Программирование

💀 Невидимый this: Как одна лямбда может утечь всю Activity Мы привыкли считать, что Kotlin умнее Java. В Java анонимный класс всегда держал ссылку на внешний класс. В Kotlin компилятор пытается оптимизировать лямбды и делать их статическими синглтонами. Но эта магия ломается от одного прикосновения. Представьте код во ViewModel или Presenter:

    
        class HeavyScreen {
    private val bigData = ByteArray(1024 * 1024 * 20) // 20 MB
    private val title = "Profile"

    fun load() {
        ExternalService.fetchData { result ->
            // (1) Просто логируем результат
            println("Got result: $result") 
            
            // (2) А теперь раскомментируйте эту строку:
            // println("Update for $title: $result")
        }
    }
}
{}
    

Разбор полетов: 1. Сценарий (1): Вы не обращаетесь к свойствам HeavyScreen внутри лямбды. Kotlin компилирует эту лямбду как static instance. Ссылки на HeavyScreen нет. Если экран закроется, GC спокойно его соберет, даже если ExternalService будет грузить данные еще 10 минут. 2. Сценарий (2): Вы добавили обращение к title. Всё. Оптимизация отключена. Чтобы прочитать title, лямбде нужна ссылка на инстанс HeavyScreen. Компилятор скрыто передает this в конструктор лямбды. Цепочка утечки: ExternalService (static/singleton) -> Lambda -> this$0 (HeavyScreen) -> bigData (20 MB). Пока ExternalService держит коллбэк - ваши 20 Мб висят в памяти, даже если пользователь давно ушел с экрана. Как проверить себя? Если вы передаете лямбду в объект, который живет дольше, чем ваш класс (Network Client, Singleton, Event Bus, Handler): 1. Убедитесь, что вы отписываетесь (clear references). 2. Или не захватывайте контекст (this) внутри лямбды (используйте только аргументы лямбды). 3. Используйте WeakReference, если архитектура позволяет (но это костыль). Совет: В IntelliJ IDEA/Android Studio включите подсветку "Implicit usage of 'this'". Это спасет вам гигабайты RAM. ✅Программирование

🚀 Обновление Telegram Теперь прямо в Telegram можно зарегистрировать доменное имя анонимно — за пару кликов, с оплатой в криптовалюте Выберите имя и зону, оплатите с помощью криптовалюты — и управляйте доменом через мини-приложение Telegram Domains

🎬Docker 🔴Видеоуроки Traefik в docker-compose Быстрый старт с Docker Swarm DOCKER COMPOSE и как работает сеть в ДОКЕРЕ Запуск веб сервера Nginx в Docker Docker Swarm & Gitlab - быстрый деплой для любого проекта Docker. Основы - Сборка образов и сеть Основы DOCKER с нуля 🔴#Docker

🔮 Ты не пройдешь: Магия предсказателя ветвлений Вы когда-нибудь задумывались, почему обработка отсортированного массива чисел происходит в разы быстрее, чем случайного, даже если логика одна и та же? Всё дело в конвейере (pipeline). Процессор выполняет инструкции не по одной, а потоком: пока одна декодируется, другая уже выполняется. Но тут появляется if (ветвление). Процессор не знает, пойдет код в then или в else, пока не вычислит условие. Но ждать он не может - конвейер встанет. Поэтому он угадывает. • Угадал? Выполнение продолжается без задержек. • Не угадал? Происходит Pipeline Flush. Процессор выбрасывает все инструкции, которые успел "набрать" по неверному пути, и начинает заново с правильного адреса. Это огромная потеря тактов (10-20 циклов CPU). Пример на Rust:

    
        
// Если data отсортирован: T T T T T F F F F F (паттерн ясен)
// Если data случайный: T F T T F F T F (паттерн непредсказуем)
for &x in &data {
    if x > 128 {
        sum += x;
    }
}

{}
    

На случайных данных BPU ошибается в 50% случаев. На сортированных почти никогда. Вывод: Чем предсказуемее ваши данные, тем быстрее работает ваш код. Иногда data.sort() перед обработкой окупается с лихвой. #rust ✅Программирование

Здесь картинку выкладываю, а видео в максимке. Пока буду в телеге выкладывать посты, как перестану значит всё лень меня победила. Мы в MAX: 📲 https://max.ru/lazy__programmer 🦥Ленивый программист ©

Как проверить, что данная строка является анаграммой другой строки в JavaScript? Анаграмма — приём, состоящий в перестановке букв или звуков определённого слова, что в результате даёт другое слово или словосочетание. Несколько примеров анаграмм на английском: 1. evil = vile 2. a gentleman = elegant man 3. eleven plus two = twelve plus one Так как же проверить, являются ли строки анаграммами в JS? На картинке пример кода, реализующий проверку с помощью встроенных функций. ✅Программирование

Rescuezilla - клон всех HDD и SSD. Клонирование Windows и Linux. Резервное копирование. С помощью Rescuezilla вы можете клонировать HDD и SSD, создавать резервные копии и быстро восстанавливать как Windows, так и Linux системы. В этом видео я пошагово покажу: Как сделать 1:1 клон диска Как клонировать Windows и Linux Как увеличить раздел с помощью GParted Какой M.2 SSD USB-адаптер лучше всего подходит Для резервного копирования, миграции системы или простой восстановительной операции – Rescuezilla бесплатная, с открытым исходным кодом и очень надежная. 00:00 | Обзор оборудования для клонирования 00:55 | Адаптер USB SSD M.2 01:26 | Программа Rescuezilla 03:10 | Linux OS клон 05:25 | Gparted - увеличение раздела 06:37 | Windos OS клон #linux 🐧 Linux Club ©

🐍 Python Deque: Когда обычного списка недостаточно Многие используют стандартный list для любых задач, связанных с хранением последовательностей. Но что, если вам нужно эффективно добавлять или удалять элементы с обоих концов структуры? Здесь на сцену выходит collections.deque (double-ended queue). 🚀 Почему Deque круче списка в определенных задачах? Главная проблема list в том, что он оптимизирован для операций с правой стороны. Удаление или вставка в начало списка (list.insert(0, v) или list.pop(0)) заставляет Python сдвигать все остальные элементы, что дает сложность . deque обеспечивает: 🔹O(1) для операций добавления/удаления как слева, так и справа. 🔹Возможность создания кольцевых буферов (ограниченных очередей). 🔹Потокобезопасность для атомарных операций добавления/удаления. 🛠 Примеры использования

    
        
from collections import deque

# 1. Создаем дек
d = deque(['middle'])

# 2. Добавляем элементы с двух сторон
d.append('right')       # в конец
d.appendleft('left')    # в начало
print(d) # deque(['left', 'middle', 'right'])

# 3. Удаляем элементы
d.pop()
d.popleft()

# 4. Ограниченная очередь (самое полезное!)
# Хранит только последние 3 элемента. Идеально для логов или истории.
history = deque(maxlen=3)
for i in range(5):
    history.append(f"Action {i}")
    print(history)
# Результат: всегда только последние 3 действия

{}
    

💡 Когда стоит использовать deque? 🔹Реализация очередей (FIFO) и стеков (LIFO). 🔹Алгоритмы обхода графов (BFS - поиск в ширину). 🔹Хранение последних логов или сообщений.

Важный нюанс: Доступ к элементам по индексу в середине дека (d[n]) работает медленнее (O(n)), чем в списке (O(1)). Если вам нужен частый произвольный доступ - оставайтесь на list.

📖 Подробнее в статье: https://realpython.com/python-deque/ #python #backend ✅Программирование

Извините, готов рассматривать офферы только от 3000$ Мы в MAX: 📲 https://max.ru/lazy__programmer 🦥Ленивый программист ©

Помоги Даше найти баг в коде Мы в MAX: 📲 https://max.ru/lazy__programmer 🦥Ленивый программист