{"canonical_url":"https://engineer.company/nb/glossary/event-sourcing/","content_markdown":"# Event sourcing\n\n## Hva det er\n\nEvent sourcing er en måte å lagre data på der beretningen om hva som har skjedd,\ner selve dataene. De fleste systemer har den gjeldende tilstanden til en ordre\neller en konto liggende i en rad og overskriver den ved hver endring. Et system\nbygd med event sourcing lagrer i stedet endringene: hver av dem legges til i en\nlogg som en hendelse, og den gjeldende tilstanden regnes ut fra loggen når den\ntrengs. Martin Fowler, som beskrev mønsteret i 2005, oppsummerer det i én linje:\n«Capture all changes to an application state as a sequence of events.»\n\nEn hendelse beskriver noe som allerede har skjedd. Greg Youngs CQRS Documents\nkrever at hver hendelse navngis med et verb i preteritum, for eksempel\n`CustomerRelocated` eller `CargoShipped`, fordi navnet er en del av språket\nvirksomheten selv bruker om sitt eget arbeid. Det som har skjedd, kan ikke\ngjøres om, så hendelser endres og slettes aldri. Young sammenligner loggen med\nen regnskapsførers hovedbok: en feil postering viskes ikke ut, den rettes med en\nny, og den samme regelen gjelder for sletting. Legger en kunde to par sokker i\nhandlekurven og tar dem ut igjen, får loggen en hendelse om at de ble fjernet.\nYoung kaller en slik postering en motpostering (reversal transaction): kurven\nender som om sokkene aldri var lagt i, mens loggen fortsatt viser at de var der.\n\nHendelsene ligger i strømmer, én for hver ting hvis tilstand de beskriver. Young\nbygger på domenedrevet design og kaller tingen et aggregat. Hver hendelse bærer\nstrømmens id og et versjonsnummer som er unikt og fortløpende innenfor strømmen,\nslik at rekkefølgen aldri er i tvil. For å laste inn en ordre leser systemet\nordrens hendelser etter versjon og bruker dem én om gangen. Young påpeker hvor\nlite selve lageret trenger å kunne: i sin enkleste form har det to operasjoner,\nnemlig å lese alle hendelsene i én strøm i rekkefølge og å legge nye hendelser\ntil den.\n\nDermed er loggen det autoritative registeret. Fowler skriver at både loggen og\nden gjeldende tilstanden kan være den offisielle registreringen. Med event\nsourcing er det loggen, og alt annet, en tabell med gjeldende saldoer, en\nsøkeindeks, en rapport, er kopier avledet av den som kan kastes og bygges på\nnytt.\n\n## Hvorfor det er viktig\n\nFowler nevner tre ting en komplett logg gjør mulig. Full gjenoppbygging: hele\napplikasjonens tilstand kan forkastes og gjenskapes ved å spille av alle\nhendelser på en tom applikasjon. Tidsspørringer: tilstanden på et hvilket som\nhelst tidspunkt er resultatet av å spille av hendelsene fram til det\ntidspunktet. Og ny avspilling: viser en hendelse seg å være feil, kan systemet\nrulle tilbake den og alle senere hendelser og spille av den rettede rekkefølgen.\nDen samme loggen er dessuten et revisjonsspor som ingen måtte huske å skrive, og\nFowler trekker fram brukerstøtte og feilsøking som opplagte bruksområder:\nbrukerstøtten kan se nøyaktig hva en bruker gjorde, og en utvikler kan spille av\nhendelsene fra produksjon i et testmiljø.\n\nYoung viser gevinsten med to team hos en stor nettbutikk. Begge får i oppgave å\nlage en rapport over varer kundene legger i handlekurven og tar ut igjen. Teamet\nsom bare lagrer gjeldende tilstand, begynner å registrere slikt nå, og rapporten\nhar data fra den dagen. Teamet som lagrer hendelser, skriver den samme\nrapportlogikken og kjører den over loggen fra begynnelsen, så den første\nrapporten strekker seg flere år tilbake. Et spørsmål ingen tenkte på da systemet\nble bygd, kan likevel besvares, fordi systemet tok vare på hva som skjedde, og\nikke bare hva det endte med.\n\nHendelser er også måten andre systemer får vite om en endring på. Young bemerker\nat mange systemer lagrer tilstanden sin og deretter sender en hendelse til en\nkø, noe som strengt tatt krever en tofasecommit mellom de to, for går systemet\nned midt imellom, er de uenige. Alternativet hans er å la hendelseslageret selv\nvære køen: et løpenummer på hver hendelse lar en separat prosess sende\nhendelsene videre i rekkefølge, slik at det bare er én skriving. Og fordi\nlageret bare legger til, skalerer det lettere. Young påpeker at et lager som\nbare legger til, har langt færre låser å holde styr på enn et som oppdaterer på\nstedet, og at aggregatets id er den eneste nøkkelen et hendelseslager noen gang\nmå partisjoneres etter.\n\nKostnadene er reelle, og Fowler nevner dem selv. Å pakke hver endring inn som en\nhendelse er en programmeringsstil som ikke alle er komfortable med, og mønsteret\ner svært vanskelig å innføre i ettertid i et system som ikke er bygd for det.\nLageret svarer dessuten bare på én type spørsmål, nemlig «gi meg denne\nstrømmen». Youngs eget eksempel er at et hendelseslager ikke kan fortelle hvilke\nbrukere som heter Greg til fornavn. Slike spørsmål krever en separat lesemodell,\nbygd fra hendelsene, og derfor behandler Young event sourcing og CQRS,\natskillelsen av modellene for skriving og lesing, som et par.\n\n## Slik ser det ut i praksis\n\nDet minste hendelseslageret som fungerer, er én tabell i PostgreSQL, nær det\noppsettet Young beskriver: en aggregat-id, hendelsens data og en versjon. Her\nholder den lagerbeholdningen for én vare som er til salgs. Hver hendelse bærer\nen endring i antallet enheter til salgs og ikke den nye summen, for den formen\ner ifølge Fowler den enkleste å rulle tilbake: «legg til ti» oppheves ved å\ntrekke fra ti, mens «sett til 110» har mistet verdien den erstattet.\n\n```sql\nCREATE TABLE stock_events (\n    item_id  text    NOT NULL,\n    version  integer NOT NULL,\n    event    text    NOT NULL,\n    order_id text,\n    units    integer NOT NULL,  -- endring i enheter til salgs\n    PRIMARY KEY (item_id, version)\n);\n\nINSERT INTO stock_events VALUES\n    ('item-881', 1, 'ItemStocked',   NULL,   100),\n    ('item-881', 2, 'UnitsHeld',     'A-17',  -2),\n    ('item-881', 3, 'HoldExpired',   'A-17',   2),\n    ('item-881', 4, 'UnitsHeld',     'B-02',  -1),\n    ('item-881', 5, 'HoldConfirmed', 'B-02',   0);\n\n-- gjeldende tilstand: summer hele strømmen\nSELECT sum(units) AS on_sale FROM stock_events\nWHERE item_id = 'item-881';                    -- 99\n\n-- tidsspørring: varen slik den sto etter versjon 2\nSELECT sum(units) AS on_sale FROM stock_events\nWHERE item_id = 'item-881' AND version \u003c= 2;   -- 98\n```\n\nPrimærnøkkelen gjør jobben Young gir en optimistisk samtidighetskontroll. To\nutsjekkinger som begge har lest strømmen ved versjon 5, og som begge vil\nreservere en enhet, prøver hver å legge til versjon 6:\n\n```sql\nINSERT INTO stock_events VALUES ('item-881', 6, 'UnitsHeld', 'C-40', -1);\nINSERT INTO stock_events VALUES ('item-881', 6, 'UnitsHeld', 'D-11', -1);\n-- den andre feiler: (item-881, 6) finnes allerede\n```\n\nPostgreSQL-dokumentasjonen beskriver en primærnøkkel over flere kolonner som et\nkrav om at kombinasjonen er unik, og en innsetting som ville gjentatt den, gir\nen feil. Utsjekkingen som tapte, laster strømmen på nytt, ser etter om det\nfortsatt er en enhet til salgs, og prøver igjen som versjon 7. Ingen av dem har\nsolgt en enhet som ikke fantes, og loggen viser begge beslutningene i den\nrekkefølgen de ble tatt.\n\nNotatet\n[Å selge den siste billetten nøyaktig én gang](/nb/notes/selling-limited-stock-without-overselling/)\narbeider med det samme lagerproblemet og viser hvor denne formen kommer under\npress. Det første svaret holder tallet i én rad og endrer det med én betinget\n`UPDATE`, og notatet fraråder optimistisk låsing på en het teller, fordi en\nversjonskolonne gjør kampen om raden til nye forsøk. For den mest etterspurte\nvaren legger det hver forespørsel på én Kafka-partisjon, som leses av én enkelt\nkonsument som holder tallet i minnet og lagrer avgjørelsene sine i batcher, og\ndet kaller dette LMAX-formen. Fowlers artikkel om LMAX-arkitekturen, som notatet\nviser til, beskriver event sourcing i sin reneste form: en handelsmotor helt\nuten database, der hele tilstanden kan utledes av hendelsene den mottar, og der\nen journalfører lagrer dem varig slik at de kan spilles av igjen. Utsjekkingen i\nnotatet bruker hendelser av en annen sort. Hvert steg skriver en melding i en\noutbox-tabell, change data capture sender den videre, og tabellene er fortsatt\ndet autoritative registeret. Der kunngjør hendelsene endringer; i event sourcing\ner hendelsene registeret.\n\n## Hvor det går galt\n\n**Ny avspilling gjentar sideeffektene.** En handler som sender en\nordrebekreftelse eller belaster et kort, gjør det igjen når loggen spilles av,\nog Fowler påpeker at eksterne systemer ikke kan skille en avspilling fra ekte\nbehandling. En gjenoppbygd lesemodell kan da sende hver kunde fjorårets\ne-poster. Legg hvert eksternt system bak en gateway som vet når applikasjonen\nspiller av, og som dropper utgående kall i mellomtiden, slik at domenelogikken\naldri trenger å vite det. Spørringer krever samme omhu: Fowlers eksempel er en\nvalutaomregning, der en avspilt hendelse må bruke kursen fra sin egen dag og\nikke dagens, så gatewayen bør lagre svarene den fikk, og levere dem igjen under\nen avspilling.\n\n**En travel strøm drukner i nye forsøk.** Optimistisk samtidighet forutsetter at\nkonflikter er sjeldne. Når mange skriver til den samme strømmen samtidig, betyr\nhver konflikt at strømmen må lastes på nytt, og ved en plutselig økning i trafikken blir de nye\nforsøkene selve belastningen, slik notatet over advarer om. Del opp strømmene\nslik at én sjelden har to skrivere samtidig: én strøm per ordre framfor én for\nen hel varegruppe. Der en enkelt strøm virkelig er het, gi den én skriver, som i\nLMAX-designet, så det ikke er noe igjen å kollidere om.\n\n**Lange strømmer lastes sakte.** Å spille av tusenvis av hendelser for å laste\nett objekt koster tid ved hver forespørsel, og Fowler nevner nettopp den\nlangsomme gjenoppbyggingen som grunnen til å lagre en kopi av den gjeldende\ntilstanden. Youngs svar er det rullerende øyeblikksbildet (rolling snapshot):\nden serialiserte tilstanden til en strøm ved en kjent versjon, lagt i en egen\ntabell og skrevet i bakgrunnen av en separat prosess, slik at innlasting betyr\ndet nyeste øyeblikksbildet pluss hendelsene etter versjonen dets. Hold\nøyeblikksbildene utenfor selve hendelsesloggen: Young beskriver hvordan\nprosessen som tar dem, på en travel strøm feiler samtidighetskontrollen sin\nigjen og igjen. Han anbefaler også å utvikle uten øyeblikksbilder, fordi de\nalltid kan legges til senere for å gjøre innlastingen raskere.\n\n**Lesemodellene henger etter.** Hver lesemodell bygges fra hendelsene etter at\nde er skrevet, så den ligger bak loggen. Fowler advarer om at systemer som leser\nloggen, lett kommer i utakt med den, og en bruker som sender et skjema og\nderetter ser en liste uten endringen, sender det igjen. La hver lesemodell\nregistrere den siste hendelsen den har brukt, slik at forsinkelsen kan måles og\nmodellen kan bygges på nytt, og vis brukeren resultatet av vedkommendes egen kommando ut\nfra kommandoens svar framfor fra en lesemodell som kanskje ikke har tatt den\nigjen ennå.\n\n## Les mer\n\n- [Event Sourcing](https://martinfowler.com/eaaDev/EventSourcing.html)\n  — Martin Fowlers beskrivelse av mønsteret: full gjenoppbygging,\n  tidsspørringer, ny avspilling og gatewayer som holder avspillinger unna andre\n  systemer.\n- [CQRS Documents by Greg Young](https://cqrs.wordpress.com/wp-content/uploads/2010/11/cqrs_documents.pdf)\n  — hendelser som fakta i preteritum, motpostering i stedet for sletting, et\n  hendelseslager i to tabeller, rullerende øyeblikksbilder og lageret som kø.\n- [The LMAX Architecture](https://martinfowler.com/articles/lmax.html)\n  — en handelsmotor i minnet der hele tilstanden utledes av journalførte\n  inndatahendelser.\n- [PostgreSQL: Constraints](https://www.postgresql.org/docs/current/ddl-constraints.html)\n  — unikhets- og primærnøkkelbegrensninger over flere kolonner, databasens\n  halvdel av en optimistisk samtidighetskontroll.\n\n\u003chttps://engineer.company/nb/glossary/event-sourcing/\u003e\n","date_modified":"2026-11-12T05:34:23Z","description":"Hvordan event sourcing lagrer hver endring som en hendelse og utleder tilstanden av loggen, hva det gir et team, og fire måter det går galt på.","formats":{"gemtext":"https://engineer.company/nb/glossary/event-sourcing/index.gmi","gopher":"https://engineer.company/nb/glossary/event-sourcing/gophermap","html":"https://engineer.company/nb/glossary/event-sourcing/","json":"https://engineer.company/nb/glossary/event-sourcing/index.json","markdown":"https://engineer.company/nb/glossary/event-sourcing/index.md","pdf":"https://engineer.company/nb/glossary/event-sourcing/index.pdf"},"kind":"page","language":"nb","title":"Hva er event sourcing?","url":"https://engineer.company/nb/glossary/event-sourcing/","version":1}