Параллелизм в Python

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, медленные коллбеки и охота за тем, что подвешивает сервис
• Трейсинг сквозного запроса через contextvars: видим весь путь запроса, даже когда всё перемешано в логах
• Graceful shutdown: гасим сервис с фоновыми задачами, очередями и воркерами без потери данных
• Домашнее задание: Реализовать запуск отчёта о продажах через Taskiq с поллингом и скачиванием файла. Собрать аналитику по продажам и сгенерировать Excel отчет, вынеся CPU-вычисление в процесс. Добавить мониторинг блокировок event loop и трейсинг.
• Результат недели: Разберёшься, как правильно выносить CPU-нагрузку, и научишься профилировать и трейсить асинхронный код, находя узкие места под нагрузкой.