Как 1С на самом деле работает с временными таблицами в PostgreSQL — и почему безобидный FASTTRUNCATE может съедать заметную долю CPU.
Разбор внутренней механики, переиспользования временных таблиц и реального кейса оптимизации PostgreSQL под 1С.
https://habr.com/ru/companies/tantor/articles/1078088/
Разбор внутренней механики, переиспользования временных таблиц и реального кейса оптимизации PostgreSQL под 1С.
https://habr.com/ru/companies/tantor/articles/1078088/
✍15🌚1
https://youtu.be/2MCcLSZP5Y4?si=lLvijUHKopVdbD4o
Говорим о зарплатах Junior, Middle и Senior 1С, переходе из бухгалтерии в разработку, сертификатах 1С, высшем образовании и софт-скиллах. Разбираем автоотклики на hh.ru, сопроводительные письма, технические собеседования, использование ИИ и работу в нескольких компаниях. Отдельно спорим о накрутке опыта: где проходит граница между реальными знаниями и годами в резюме.
Смотри, если ищешь первую работу в 1С, готовишься к смене компании или хочешь понять, что мешает росту дохода. Зарплатные цифры и оценки рынка в беседе — опыт и мнения участников, а не гарантированные условия трудоустройства.
Говорим о зарплатах Junior, Middle и Senior 1С, переходе из бухгалтерии в разработку, сертификатах 1С, высшем образовании и софт-скиллах. Разбираем автоотклики на hh.ru, сопроводительные письма, технические собеседования, использование ИИ и работу в нескольких компаниях. Отдельно спорим о накрутке опыта: где проходит граница между реальными знаниями и годами в резюме.
Смотри, если ищешь первую работу в 1С, готовишься к смене компании или хочешь понять, что мешает росту дохода. Зарплатные цифры и оценки рынка в беседе — опыт и мнения участников, а не гарантированные условия трудоустройства.
YouTube
РЫНОК 1С МЁРТВ... Стоит ли вкатываться в 2026 году? ИИ, менторы и сокращения / Гульнара Гайсина
Опыт в 1С есть, а приглашений на собеседования всё меньше. Как программисту 1С найти работу в 2026 году, пройти отбор и обосновать свою зарплату?
Никита и Гайсина Гульнара, директор по персоналу Programming Store, разбирают найм со стороны кандидата и работодателя.…
Никита и Гайсина Гульнара, директор по персоналу Programming Store, разбирают найм со стороны кандидата и работодателя.…
🔥5❤🔥1🙊1
Как не отправлять ПДн во внешнюю LLM
Практический кейс маскирования персональных данных в пользовательском тексте.
Схема:
regex + справочники → локальная LLM → токенизация → внешняя LLM
Телефоны, email, паспорта и известных людей ловят детерминированно. Склонения, прозвища и живую речь — локальной моделью.
Архитектурный паттерн: deterministic preprocessing → local intelligence → external LLM.
Подходит для любого AI-gateway, где чувствительные данные нельзя отправлять наружу.
Практический кейс маскирования персональных данных в пользовательском тексте.
Схема:
regex + справочники → локальная LLM → токенизация → внешняя LLM
Телефоны, email, паспорта и известных людей ловят детерминированно. Склонения, прозвища и живую речь — локальной моделью.
Архитектурный паттерн: deterministic preprocessing → local intelligence → external LLM.
Подходит для любого AI-gateway, где чувствительные данные нельзя отправлять наружу.
👍10
Сжатие PostgreSQL: меньше данных ≠ выше производительность
Обычно эффективность сжатия оценивают по размеру базы. Но экономия диска не гарантирует ускорения запросов.
Авторы статьи исследовали компрессию страниц в Tantor Postgres на базах 1С.
Что выяснили:
• ZSTD лучше сжимает, но требует больше CPU.
• LZ4 обеспечивает лучший баланс скорости и сжатия.
• На большой таблице объём сократился с 95 до 12 ГБ. LZ4 ускорил холодное чтение почти втрое.
• На небольших таблицах распаковка может стоить дороже сэкономленного I/O.
• Сжатие страниц переменного размера усложняет запись и может приводить к фрагментации.
Архитектурный вывод
Оптимизировать нужно не коэффициент сжатия, а стоимость работы с данными: CPU, I/O, write/read amplification.
Максимальное сжатие ≠ максимальная производительность.
Отдельно интересно решение CSM в Tantor Postgres: сохранять фиксированную адресацию страниц, уменьшая их физический размер. Это компромисс между экономией диска и стоимостью операций чтения и записи.
Читать исследование →
Обычно эффективность сжатия оценивают по размеру базы. Но экономия диска не гарантирует ускорения запросов.
Авторы статьи исследовали компрессию страниц в Tantor Postgres на базах 1С.
Что выяснили:
• ZSTD лучше сжимает, но требует больше CPU.
• LZ4 обеспечивает лучший баланс скорости и сжатия.
• На большой таблице объём сократился с 95 до 12 ГБ. LZ4 ускорил холодное чтение почти втрое.
• На небольших таблицах распаковка может стоить дороже сэкономленного I/O.
• Сжатие страниц переменного размера усложняет запись и может приводить к фрагментации.
Архитектурный вывод
Оптимизировать нужно не коэффициент сжатия, а стоимость работы с данными: CPU, I/O, write/read amplification.
Максимальное сжатие ≠ максимальная производительность.
Отдельно интересно решение CSM в Tantor Postgres: сохранять фиксированную адресацию страниц, уменьшая их физический размер. Это компромисс между экономией диска и стоимостью операций чтения и записи.
Читать исследование →
✍4
Отчёт в 1С завис? Возможно, дело вообще не в запросах.
Отличная статья с практическими кейсами диагностики 1С. Вместо гадания и перебора гипотез — конкретные инструменты и реальные причины проблем.
Что внутри:
948 → 66 секунд. Через rac и технологический журнал нашли SQL-запрос на 240 секунд и конкретную строку кода. Переписали проблемный отчёт.
365 секунд в одной временной таблице. Из 15 шагов пакета 14 выполнялись суммарно за 0,76 секунды. Замер каждого шага помог найти узкое место.
50 минут ложного зависания. Сервер простаивал, а клиент ожидал закрытия невидимого модального окна с ошибкой.
Зомби-вызовы. Пользователь закрыл отчёт, но SQL продолжил выполняться на сервере. Повторный запуск только увеличил нагрузку.
Зависшее фоновое задание. Открытая транзакция удерживалась более двух суток и мешала обновлению конфигурации.
Задание «выполнено», но данные не обновляются. Неправильное расписание, ошибка формирования SQL и перехваченное исключение скрывали проблему.
Готовая методика расследования: как с помощью rac, DBMSSQL, SDBL и журнала регистрации быстро сузить круг причин, не тратя часы на изучение непричастного кода.
Хороший материал, который стоит сохранить как шпаргалку для разбора инцидентов в 1С.
Отличная статья с практическими кейсами диагностики 1С. Вместо гадания и перебора гипотез — конкретные инструменты и реальные причины проблем.
Что внутри:
948 → 66 секунд. Через rac и технологический журнал нашли SQL-запрос на 240 секунд и конкретную строку кода. Переписали проблемный отчёт.
365 секунд в одной временной таблице. Из 15 шагов пакета 14 выполнялись суммарно за 0,76 секунды. Замер каждого шага помог найти узкое место.
50 минут ложного зависания. Сервер простаивал, а клиент ожидал закрытия невидимого модального окна с ошибкой.
Зомби-вызовы. Пользователь закрыл отчёт, но SQL продолжил выполняться на сервере. Повторный запуск только увеличил нагрузку.
Зависшее фоновое задание. Открытая транзакция удерживалась более двух суток и мешала обновлению конфигурации.
Задание «выполнено», но данные не обновляются. Неправильное расписание, ошибка формирования SQL и перехваченное исключение скрывали проблему.
Готовая методика расследования: как с помощью rac, DBMSSQL, SDBL и журнала регистрации быстро сузить круг причин, не тратя часы на изучение непричастного кода.
Хороший материал, который стоит сохранить как шпаргалку для разбора инцидентов в 1С.
❤9👍6
Как избавиться от гонок при параллельной загрузке данных в 1С без блокировок
При миграции 28 тысяч позиций номенклатуры из SAP в 1С:ERP разработчики столкнулись с классической проблемой конкурентного доступа — дублированием элементов справочников.
В чём проблема?
Несколько фоновых заданий одновременно проверяли существование элемента. Не находили его и создавали каждый свою копию.
Попытки решить проблему блокировками дали неожиданные результаты:
• Исключительные блокировки — дублей нет, но 85% сообщений завершаются ошибкой из-за таймаутов.
• Разделяемые блокировки — ошибок меньше (20%), но появляются дубли. В результате около 250 лишних элементов.
• Детерминированный GUID — практически без ошибок блокировок и без дублей.
Как решили?
Вместо случайного идентификатора стали вычислять GUID из MD5-хеша типа сущности и нормализованного бизнес-ключа.
Теперь два параллельных процесса пытаются создать элемент с одинаковым первичным ключом. Один успешно записывает данные, второй получает конфликт уникальности и повторяет обработку сообщения.
Что интересно с архитектурной точки зрения:
1. Уникальность обеспечивает сама СУБД, а не распределённая блокировка.
2. Конфликт записи становится штатным сценарием, который обрабатывается через retry.
3. Повтор выполняется на уровне всей транзакции, а не отдельной операции.
4. Идемпотентность позволяет безопасно обрабатывать сообщения повторно.
Результат: все 28 тысяч позиций загружены без дублей, параллельная обработка перестала упираться в общие блокировки.
В статье также разобраны ограничения подхода: переименование сущностей, коллизии нормализации и работа с ранее созданными элементами.
Хороший практический пример того, как детерминированные идентификаторы и ограничения уникальности помогают заменить сложную координацию конкурентных процессов.
📖 Читать статью на Хабре
При миграции 28 тысяч позиций номенклатуры из SAP в 1С:ERP разработчики столкнулись с классической проблемой конкурентного доступа — дублированием элементов справочников.
В чём проблема?
Несколько фоновых заданий одновременно проверяли существование элемента. Не находили его и создавали каждый свою копию.
Попытки решить проблему блокировками дали неожиданные результаты:
• Исключительные блокировки — дублей нет, но 85% сообщений завершаются ошибкой из-за таймаутов.
• Разделяемые блокировки — ошибок меньше (20%), но появляются дубли. В результате около 250 лишних элементов.
• Детерминированный GUID — практически без ошибок блокировок и без дублей.
Как решили?
Вместо случайного идентификатора стали вычислять GUID из MD5-хеша типа сущности и нормализованного бизнес-ключа.
Теперь два параллельных процесса пытаются создать элемент с одинаковым первичным ключом. Один успешно записывает данные, второй получает конфликт уникальности и повторяет обработку сообщения.
Что интересно с архитектурной точки зрения:
1. Уникальность обеспечивает сама СУБД, а не распределённая блокировка.
2. Конфликт записи становится штатным сценарием, который обрабатывается через retry.
3. Повтор выполняется на уровне всей транзакции, а не отдельной операции.
4. Идемпотентность позволяет безопасно обрабатывать сообщения повторно.
Результат: все 28 тысяч позиций загружены без дублей, параллельная обработка перестала упираться в общие блокировки.
В статье также разобраны ограничения подхода: переименование сущностей, коллизии нормализации и работа с ранее созданными элементами.
Хороший практический пример того, как детерминированные идентификаторы и ограничения уникальности помогают заменить сложную координацию конкурентных процессов.
📖 Читать статью на Хабре
Хабр
Гонка при создании справочников в 1С: как MD5 от ключа заменил блокировки на миграции 28 тысяч позиций
Была миграция из SAP в 1С:ERP. Нужно было разово загрузить около 28 тысяч карточек номенклатуры. Саму номенклатуру мы контролировали очень внимательно, а задвоилось то, на что смотрели меньше всего:...
🔥7⚡3😁2🫡2👀1
1 миллиард событий в месяц на 1С.
Когда речь заходит о высоконагруженных системах, 1С редко приходит на ум первой. Но в СДЭК решили иначе и построили на 1С биллинг, который обрабатывает впечатляющие объёмы:
• ⚡ 1 миллиард событий в месяц
• 📄 3 миллиона актов
• 👥 700 тысяч корпоративных клиентов
И самое интересное здесь не цифры, а архитектура.
Вместо монолитной обработки — разделение данных на логические слои, многопоточный конвейер, RabbitMQ для событий и REST API для синхронных операций.
Отдельного внимания заслуживает подход к финансовым данным: история не переписывается, а изменения оформляются через сторнирование и новые записи.
А для мониторинга используются привычные backend-разработчикам Prometheus и Grafana.
Главный вопрос: где на самом деле предел производительности 1С — в платформе или в архитектуре наших решений?
В статье подробно разобрано, как устроена система, какие инженерные решения были приняты и как удалось добиться такой масштабируемости.
🔗 Читать: https://habr.com/ru/companies/cdek_blog/articles/1074562/
Когда речь заходит о высоконагруженных системах, 1С редко приходит на ум первой. Но в СДЭК решили иначе и построили на 1С биллинг, который обрабатывает впечатляющие объёмы:
• ⚡ 1 миллиард событий в месяц
• 📄 3 миллиона актов
• 👥 700 тысяч корпоративных клиентов
И самое интересное здесь не цифры, а архитектура.
Вместо монолитной обработки — разделение данных на логические слои, многопоточный конвейер, RabbitMQ для событий и REST API для синхронных операций.
Отдельного внимания заслуживает подход к финансовым данным: история не переписывается, а изменения оформляются через сторнирование и новые записи.
А для мониторинга используются привычные backend-разработчикам Prometheus и Grafana.
Главный вопрос: где на самом деле предел производительности 1С — в платформе или в архитектуре наших решений?
В статье подробно разобрано, как устроена система, какие инженерные решения были приняты и как удалось добиться такой масштабируемости.
🔗 Читать: https://habr.com/ru/companies/cdek_blog/articles/1074562/
Хабр
Биллинг 1 миллиарда событий для 700К клиентов на 1С 8.5 в inFrame режиме для 50К пользователей
Эта статья является адаптацией моего выступления на конференции INFOSTART TEAM EVENT 2026. Привет, Хабр! Меня зовут Александр Зыков, я архитектор 1С в СДЭК. В этой статье расскажу...
🔥19👍6❤1