共计 9369 个字符,预计需要花费 24 分钟才能阅读完成。
本文首发于泊浮目标简书:https://www.jianshu.com/u/204…
版本 | 日期 | 备注 |
---|---|---|
1.0 | 2020.9.13 | 文章首发 |
前言
Clean Architecture
是 Bob 大叔在 2012 年提出的一个架构模型。其依据过来几十年中的一系列架构提炼而成:
- Hexagonal Architecture:由 Alistair Cockburn 首先提出
- DCI:由 James Coplien 和 Trygve Reenskaug 首先提出
- BCE:由 Ivar Jacobson 在他的 Obect Oriented Software Engineering: A Use-Case Driven Approach 一书中首先提出
依据这些架构设计进去的零碎,往往具备以下特点:
- 独立于框架:这些零碎的架构并不依赖某个功能丰富的框架之中的某个函数。框架能够被当成工具来应用,但不须要让零碎来适应框架。
- 可被测试:这些零碎的业务逻辑可 以脱离 UI、数据库、Web 服务以及其余的内部元素来进行测试。
- 独立于 UI:这些零碎的 UI 变更起来很容易,不须要批改其余的零碎局部。例如,咱们能够在不批改业务逻辑的前提下将一个零碎的 UI 由 Web 界面替 换成命令行界面。
- 独立于数据库:咱们能够轻易将这些零碎应用的 Oracle、SQL Server 替换成 Mongo、BigTable、CouchDB 之类的数据库。因为业务逻辑与数据库之间曾经实现了结耦。独立于任何内部机构:这些零碎的业务逻辑并不需要晓得 任何其余内部接口的存在。
对于 Clean Architecture
的介绍到此为止,有趣味的同学能够自行查阅 google。
背景
最近写了很多业务代码,因为每个组件都是分布式部署的,导致手动测试时十分的苦楚,耗时耗力。于是我便开始思考自动化测试的计划。
目前业务中一部分的代码应用了 Storm
这个框架,咱们挑一个不便了解的用例,这里大略波及三个组件:
- ReadSpout:从 kafka、database 读取音讯,并将其下发
- DispatcherBolt:读取上游下发的音讯,并依据肯定的规定散发——比方主键(最近又减少了自定义键和组合键),而后将关键字雷同的数据放在一起,而后下发
- KafkaWriteBolt:读取上游下发的音讯,将关键字一样的数据写入 kafka
DispatcherBolt 的外围代码大抵如下:
@Override
public void prepare(Map conf, TopologyContext context, OutputCollector collector) {super.prepare(conf, context, collector);
try {init();
} catch (Exception e) {collector.reportError(e);
throw new RuntimeException(e);
}
}
@Override
public void execute(Tuple dataTuple) {
this.input = dataTuple;
try {Object obj = dataTuple.getValueByField(EmitFields.MESSAGE);
String key = (String) dataTuple.getValueByField(EmitFields.GROUP_FIELD);
List<MessageEntry> messageEntries = (List<MessageEntry>) obj;
emitMessageEntry(key, messageEntries);
this.collector.ack(dataTuple);
} catch (Exception e) {logger.info("Dispatcher Execute error:", e);
this.collector.reportError(e);
this.collector.fail(dataTuple);
}
}
private void emitMessageEntry(String key, List<MessageEntry> messageEntries) throws Exception {
long lastPos = 0L, uniquePos = 0L, payloadSize = 0L;
UmsMessageBuilder builder = null;
// 解决任一 schema 分组的表数据
String tableName = messageEntries.get(0).getEntryHeader().getTableName();
for (MessageEntry msgEntry : messageEntries) {EntryHeader header = msgEntry.getEntryHeader();
header.setLastPosition(lastPos);
// 若应用 schema 进行分组,则同一组数据中可能会呈现多张表的情景,须要处理表名呈现切换的状况
if (StringUtils.isEmpty(tableName) || (getExtractorConfig().getGroupType() == GroupType.SCHEMA && !StringUtils.equalsIgnoreCase(tableName, header.getTableName()))) {emitBuilderMessage(builder, key);
builder = createUmsDataBuilder(msgEntry, destination, msgEntry.getBatchId(),
MediaType.DataSourceType.getTypeByName(getExtractorConfig().getNodeType()));
payloadSize = 0;
}
// DDL 解决
if (msgEntry.isDdl()) {emitBuilderMessage(builder, key);
executeDdlEvent(msgEntry);
emitDDLMessage(key, msgEntry);
builder = null;
continue;
}
if (builder != null && msgEntry.getEntryHeader().getHeader().getSourceType().equalsIgnoreCase(MediaType.DataSourceType.ORACLE.getName())) {emitBoltMessage(key, builder.getMessage());
builder = createUmsDataBuilder(msgEntry, destination, msgEntry.getBatchId(),
MediaType.DataSourceType.getTypeByName(getExtractorConfig().getNodeType()));
payloadSize = 0;
}
// DML 解决
if (builder == null) {builder = createUmsDataBuilder(msgEntry, destination, msgEntry.getBatchId(),
MediaType.DataSourceType.getTypeByName(getExtractorConfig().getNodeType()));
payloadSize = 0;
}
for (CanalEntry.RowData rowData : msgEntry.getRowDataLst()) {lastPos = Long.parseLong(header.getPosition()) + (++uniquePos);
// 对 UPDATE 类型的增量数据非凡解决
if (header.isUpdate()) {if (getExtractorConfig().getOutputBeforeUpdateFlg()) {payloadSize += appendUpdateBefore2Builder(builder, header, rowData, EventType.BEFORE.getValue().toLowerCase());
}
if (ExtractorHelper.isPkUpdate(rowData.getAfterColumnsList())) {payloadSize += appendUpdateBefore2Builder(builder, header, rowData, getEventTypeForUMS(CanalEntry.EventType.DELETE));
}
}
List<Object> payloads = new ArrayList<>();
payloadSize += appendRowData2Builder(payloads, builder, header, rowData);
builder.appendPayload(payloads.toArray());
}
}
}
// 最初一批数据发送
emitBuilderMessage(builder, key);
}
留神,这里的两个办法 prepare
和execute
都是框架裸露进去的接口。如果开发者使用不当,则会导致业务代码和框架耦合。
计划 1:利用 IOC
这个计划在晚期的时候做过尝试,简略的来说就是将两头那段 emitMessageEntry
相干的代码形象成一个对象,并用接口示意。然而通过 spring 这种 IOC 框架注入进来,相似于:
override fun prepare(topoConf: MutableMap<String, Any>, context: TopologyContext, collector: OutputCollector) {super.prepare(topoConf, context, collector)
try {init()
this.dispatcherServer = IOCUtil.getBean(DispatcherServer::class.java).init(collector)
} catch (e: Exception) {collector.reportError(e)
throw RuntimeException(e)
}
}
override fun execute(input: Tuple) {val obj = dataTuple.getValueByField(EmitFields.MESSAGE)
val key = dataTuple.getValueByField(EmitFields.GROUP_FIELD) as String
val messageEntries = obj as List<MessageEntry>
dispatcherService.dispatcherLogical(messageEntries,key)
}
这样咱们在单元测试里能够间接将 dispatcherService
类注入进来,并本人实现一个 OutputCollector
用于收集散发的数据。而后将 mock 的参数填入,并断言后果是否合乎咱们的期待。
但因为 storm 会波及到散发相干事宜(如序列化),这会让业务代码有点变扭:
- 将这个
dispatcherService
成员在 Bolt 里申明为Transient
- 须要在初始化时初始化 IOC 容器
- 在初始化 IOC 容器后注入 dispatcherService
能够看到,咱们为了测试,居然不得不批改业务代码来 退出无关紧要的逻辑,这显然不是一个好的计划。
计划 2:Mockito
Mockito 实现的计划对业务没有任何入侵性,间接写测试代码即可,写进去的代码相似于:
@RunWith(PowerMockRunner::class)
@PowerMockIgnore("javax.management.*")
class DispatcherBoltTest {
private lateinit var config: AbstractSinkConfig
private lateinit var outputCollector: OutputCollector
private lateinit var tuple: Tuple
@Before
fun atBefore() {config = PowerMockito.mock(AbstractSinkConfig::class.java)
outputCollector = PowerMockito.mock(OutputCollector::class.java)
tuple = PowerMockito.mock(Tuple::class.java)
}
private fun init(dispatcherBoltImpl: DispatcherBoltImpl) {reset(config)
reset(outputCollector)
reset(tuple)
dispatcherBoltImpl.prepare(mutableMapOf(), PowerMockito.mock(TopologyContext::class.java), outputCollector)
}
@Test
fun testSingleUms() {
// 定义 mock 对象的一些行为
`when`(config.configProps).thenReturn(Properties())
// 将须要测试的类实例化
val dispatcherBoltImpl = DispatcherBoltImpl(config)
init(dispatcherBoltImpl)
val umsMap = generateSingleUmsBo()
val boMap = getBoMap(intArrayOf(1))
// 定义 mock 对象的一些行为
`when`(tuple.getValueByField(EmitFields.MESSAGE)).thenReturn(umsMap.messages)
`when`(tuple.getValueByField(EmitFields.GROUP_FIELD)).thenReturn(umsMap.dispatchKey)
`when`(tuple.getValueByField(EmitFields.EX_BO)).thenReturn(boMap)
dispatcherBoltImpl.handleDataTuple(tuple)
// 后果验证
Mockito.verify(outputCollector, Mockito.times(1))
.emit(EmitFields.DATA_MSG, tuple, Values(umsMap.dispatchKey, umsMap.messages,
boMap,
EmitFields.EMIT_TO_BOLT))
}
}
逻辑很清晰易懂:先抉择须要 mock 的对象,并定义其被 mock 的行为,而后把数据填装进去即可,最初依据后果校验。
但如果把视线放高点看,有两个潜在的问题须要思考:
- 目前该类的业务逻辑比较简单,所以咱们须要关注的链路也较少——这体现在咱们对于 mock 对象的 mock 行为编写上。换句话说,该类越简单,咱们就须要编写越多的 mock 代码。
- 目前咱们的业务和框架是紧耦合的,那么咱们测试时须要将框架的行为一起思考进去。同时也意味着框架行为变动时(如降级),测试用例须要大量变更。亦或是更换框架时,测试用例会变得简直不可用。** 这曾经违反整洁架构的准则了——业务须要独立于框架,而不是严密耦合。
计划 3:Clean Architecture
依据后面提到的,咱们要做的第一件事就是剥离业务和框架的耦合。那么该如何剥离呢?咱们间接拿出答案:
/**
* 剥离与任何流解决框架的耦合,仅关注 UMS 散发的服务
* */
interface DispatcherServer {
fun dispatcherMessageEntry(key: String, messageEntries: List<MessageEntry>, destination: String,
tableToDispatchColumn: HashMap<String, Set<String>>,
resultConsumer: (group: MutableMap<Int, UmsMessageBuilder>, key: String) -> Unit,
executeDdlEventBlock: (messageEntry: MessageEntry) -> Unit,
ddlMessageConsumer: (key: String, messageEntry: MessageEntry) -> Unit)
}
咱们定义了三个函数型参数。利用这种形式,咱们能够轻易的将业务和框架隔离开来。于是代码调用起来就像这样:
override fun execute(dataTuple: Tuple) {
input = dataTuple
try {val obj = dataTuple.getValueByField(EmitFields.MESSAGE)
val key = dataTuple.getValueByField(EmitFields.GROUP_FIELD) as String
val messageEntries = obj as List<MessageEntry>
dispatcherServer.dispatcherMessageEntry(key, messageEntries, destination, tableToDispatchColumn,
resultConsumer = {builder, innerKey -> emitBuilderMessage(builder, innerKey) },
executeDdlEventBlock = {entry -> executeDdlEvent(entry) },
ddlMessageConsumer = {innerKey, msgEntry -> emitDDLMessage(innerKey, msgEntry) }
)
collector.ack(dataTuple)
} catch (e: Exception) {logger.info("Dispatcher Execute error:", e)
collector.reportError(e)
collector.fail(dataTuple)
}
}
emitBuilderMessage
、executeDdlEvent
、emitDDLMessage
只是 DispatcherBolt 中的一个公有办法,外面会将传入的数据通过 collector 依照肯定规定下发上来。这样,咱们就将框架相干的代码放在了 DispatcherBolt 里。
而和框架无关的业务代码,咱们则能够将它放到 DispatcherServer
的实现中去。
测试的代码也能够专一在测试业务逻辑上:
@Test
fun testUpdateRecords() {
val originNamespace = "my_schema.my_table"
val mockData = listOf(getUpdate1Data())
val config = getMockConfig(extractorConfigJsonFile)
config.outputBeforeUpdateFlg = false
config.outputExtraValueFlg = false
config.payloadType = PayloadType.SIZE
config.maxPayloadSize = 10240
val dispatcherServer = DispatcherServerImpl(config)
val resultMap = mutableMapOf<Int, UmsMessageBuilder>()
dispatcherServer.dispatcherMessageEntry(originNamespace, mockData, "M26", hashMapOf(),
resultConsumer = { builder, innerKey ->
resultMap.putAll(builder)
Assert.assertEquals(innerKey, originNamespace)
},
executeDdlEventBlock = {throw RuntimeException("这堆数据中不应该呈现 DDL 事件") },
ddlMessageConsumer = {_, _ -> throw RuntimeException("这堆数据中不应该呈现 DDL 相干的后果") })
assertEquals(1, resultMap.keys.toSet().size, "以后数据中,应该被分为 3 组——依据主键散发准则,他们来自于不同的主键")
assertEquals(1, resultMap.size, "以后数据中,应该被分为 3 组——依据主键散发准则,他们来自于不同的主键")
val umsList = resultMap.values.map {it.message}
umsList.forEach {Assert.assertEquals("m.M26.my_schema.my_table", it.schema.namespace)
Assert.assertEquals(1, it.payloads.size)
assertEquals(9, it.schema.fields.size, "5 个扩大字段 + 4 个 schema 字段应该为 9")
Assert.assertEquals("inc", it.protocol.type)
Assert.assertEquals("2", it.protocol.version)
assertEquals(MediaType.DataSourceType.MYSQL, KafkaKeyUtils.getDataSourceType(it))
}
}
看完了成果,咱们再来谈谈下面所用到技巧。其实这很像 面向对象中的 Strategy 模式——定义一个算法接口,并将每一种算法都在这个接口下实现其逻辑,令同一个类型的算法可能调换应用。这样做的益处是算法的变动不影响应用方,也不受应用方的影响。而如果函数是一等公民的话,则会让建设和操纵各种策略的工作变得非常简略。
那么怎么是不简略的呢?如果用 java 的话,咱们得先定义一个专门的接口,申明一个办法,在应用时用匿名外部实现将它传入,但这其实没什么必要,因为咱们仅仅想传一个函数进去,而不是对象。典型的代码能够见:
ZStack 源码分析之设计模式鉴赏——策略模式:https://segmentfault.com/a/11…
设计模式要做的事不外乎 缩小代码冗余度,进步代码复用性。而在函数式语言中,复用次要体现为通过参数来传递作为第一等语言成分的函数,各种函数式编程库都频繁地使用了这种手法。与面向对象语言相比(以类型为单位),函数式语言的重用产生于较粗的粒度级别上(以行为为单位),着眼于提取一些共通的运作机制,并参数化地调整其行为。