Začněte proto mnohem střízlivěji: napište si na papír, jak úkol děláte ručně, a rozdělte ho na malé kroky. U každého kroku si položte otázku, jestli je nutné, aby s úkolem interagoval člověk. Pokud ne, nahraďte ho voláním systému nebo knihovny. Tento postup je pracný, ale vyplatí se – zjistíte, že mnoho automatizací vůbec nepotřebuje simulovat klikání myší, ale stačí číst a zapisovat soubory, posílat HTTP požadavky nebo zpracovávat text.

Nezapomínejte také na pravidelné odstraňování starých, sloučených větví. Po tom, co je feature hotová a začleněná do hlavní větve, větev smažte. Tím se zabrání hromadění mrtvého kódu, který může náhodně ovlivnit budoucí práci. If you have almost any issues with regards to wherever in addition to tips on how to employ Https://wiki.man-noir.com/, it is possible to e-mail us with the site. Pokud si nejste jistí, zda je větev opravdu sloučená, použijte příkaz pro zjištění rozdílů nebo se podívejte na graf historii. Udržování čistého repozitáře je stejně důležité jako psaní samotného kódu.

Dalsim praktickym krokem je separatni odhad pro analyzu a implementaci, ale s tim, ze analyzu berete jako soucast implementacniho cyklu, nikoli jako predfazi. Muzete si napriklad naplanovat, ze prvni dva dny venujete analyze zakladnich pozadavku, dalsi tri dny implementaci, a pak nasleduje dalsi kratka analyza pro jemnejsi detaily. Tento pristup vam umozni vcas odhalit, ze jste v analyze uvizli moc dlouho, a take vcas zjistit, ze implementace ukazuje na potrebu zmenit puvodni odhad.

Verzování kódu při práci na více feature větvích je běžná denní rutina, ale i zdroj frustrace, když se něco pokazí. Klíčem k efektivní práci není jen znalost příkazů, ale hlavně disciplína v tom, jak větve zakládáte, jak často do nich začleňujete změny z hlavní osvětlení v obývákuětve a jak řešíte konflikty. Bez této disciplíny se i jednoduchý projekt promění v chaos, kde se ztrácí čas hledáním, která změna rozbila build.

Rozdeleni casu mezi analyticke faze a implementaci patri k nejcastejsim zdrojum napeti v agilnich tymech. Casto se stava, ze analyza trva prilis dlouho a implementace pak nestiha, nebo naopak zacnete kodit prilis brzy a pozdeji zjistite, ze jste nepochopili zadani. Spolehlivy odhad pritom neziska ani jeden clovek, ani jeden nastroj. Zalezi na tom, jak praci rozlozite v case a jakym zpusobem ji overujete.

Samotný převod dat je jen polovina práce. Musíte upravit i SQL dotazy v aplikaci. Například funkce GROUP_CONCAT z MySQL nemá v PostgreSQL přímý ekvivalent – použijte STRING_AGG. Dále operátor LIMIT funguje stejně, ale OFFSET může být pomalejší, takže zvažte přechod na kurzory nebo jiné stránkování. Také si dejte pozor na escapování řetězců – v PostgreSQL používáte standardní SQL s jednoduchými uvozovkami, ale MySQL dovoluje i zpětná lomítka.

Další typický problém je měření pokrytí celého projektu najednou. Číslo jako „78 procent" nic neříká o tom, kde jsou slabá místa. Rozdělte si kód na moduly a měřte pokrytí zvlášť pro každý z nich. Pak uvidíte, že platební modul má 95 procent, ale třeba export dat jen 30 – a to je přesně místo, kde se vyplatí přidat testy. Bez tohoto rozlišení budete jen slepě zvyšovat celkové číslo a stále budete mít zranitelná místa.

Mnohem důležitější než samotné procento je pokrytí kritických cest. Pokud máte platby, autentizaci nebo práci s databází, tam by pokrytí mělo být co nejvyšší – klidně i 100 procent. Naopak u jednorázových skriptů nebo prototypů stačí 50 procent a je to v pořádku. Sledujte pokrytí v čase – pokud klesá, je to varovný signál, že se testy nepíší pro novou funkcionalitu. Ale pokud roste jen pomalu a chyby se neobjevují, není nutné za každou cenu zvyšovat metriku.

Další oblastí, kterou většina lidí podceňuje, je práce s chybami a nečekanými situacemi. Odhad děláte pro ideální průběh, ale v praxi narazíte na nespecifikovaný požadavek, na podivné chování staršího kódu nebo na to, že vám chybí testovací data. Dobrý odhad obsahuje rezervu na ladění, které sice není vidět na první pohled, ale je nevyhnutelné. Zkuste si na každý úkol přidat deset až dvacet procent času navíc a sledujte, jestli to odpovídá realitě. Časem získáte vlastní kalibraci.

Jak na to bez ztráty dat a s minimálními prostoji Nejlepší postup je vytvořit si nejprve export z MySQL pomocí nástroje mysqldump s parametry, které zajistí kompatibilní osvětlení v obývákuýstup – konkrétně --compatible=postgresql a --no-create-info, pokud chcete pouze data. Poté si připravte skript pro PostgreSQL, který vytvoří tabulky s upravenými typy a omezeními. Nezapomeňte na indexy, zejména na plnotextové indexy – v MySQL se používají FULLTEXT, zatímco v PostgreSQL musíte vytvořit GIN index nad tsvector sloupcem.

Jak si ověřit, že váš odhad není příliš optimistický? Nejspolehlivější metodou je vzít si minulý úkol podobného rozsahu a porovnat, kolik času jste skutečně potřebovali s tím, co jste odhadli na začátku. Rozdíl vám ukáže, jak velkou rezervu obvykle potřebujete. Až příště budete odhadovat, přičtěte tuto rezervu automaticky. Dále si rozdělte úkol na menší části – nejen na kód, ale i na analýzu, psaní testů, revizi kódu a nasazení. Každá z těchto fází může obsahovat skryté činnosti, které si zaslouží vlastní odhad.