💢 اگه یه میلیون کار داشته باشی و بخوای همزمان اجراشون کنی، ولی فقط 8 تا CPU داری، چه‌جوری بهینه‌ترین حالت رو پیدا می‌کنی؟



⭐️تو گولنگ، گوروتین‌ها خیلی سبک هستن. می‌تونی هزار تا، ده هزار تا، یا حتی بیشتر گوروتین همزمان اجرا کنی. ولی وقتی تعداد کارهات خیلی زیاده (مثلاً یه میلیون)، دیگه تعداد CPUها محدودیت اصلی میشه و نمی‌صرفه حافظه‌ رو با صدها هزار گوروتین که همزمان نمی‌تونن اجرا بشن، هدر بدی.



یه راه خفن برای کنترل این داستان استفاده از چیزی به اسم Semaphore هست. اینجوری می‌تونی تعداد گوروتین‌های در حال اجرا رو محدود کنی.



⭐️حالا چجوری کار می‌کنه؟

1. یه کانال با ظرفیت مشخص (N) درست می‌کنی که این ظرفیت میشه تعداد گوروتین‌های همزمانی که می‌خوای اجرا بشه.



2. کانال رو با N تا "توکن" (هرچیزی مثل عدد) پر می‌کنی.



3. هر گوروتین قبل از اجرا باید یه توکن از کانال بگیره و وقتی کارش تموم شد، توکن رو برمی‌گردونه.



4. اگه توکن نباشه، گوروتین منتظر می‌مونه تا یکی آزاد بشه.

کد داخل تصویر یه مثال ساده با N=2 هست.



💠با این روش دیگه سیستم توی کارهای بیخودی قفل نمیشه و فقط به تعداد موردنیاز از منابع استفاده می‌کنی.



💠شما چجوری همزمانی کارهاتون رو مدیریت می‌کنید؟


💙 Anophel | آنوفل

#Golang #go #گو #گولنگ

💢آیا تا حالا براتون پیش اومده تو کدهای Go، فرستنده ی داده منتظر بمونه تا گیرنده آماده بشه؟

⭐️حالا اگه تعداد گوروتین‌ها زیاد باشه، این انتظار ممکنه به یه گلوگاه توی برنامه تبدیل بشه. ولی آیا همیشه باید از کانال‌های بافر‌دار استفاده کنیم؟ یا استفاده اشتباه ازشون می‌تونه خودش یه مشکل جدید بسازه؟

بیاید مثال داخل تصویر رو بررسی کنیم.

اینجا فرستنده منتظر گیرنده نمی‌مونه، ولی اگه تعداد داده‌ها بیشتر از ظرفیت بافر بشه چی؟ آیا باید اندازه بافر رو زیاد کنیم یا ی استراتژی دیگه به کار ببریم؟

💠سوال: چطور می‌تونیم بدون افزایش بیش از حد اندازه‌ی بافر، عملکرد و کارایی برنامه رو در شرایط بار بالا تضمین کنیم؟

#گولنگ #گو #بهینه‌سازی_کد #Go

💢پاسخ سوال: راستش این سوال بستگی به شرایط پروژه داره، ولی چند تا راهکار کلی و کاربردی که می‌تونه کمک کنه ایناس:



💠چندتا گیرنده همزمان (Worker Pool)

وقتی کار زیاده، چرا یه گیرنده داشته باشیم؟ می‌تونیم چند گوروتین گیرنده راه بندازیم تا موازی کار کنن. مثلاً:

stream := make(chan int, 5) 
go func() {
    for i := 1; i <= 10; i++ {        fmt.Println("فرستنده:", i)
        stream <- i    }
    close(stream) // کانال بسته می‌شه}()
for i := 0; i < 3; i++ {    go func(id int) {
        for data := range stream {            fmt.Printf("گیرنده %d: داده %d پردازش شد\n", id, data)
        }    }(i)
}

با این روش چند تا گوروتین داده‌ها رو به صورت همزمان می‌گیرن و پردازش می‌کنن.



💠کنترل فشار لحظه‌ای (Backpressure)

اگه نمی‌خوایم سیستم پر بشه و فرستنده هی داده بریزه، کانال‌های بدون بافر می‌تونن کمک کنن. فرستنده منتظر می‌مونه و فشار کنترل می‌شه.



💠محدود کردن نرخ ارسال (Rate Limiter)

وقتی گیرنده‌ها نمی‌تونن سریع پردازش کنن، می‌تونیم سرعت فرستنده رو محدود کنیم. با استفاده از time.Ticker خیلی راحت می‌شه این کارو انجام داد:

rateLimiter := time.Tick(100 * time.Millisecond)
go func() {    for i := 1; i <= 10; i++ {
        <-rateLimiter        fmt.Println("فرستنده:", i)
        stream <- i    }
    close(stream)}()

💠صف‌های پیشرفته (Priority Queue)

اگه اولویت‌بندی مهمه، می‌تونیم از صف‌های اولویت‌دار استفاده کنیم.



⭐️آخرش چی؟

همه چی به نیاز پروژه بستگی داره:

اگه بار بالاست و توزیع شده، از worker pool استفاده کن.

اگه نمی‌خوای سیستم منفجر بشه، کانال‌های بدون بافر و محدود کردن نرخ ارسال جواب می‌ده.

برای نیازهای خاص مثل اولویت‌بندی، ابزارهای پیشرفته‌تر لازم داری.



#گولنگ #گو
#بهینه‌سازی_کد #go #Golang@anophel

💢 چقدر تا حالا به این فکر کردین که داده‌ها مثل یه رودخونه از یه مسیر مشخص عبور کنن و در هر ایستگاه، کاری روشون انجام بده؟



💠 اگه بخوام خیلی ساده توضیح بدم، Pipeline همینه! یعنی داده‌ها از نقطه A شروع می‌کنن، مرحله‌به‌مرحله فیلتر، پردازش، ترکیب یا جمع‌بندی می‌شن و در نهایت توی نقطه B تحویل داده می‌شن.



حالا جذابیتش چیه؟ هر مرحله، یه مسئولیت خاص داره و می‌شه به راحتی تغییرش داد، کم یا زیادش کرد، یا حتی تو پروژه‌های دیگه استفاده‌ش کرد.



⭐️به این مثال نگاه کنین:

تو یه پخش زنده، ممکنه داده‌ها این شکلی پردازش بشن:

1️⃣دریافت تصاویر و صدا (Reader)

2️⃣فشرده‌سازی داده‌ها (Processor)

3️⃣ اضافه کردن زیرنویس یا جلوه‌های گرافیکی (Processor)

4️⃣ پخش زنده روی یوتیوب یا اینستاگرام (Writer)



⭐️اینجا یه دیاگرام ساده از یه Pipeline کشیدم که نشون می‌ده داده‌ها مرحله به مرحله عبور می‌کنن. این مراحل شامل:

1️⃣ rangeGen: تولید اعداد

2️⃣takeLucky: انتخاب اعداد خاص

3️⃣ merge: ادغام کانال‌ها

4️⃣ sum: محاسبه جمع و تعداد

5️⃣ printTotal: نمایش نتیجه

این مدل به راحتی قابل توسعه و سفارشی‌سازی هست.



💠در تصویر زیر یک مثال ساده با زبان Go برای پیاده‌سازی یک Pipeline آوردم که می‌تونی ایده کلی رو ازش بگیری.


توضیح مراحل:

rangeGen: اعداد رو در بازه مشخص تولید می‌کنه.

takeLucky: فقط اعداد خوش‌شانس (قابل تقسیم بر 7 ولی نه بر 13) رو انتخاب می‌کنه.

merge: داده‌های خروجی از چند کانال مستقل رو یکی می‌کنه.

sum: جمع اعداد خوش‌شانس و تعدادشون رو محاسبه می‌کنه.

printTotal: نتایج رو چاپ می‌کنه.



راستی، تا حالا تو پروژه‌هاتون از همچین روشی استفاده کردین؟

خوشحال می‌شم تجربه‌هاتون رو بشنوم.



#گو #گولنگ #go #golang

💢 مثال Pipeline در گولنگ

💙 آنوفل | Anophel


#go #golang #گو #گولنگ

💢 تا حالا به این فکر کردی چجوری میشه یه کاری رو دقیقاً تا یه لحظه مشخص زمان‌بندی کرد و مطمئن شد که یا تموم میشه یا لغو؟



💠تو Go و ابزار context می‌تونی عملیات‌هاتو دقیقاً با یه مهلت مشخص (Deadline) کنترل کنی.



مثلاً فرض کن یه کدی داریم که باید یه تابع به اسم ()work رو اجرا کنه. این تابع قراره 100 میلی‌ثانیه طول بکشه. حالا دو تا سناریو داریم:



1️⃣سناریوی اول: مهلت کافیه (150+ میلی‌ثانیه)

اینجا Deadline رو 150 میلی‌ثانیه تعیین می‌کنیم، یعنی کد ما زمان کافی داره.

func main() {
    deadline := time.Now().Add(150 * time.Millisecond)
    ctx, cancel := context.WithDeadline(context.Background(), deadline)  
    defer cancel()

    res, err := execute(ctx, work)
    fmt.Println(res, err)  // نتیجه درست برمی‌گرده
}

✅خروجی:

کد بدون مشکل اجرا میشه چون زمان کافی داشتیم.


2️⃣ سناریوی دوم: مهلت کافی نیست (50+ میلی‌ثانیه)

حالا Deadline رو 50 میلی‌ثانیه می‌ذاریم، اما ()work حداقل 100 میلی‌ثانیه نیاز داره.

func main() { 
    deadline := time.Now().Add(50 * time.Millisecond) 
    ctx, cancel := context.WithDeadline(context.Background(), deadline)   
    defer cancel() 
 
    res, err := execute(ctx, work) 
    fmt.Println(res, err)  // نتیجه لغو میشه 
} 
 

😀خروجی:

عملیات لغو میشه (context.Canceled) چون مهلت کافی وجود نداشت.



🫶فرق بین WithTimeout و WithDeadline چیه؟


بله WithTimeout یه مقدار زمان مشخص می‌گیره (مثلاً 5 ثانیه)، اماWithDeadline دقیقاً یه زمان مشخص (مثلاً 23:00:05).

جالبیش اینه که WithTimeout خودش از WithDeadline استفاده می‌کنه:

func WithTimeout(parent Context, timeout time.Duration) (Context, CancelFunc) {
    return WithDeadline(parent, time.Now().Add(timeout))
}

💠چچطوری بفهمیم کانتکست Deadline داره؟

با متد Deadline، می‌تونیم زمان مشخص شده رو ببینیم.

اگه کانتکست با WithTimeout یا WithDeadline شده باشه، یه زمان مشخص می‌ده.

اما اگه با WithCancel یا Background ساخته شده باشه، می‌گه نه!

 
ctx, _ := context.WithCancel(context.Background()) 
 
deadline, ok := ctx.Deadline() 
 
fmt.Println(deadline, ok)  // نتیجه: false 
 
 
ctx = context.Background() 
 
deadline, ok = ctx.Deadline() 
 
fmt.Println(deadline, ok)  // باز هم false 
  

🔸اگر تجربه ای ازش داری،تجربه‌هات رو برامون بگو!



#گو #گولنگ #Go #Golang

💢گو(Golang) 1.24 اومد!

اگه شما هم با Golang کد می‌زنید، خبر خوب اینه که ورژن 1.24 قراره تو فوریه 2025 منتشر بشه و کلی بهبود خفن آورده که کارمون رو هم سریع‌تر می‌کنه، هم راحت‌تر.



🔺هایلایت‌های این نسخه:

1️⃣سوئیچ به SwissTable تو کامپایلر:

گولنگ با این تغییر، مدیریت مپ‌ها رو خیلی بهینه‌تر کرده! رم کمتر مصرف می‌شه و عملیات خوندن/نوشتن سریع‌تر شده.



2️⃣ آپدیت استاندارد لایبرری:

دو پکیج جدید داریم:

اولی os.Root برای راحت‌تر کردن کارهای مربوط به دایرکتوری‌ها.

دومی weak برای هندل کردن weak pointers که خیلی وقتا به درد می‌خوره.


یه قابلیت جدید برای alias کردن sliceها که به خصوص با افزایش استفاده از جنریک‌ها خیلی کاربردیه.


3️⃣ بهبود ابزارها (Tooling):

یه قابلیت خفن به اسم متا-پترن اضافه شده که نصب ابزارهایی مثل mockgen رو راحت‌تر از همیشه می‌کنه.

خروجی JSON برای go test: تحلیل تست‌ها دیگه یه لذت شده!

و GOAUTH: حالا می‌تونید راحت‌تر به ریپوزیتوری‌های پرایوت مثل GitHub وصل بشید.



🔺نظر شخصی من؟

این نسخه شاید تغییرات انقلابی نداشته باشه، ولی پر از آپدیت‌های کاربردی که واقعاً حس می‌کنید کارتون سریع‌تر و تمیزتر شده. تغییراتی مثل سوئیچ به SwissTable و GOAUTH کار رو برای تیم‌هایی که با پروژه‌های بزرگ و پرایوت کار می‌کنن، بسیار ساده‌تر کرده.



✅آپدیتش کنید، پشیمون نمی‌شید!

#گولنگ #گولنگ_1_24


#GoLang #Go1_24 #DeveloperExperience #Tooling

💢دیزاین پترن Facade در Golang

🫶یکی از دیزاین پترن های جذاب و کاربردی، پترن Facade! شاید اسمش یه کم شیک به نظر بیاد، ولی قول میدم که خیلی کاربردیه و کارمون رو راحت‌تر می‌کنه.

🔹فسید Facade چیه؟

فرض کن جلوی یه ساختمون خیلی شیک و بزرگ وایسادی، ولی لازم نیست بری داخلش و همه اتاقاشو ببینی. فقط کافیه از بیرون، نمای ساده و مرتبش رو ببینی و کارتو راه بندازی. پترن Facade دقیقاً همینه! یه رابط کاربری ساده می‌ده که دیگه لازم نباشه با پیچیدگی‌های سیستم درگیر بشی.

✅چرا باید ازش استفاده کنیم؟

دو تا اصل مهم دنیای کدنویسی اینجا برامون روشن‌تر می‌شه:

1️⃣ KISS (همه چی ساده باشه)

2️⃣ DRY (تکرار نکن)

وقتی از Facade استفاده می‌کنی، پیچیدگی‌های پشت پرده سیستم رو قایم می‌کنی و فقط چیزی که کاربر (یا حتی خودت!) نیاز داری رو نشون می‌دی. کدت مرتب‌تر، قابل نگهداری‌تر و قابل‌فهم‌تر می‌شه.


🔴ی مثال ساده: اتصال به دیتابیس

فرض کن می‌خوای به دیتابیس وصل بشی، کوئری بزنی و قطع کنی. بدون Facade اینجوریه:

type Database struct { 
 
 DatabaseConnection *sql.DB 
 
} 
 
 
func (db *Database) Connect() { 
 
 // کد اتصال 
 
} 
 
 
func (db *Database) Query() { 
 
 // کد کوئری 
 
} 
 
 
func (db *Database) Disconnect() { 
 
 // قطع اتصال 
} 
 
 
// استفاده 
 
var db Database 
 
db.Connect() 
 
db.Query() 
 
db.Disconnect() 
 

ولی با Facade، همه اینا تو یه دونه تابع جمع می‌شه:

 
type DatabaseFacade struct { 
 
 Database *Database 
 
} 
 
 
func (dbf *DatabaseFacade) ExecuteQuery() { 
 
 dbf.Database.Connect() 
 
 dbf.Database.Query() 
 
 dbf.Database.Disconnect() 
 
} 
 
 
 
// استفاده 
 
var dbf DatabaseFacade 
 
dbf.ExecuteQuery() 
 
 

🔸کاربردهای دیگه:

کار با فایل‌ها

ارتباط با API

راه‌اندازی وب‌سرور

مدیریت سفارش‌های فروشگاه آنلاین

🔺فسید Facade مثل یه شمشیر دولبه‌ست. اگه زیادی ساده‌سازی کنی یا بخوای همه کارها رو تو یه struct و متدهاش بذاری، ممکنه یه ساختار پیچیده (God Object) بسازی که خودش یه مشکل جدیده.

✅جمع‌بندی:

دیزاین پترن Facade، یه ابزار فوق‌العاده برای ساده‌سازی و مرتب کردن کدهاتونه. اما همون‌طور که هر چیزی حد داره، از این پترن هم فقط وقتی استفاده کن که به درد بخوره و لازم باشه.

شما چطور از Facade استفاده کردید تجربه‌هاتون رو تو کامنت‌ها بگید.


#الگوی_طراحی #Facade #گو #گولنگ #Go #Golang #KISS #DRY

💙 چرا سرورلس (Serverless) یک کلاه‌برداریه؟
خیلی‌ها این روزها دوباره دارن از سرورلس به سمت سرورهای اختصاصی و VPS برمی‌گردن. چند سال پیش همه دنبال سرورلس بودن، ولی الان؟ دیگه اوضاع فرق کرده! توی این پست می‌خوام چند تا از دلایلی که سرورلس یه انتخاب ضعیفه رو به زبون ساده باهاتون به اشتراک بذارم.

1️⃣ قیمت سرسام‌آور
شرکت‌های بزرگی مثل AWS و Azure دقیقاً می‌دونن چطوری شما رو قفل سیستم خودشون کنن. وقتی واردش می‌شید، بیرون اومدن ازش هزینه‌های وحشتناک داره: 

🔹انتقال دیتا؟ 
🔹تغییر معماری؟

  نتیجه؟ یه قبض ماهانه که هیچی ازش نمی‌فهمید ولی قطعاً خوشحال‌تون نمی‌کنه.
به‌قول یکی از مدیران بزرگ، اومدن روی VPS می‌تونه هزاران دلار صرفه‌جویی کنه. تازه، وقتی خودت سیستم رو مدیریت می‌کنی، دستت بازتره و همه‌چی رو کنترل می‌کنی.


2️⃣پیچیدگی غیرضروری
سرورلس به‌شدت پیچیده‌ست. مثال ساده؟  یه کانفیگ اشتباه می‌تونه میلیاردها تومان خسارت بزنه! 

بودند کسایی که به‌خاطر فراموش کردن تنظیمات S3، هزینه‌های سنگینی دادن!
 
توی VPS، همه‌چی رو می‌تونی ساده و شفاف مدیریت کنی. مثلاً یه آموزش ساده برای قفل کردن سرور با Fail2Ban و غیرفعال کردن رمز ورود برای کاربر Root می‌تونه امنیت رو به‌شدت بالا ببره.

3️⃣آپتایم (Uptime) یا بهتر بگم، قطعی‌های سرورلس
وقتی سیستم ساده‌تر باشه، کمتر قطع می‌شه. از وقتی از سرورلس به VPS مهاجرت کردم، سرویس‌هام هیچ‌وقت خودبه‌خود قطع نشدن. ولی سرورلس؟ 

🔹مثلاFirebase Auth تو سال ۲۰۲۳ چند ساعت کامل از دسترس خارج شد. 
🔹 یا AWS همون سال قطعی داشت. 
🔹حتی Azure هم قربانی یه قطع برق بزرگ شد! 

آپتایم ادعایی این شرکت‌ها معمولاً روی کاغذه. ولی واقعیت؟ یه اشتباه کوچیک، یه کلیک اشتباه و تمام اون ۹۹.۹۹٪ می‌پره.


4️⃣سرورلس و داستان امنیت
با سرورلس، هر سرویس جداگانه باید کانفیگ بشه. برای هر میکروسرویس باید دستی کانفیگ امنیتی انجام بدی. این یعنی کار چند برابر. 

ولی روی VPS؟ یه سرور، یه کانفیگ، تمومه!

5️⃣ دی‌داس (DDoS) و راه‌حل‌های بهتر
بعضی‌ها می‌گن سرورلس بهتون محافظت رایگان DDoS می‌ده. اما یه نکته‌ی جالب: 
شما همون محافظت رو می‌تونید با Cloudflare به‌صورت رایگان بگیرید.  کافیه پروکسی Cloudflare رو فعال کنید و SSL/TLS رو روی حالت Full بذارید. همون یه کلیک، همون امنیت. نیازی به سرورلس نیست.

✅نتیجه‌گیری: چرا سرورلس دیگه جواب نمی‌ده؟
🔹سرورلس گرونه. 
🔹 پیچیده‌ست. 
🔹 امنیتش دردسره. 
🔹 آپتایمش همیشه اون‌قدر که می‌گن، نیست. 
🔹 و مهم‌تر از همه، امروز ابزارهایی هستن که می‌تونن جایگزینش بشن. از PocketBase و Appwrite گرفته تا Supabase.

❗سرورلس یه راه‌حل قدیمی برای یه مشکل قدیمی بود. ولی الان؟ تکنولوژی پیشرفته‌تر شده و گزینه‌های بهتری داریم.

🔺 نظر شما چیه؟ شما سرورلس استفاده می‌کنید یا VPS؟ خوشحال می‌شم تجربه‌هاتون رو بخونم.



#سرورلس #میکروسرویس #serverless #vps

💢 چرا وقتی این کد اجرا میشه، "...Sending 0" قبل از "Received 1" چاپ میشه؟

func send(ch chan<- int) {
    defer close(ch)
    fmt.Println("Sending 1...")
    ch <- 1 // Blocks until the receiver is ready

    for i := 0; i < 10; i++ {
        fmt.Printf("Sending %d...\n", i)
        ch <- i // Blocks until the receiver reads the value
    }
}

func main() {
    ch := make(chan int) // Unbuffered channel
    go send(ch)

    for val := range ch {
        fmt.Printf("Received %d\n", val)
    }
}

💠چون:

این رفتار به دلیل ماهیت همزمانی goroutine‌ها است:

1️⃣ ارسال داده بلوکه میشه، اما چاپ متن نه:

در فانکشن send، خط fmt.Println("Sending 0...") قبل از بلوکه شدن ch <- i اجرا میشه. یعنی حتی اگه فرستادن داده منتظر گیرنده بمونه، متن چاپ میشه.



2️⃣ گیرنده همزمان در حال پردازش است:

گیرنده در حلقه for در حال دریافت و چاپ داده است. اما عملیات ارسال و دریافت روی دو goroutine مختلف اجرا میشن. این یعنی ترتیب چاپ‌ها کاملاً قابل پیش‌بینی نیست.



3️⃣ ترتیب چاپ به زمان‌بندی goroutine‌ها بستگی داره:

گولنگ زمان‌بندی goroutine‌ها رو خودش مدیریت می‌کنه. به همین دلیل ممکنه چاپ متن ارسال قبل از دریافت داده تموم بشه.


🔹این رفتار طبیعیه و به دلیل اجرای همزمان goroutine‌ها اتفاق می‌افته.


🔹 چاپ روی کنسول (عملیات I/O) زمان می برد و می تواند با سایر عملیات در گوروتین های مختلف همپوشانی داشته باشد.


#گو #گولنگ #Go #Golang

⭕️ در حال کار بر روی ورژن جدیدی از آنوفل هستیم از ابتدا داریم باز نویسی می کنیم و یک سری تغییرات اصلی و مهم رو اعمال می کنیم و قرار با محصولات و خدمات جدیدی در خدمت همه علاقه مندان به برنامه نویسی و برنامه نویسان باشیم.

🔺اینم بگیم قرار دو زبان باشه (فعلا انگلیسی و فارسی) و جامعه هدفمون رو بیشتر کنیم.

🔻در صورت داشتن ایده یا مشارکت می توانید با پشتیبانی‌ در ارتباط باشید.

💢 از Next.js برای فرانت اند و گولنگ برای بک اند استفاده خواهت شد.

💙تیم برنامه نویسی آنوفل

💙 آنوفل ریلز شد✅

آنوفل دوباره باز نویسی شد و تغییرات بزرگی در UI و برندینگ داشته است، از بروزترین و آخرین تکنولوژی های حال حاضر استفاده شده.

🔴فعالیت ها از سر گرفته شده و طبق برنامه ریزی صورت گرفته پیش خواهیم رفت.

🫶بزودی اولین محصول آنوفل نیز ریلز خواهد شد.

🌐 آنوفل فارسی
🌐 ANOPHEL

داکر کامپوز docker compose چیست؟ بررسی تخصصی

💠داکر (Docker) به شما کمک می کند تا به سرعت یک محیط توسعه را روی دستگاه خود راه اندازی کنید. تنها چند دقیقه طول می کشد تا کل فرآیند را طی کنید. اما بیایید فرض کنیم برای اجرای پروژه شما به حداقل 10 سرویس مختلف در حالت در حال اجرا نیاز دارد. برای مثال، فرض کنید پروژه شما به PHP، Node 23، MySQL، MongoDB، Go، RabbitMQ و غیره نیاز دارد.


🔗داکر کامپوز docker compose چیست؟ بررسی تخصصی


#docker #داکر #docker_compose

💙10 قابلیت پنهان در Golang که برنامه‌نویسان حرفه‌ای از آن استفاده می‌کنند

🫶گو یا گولنگ (Golang) به خاطر سادگی، سرعت و کارایی‌اش شناخته شده است و همین امر آن را به زبانی محبوب برای توسعه‌دهندگانی تبدیل کرده است که برنامه‌های مدرن و مقیاس‌پذیر می‌سازند. اما فراتر از ویژگی‌های مستندسازی‌شده‌اش، گو نکات پنهانی دارد که می‌توانند بهره‌وری شما را به عنوان یک توسعه‌دهنده افزایش دهند. در اینجا 10 ویژگی منحصر به فرد و کمتر شناخته‌شده گو را معرفی می‌کنیم که می‌توانند تجربه کدنویسی شما را حتی بهتر کنند!

🔗 10 قابلیت پنهان در Golang که برنامه‌نویسان حرفه‌ای از آن استفاده می‌کنند


#گو #گولنگ #کد_تمیز #کد_نویسی
#go #golang #clean_code #Software_Development

💢Controlling Deadlines in Go: How to Timeout Your Code with Context

⭐️ https://youtu.be/S3YzCnuFodQ

👍Like, Subscribe, and Comment: What Go topic should we cover next? Goroutines, channels, or something else? Let me know!

💙شبکه سازی در داکر: هر آنچه باید درباره Docker Networking بدانید


🫶داکر یک پلتفرم کانتینرسازی است که از مجازی‌سازی در سطح سیستم عامل برای بسته‌بندی برنامه‌های نرم‌افزاری و وابستگی‌های آنها در واحدهای قابل استفاده مجدد به نام کانتینر استفاده می‌کند. کانتینرهای داکر را می‌توان روی هر میزبانی که داکر یا یک کانتینر ران‌تایم معادل آن نصب شده است، چه به صورت محلی روی لپ‌تاپ شما و چه در یک ابر از راه دور، اجرا کرد.

🔗شبکه سازی در داکر: هر آنچه باید درباره Docker Networking بدانید



#داکر #شبکه #docker