API и сети;
* OpenAI text-embedding-3-small - 1536-мерные эмбеддинги.
Финальную оценку в обоих случаях вычисляет локальная нейросеть DeepNetts.
Важный нюанс: для каждого типа эмбеддингов нужна отдельно обученная модель оценки. Нельзя взять модель, обученную на векторах MiniLM, и передать ей векторы OpenAI, даже если привести их к одинаковому размеру.
MCP-интерфейс при этом остаётся неизменным:
жалоба → эмбеддинг → DeepNetts → срочность 0–10
Локальный режим подходит для разработки и интеграционных тестов, внешний - для проверки качества на более мощной модели.
https://inside.java/2026/07/25/design-java-mcp-tool/subList() может неожиданно удерживать огромный список в памяти
Кажется, что:
List<Item> small = hugeList.subList(0, 10);
hugeList = null;
оставит только 10 элементов.
Но subList() обычно создаёт представление исходного списка, а не независимую копию. Пока жив small, исходный ArrayList и его внутренний массив тоже могут оставаться в памяти.
Если нужна отдельная маленькая коллекция:
`
List<Item> small = new ArrayList<>(hugeList.subList(0, 10));
Особенно неприятный баг в кэшах и долгоживущих объектах: сохраняешь 10 элементов — а в памяти остаются сотни тысяч.stream(), добавлю parallelStream() — станет быстрее».
Но не всегда.
parallelStream() использует общий ForkJoinPool Java:
users.parallelStream()
.map(this::callExternalApi)
.toList();
Если внутри идут HTTP-запросы, SQL или ожидание внешнего сервиса, можно получить обратный эффект:
забить общий пул потоков
увеличить задержки
замедлить другие части приложения
parallelStream() хорошо подходит для:
✅ сложных CPU-вычислений
✅ обработки больших коллекций
✅ математических операций
Но плохо подходит для:
❌ HTTP
❌ базы данных
❌ файлового I/O
❌ ожидания внешних сервисов
Для таких задач лучше использовать отдельный пул:
ExecutorService executor =
Executors.newFixedThreadPool(20);
и контролировать количество параллельных операций.
Главное правило:
parallelStream() — для вычислений.
ExecutorService — для бизнес-логики и внешних вызовов.
Код может идеально работать на тестах, но в production внезапно получить проблемы из-за одного parallelStream().