Serverless AWS Lambda Development · Lekcja

Wzorce architektoniczne aplikacji bezserwerowych

Poznaj i stosuj popularne wzorce architektoniczne aplikacji bezserwerowych, takie jak fan-out, scatter-gather i event sourcing, aby skutecznie rozwiązywać złożone problemy biznesowe.

Wzorce architektoniczne aplikacji bezserwerowych to bezpłatna lekcja Serverless AWS Lambda Development na CoddyKit. To lekcja 3 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Serverless AWS Lambda Development, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Serverless AWS Lambda Development zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

What are Serverless Patterns?

In serverless development, we often encounter similar challenges. Architectural patterns are proven, reusable solutions to these common problems.

They help us design scalable, resilient, and maintainable serverless applications by providing a blueprint for interaction between different services.

The Fan-Out Pattern

The Fan-Out pattern is when a single input event triggers multiple parallel processes or actions. Think of it like a ripple effect from one stone thrown into water.

This pattern is excellent for decoupling services and performing concurrent tasks. For example, a new file upload might need to be processed in several different ways at once.

Fan-Out: Image Processing Example

Imagine uploading an image. A Lambda function could 'fan out' this event, triggering separate processes for creating a thumbnail, adding a watermark, and extracting metadata—all in parallel.

Here's a conceptual Python example simulating this fan-out logic:

def process_image_event(image_id):
    print(f"Processing image: {image_id}")
    # Simulate publishing to different services
    print(f"  - Publishing to Thumbnail Service for {image_id}")
    print(f"  - Publishing to Watermark Service for {image_id}")
    print(f"  - Publishing to Metadata Service for {image_id}")

def main():
    print("--- Fan-Out Simulation ---")
    image_id = "img-12345.jpg"
    process_image_event(image_id)
    print("--- Simulation Complete ---")

if __name__ == "__main__":
    main()

The Scatter-Gather Pattern

The Scatter-Gather pattern involves sending a request to multiple recipients (scatter), collecting all their responses, and then aggregating them into a single response (gather).

This is often used for operations like searching across multiple data sources or comparing prices from different vendors.

Scatter-Gather: Product Search Example

When you search for a product, a Lambda could 'scatter' the query to various vendor APIs, then 'gather' and combine their results to show you the best options.

This example simulates querying different vendors and finding the cheapest product:

def get_product_info(vendor_name, product_id):
    # Simulate calling a vendor API
    print(f"  - Querying {vendor_name} for product {product_id}...")
    if vendor_name == "VendorA":
        return {"vendor": "VendorA", "price": 100, "stock": 5}
    elif vendor_name == "VendorB":
        return {"vendor": "VendorB", "price": 95, "stock": 10}
    elif vendor_name == "VendorC":
        return {"vendor": "VendorC", "price": 110, "stock": 3}
    return None

def main():
    print("--- Scatter-Gather Simulation ---")
    product_id = "PROD-XYZ"
    vendors = ["VendorA", "VendorB", "VendorC"]
    
    all_results = []
    print(f"Searching for product {product_id} across vendors:")
    for vendor in vendors:
        result = get_product_info(vendor, product_id)
        if result:
            all_results.append(result)
    
    print("\n--- Aggregated Results ---")
    if all_results:
        for res in all_results:
            print(f"  Vendor: {res['vendor']}, Price: ${res['price']}, Stock: {res['stock']}")
        
        cheapest = min(all_results, key=lambda x: x['price'])
        print(f"\nCheapest option: {cheapest['vendor']} at ${cheapest['price']}")
    else:
        print("No results found.")
    print("--- Simulation Complete ---")

if __name__ == "__main__":
    main()

The Event Sourcing Pattern

Event Sourcing is an architectural pattern where all changes to application state are stored as a sequence of immutable events. Instead of just storing the current state, you store how you got to that state.

This provides a complete audit trail, allows rebuilding past states, and is foundational for complex event-driven systems.

Event Sourcing: Order Management Example

In an e-commerce system, instead of updating an Order record, you record events like OrderCreated, ItemAdded, OrderShipped. The current state is then derived from applying these events in order.

Here's a simulation of recording events for an order:

import datetime

def record_event(event_type, payload):
    timestamp = datetime.datetime.now().isoformat()
    event = {
        "eventId": f"evt-{datetime.datetime.now().timestamp()}",
        "eventType": event_type,
        "timestamp": timestamp,
        "payload": payload
    }
    # In a real system, this would write to a database stream (e.g., DynamoDB Streams, Kinesis)
    print(f"Recorded Event: {event['eventType']} at {event['timestamp']}")
    print(f"  Payload: {event['payload']}")
    return event

def main():
    print("--- Event Sourcing Simulation ---")
    
    # Simulate an order creation
    order_id = "ORD-001"
    record_event("OrderCreated", {"orderId": order_id, "customer": "Alice", "initialItems": []})
    
    # Simulate adding an item
    record_event("ItemAdded", {"orderId": order_id, "itemId": "SKU-A", "quantity": 1})
    
    # Simulate updating an item quantity
    record_event("ItemQuantityUpdated", {"orderId": order_id, "itemId": "SKU-A", "newQuantity": 2})
    
    # Simulate shipping the order
    record_event("OrderShipped", {"orderId": order_id, "shippingProvider": "UPS"})
    
    print("\n--- Event Stream Recorded ---")

if __name__ == "__main__":
    main()

Benefits of Serverless Patterns

These patterns offer significant advantages for serverless applications:

Scalability: Easily handle increased load by adding more parallel processes.
Decoupling: Services operate independently, reducing dependencies and improving resilience.
Resilience: Failures in one part of a fan-out or scatter-gather workflow don't necessarily stop the entire process.
Auditability (Event Sourcing): A complete history of changes is invaluable for debugging, compliance, and analytics.

Choosing the Right Pattern

Selecting the correct pattern depends on your specific problem:

Use Fan-Out when one event needs to trigger multiple independent, parallel actions.
Use Scatter-Gather when you need to query multiple sources and aggregate their responses.
Use Event Sourcing when you need a complete, immutable history of changes, or complex temporal queries.

Often, these patterns can be combined within a larger serverless architecture.

Pattern Challenge

A new e-commerce platform needs to process customer orders. When an order is placed, the system must:

Update inventory.
Send a confirmation email.
Generate a shipping label.
Process payment.

Which serverless architectural pattern is best suited for coordinating these independent tasks after an order is placed?

Patterns Recap

We've explored key serverless architectural patterns: Fan-Out for parallel processing from a single event, Scatter-Gather for aggregating responses from multiple sources, and Event Sourcing for maintaining an immutable history of state changes.

Understanding these patterns helps you design robust, scalable, and resilient serverless applications, choosing the right tool for each complex problem.

Często zadawane pytania

Czy lekcja „Wzorce architektoniczne aplikacji bezserwerowych” jest bezpłatna?

Tak — pełny tekst „Wzorce architektoniczne aplikacji bezserwerowych” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Serverless AWS Lambda Development, przejdź na CoddyKit PRO. Kurs Serverless AWS Lambda Development zawiera 4 lekcji w sumie.

Co nauczysz się w „Wzorce architektoniczne aplikacji bezserwerowych”?

Poznaj i stosuj popularne wzorce architektoniczne aplikacji bezserwerowych, takie jak fan-out, scatter-gather i event sourcing, aby skutecznie rozwiązywać złożone problemy biznesowe. Ćwiczysz Serverless AWS Lambda Development z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć Serverless AWS Lambda Development?

Nie wymagamy żadnego doświadczenia. Serverless AWS Lambda Development w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 3 z 4.

Ile czasu zajmuje lekcja „Wzorce architektoniczne aplikacji bezserwerowych”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji Serverless AWS Lambda Development?

Tak. Każda lekcja Serverless AWS Lambda Development zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

Wdrożenia Canary i Blue/Green
Tworzenie odpornych systemów bezserwerowych
Wzorce architektoniczne aplikacji bezserwerowych
Optymalizacja kosztów w architekturach serverless

← Powrót do Serverless AWS Lambda Development