Python Community

🧠 Как превратить любой Python-объект в читаемый словарь — даже если это класс с кучей вложенных полей Когда работаешь с API, логами или дебажишь сложные объекты — хочется увидеть весь объект как словарь, без .__dict__, без сериализации, без ручного разбора. Вот приём, который делает это рекурсивно, красиво и гибко — с помощью dataclasses и asdict, даже если объект не был dataclass изначально. python from dataclasses import dataclass, asdict, is_dataclass from types import SimpleNamespace def deep_to_dict(obj): if isinstance(obj, dict): return {k: deep_to_dict(v) for k, v in obj.items()} elif isinstance(obj, list): return [deep_to_dict(i) for i in obj] elif is_dataclass(obj): return asdict(obj) elif isinstance(obj, SimpleNamespace): return deep_to_dict(vars(obj)) elif hasattr(obj, '__dict__'): return deep_to_dict(vars(obj)) else: return obj 🧠 Рекурсивный разбор любых Python-объектов 📌 Подходит для логирования, сериализации, отладки 📌 Работает с dataclass, обычными классами, объектами из types, JSON-like структурами 📌 Можно расширить: добавить фильтрацию полей, вывод в YAML или сохранение в файл Теперь любой “монстр из API” — превращается в читаемый словарь за одну строчку. @Python_Community_ru

🧠 Ускорь import в Python-проектах с помощью lazy loading — без изменения логики Если у тебя проект с тяжёлыми модулями (`pandas`, torch, tensorflow`), но они не всегда нужны — не загружай их зря. Python позволяет **отложить импорт до первого использования**, через встроённый `importlib. Вот как это выглядит на практике: import importlib # Обёртка для ленивого импорта def lazy_import(name): return importlib.util.LazyLoader(importlib.import_module(name)) # Использование np = lazy_import('numpy') # numpy ещё не загружен # Теперь загрузится: print(np.array([1, 2, 3])) @Python_Community_ru

⚡ Ускорь Python без переписывания — скомпилируй код в .so через Cython Нужно ускорить медленные куски Python-кода (циклы, численные вычисления, парсинг)? Не обязательно лезть в C или переписывать всё под NumPy. Можно взять свой .py`-файл, добавить одну строчку и превратить его в бинарный .so`‑модуль через Cython — без изменения логики. # 1. Устанавливаем Cython и компилятор pip install cython sudo apt install build-essential # 2. Переименовываем файл mv myscript.py myscript.pyx # 3. Создаём setup.py echo ' from setuptools import setup from Cython.Build import cythonize setup(ext_modules=cythonize("myscript.pyx")) ' > setup.py # 4. Компилируем python3 setup.py build_ext --inplace # 5. Используем как обычный модуль python3 -c 'import myscript; myscript.main()' @pytonl @Python_Community_ru

‍👾 GREMLLM — теперь у ваших багов есть сознание GREMLLM — это необычный Python-класс, в котором все методы и свойства создаются динамически с помощью LLM. Вы описываете, *что за объект вы хотите*, и дальше GREMLLM сам решает, что должно происходить при вызове методов или обращении к полям. 📦 Установка: pip install gremllm 🔧 Пример: from gremllm import Gremllm counter = Gremllm('counter') counter.value = 5 counter.increment() print(counter.value) # → 6? print(counter.to_roman_numerals()) # → VI? 🧩 Возможности: – Динамическое поведение: всё определяется "на лету" с помощью LLM – Поддержка OpenAI, Claude, Gemini, и локальных моделей – Wet Mode: можно строить цепочки вызовов (методы возвращают объекты) – Verbose Mode: выводит, какой код был сгенерирован – Умная обработка ошибок и настройка через наследование ⚠️ Это экспериментальный инструмент. Не для продакшена. Но очень интересен для изучения LLM-интеграций в Python-код. 🔗 Репозиторий: https://github.com/ur-whitelab/gremllm @Python_Community_ru

📊 Vizro — low-code инструмент для создания дашбордов на Python. Интересный проект для аналитиков и дата-инженеров, позволяющий собирать интерактивные дашборды буквально в несколько строк кода. Основан на связке Plotly + Dash + Pydantic, но скрывает сложность за простым декларативным синтаксисом в JSON/YAML/Python-словарях. Библиотека имеет встроенные best practices по визуализации данных и возможность кастомизировать всё через Python/JS, когда low-code возможностей недостаточно. Готовые дашборды выглядят профессионально и сразу готовы к продакшену. 🤖 GitHub (https://github.com/mckinsey/vizro) @Python_Community_ru

🚀Углубленные навыки разработки на C++ востребованы в самых крупных IT-компаниях, готовы перейти на новый уровень? Курс «C++ Developer. Professional» создан для разработчиков, которые хотят углубить свои знания в C++ и подготовиться к решениям реальных задач. Вы освоите передовые практики, такие как многопоточное программирование, новые стандарты C++ 20 и 23, а также научитесь работать с сетями и базами данных. Пройдите обучение с OTUS и получите знания, которые сделают вас ценным специалистом в любой компании. Получите диплом OTUS, который признают ведущие работодатели. ⌛️Время ограничено! Успейте пройти вступительное тестирование и получить скидку на обучение. Старт курса уже скоро — не упустите свой шанс: https://clck.ru/3MuyLe Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, www.otus.ru

‍🔥 CAI — ИИ для поиска багов от Alias Robotics Что это такое? CAI — лёгкий фреймворк для создания AI-агентов, которые помогают автоматизировать поиск и проверку уязвимостей. Как это работает? - Загружаете YAML-конфиги Опишите сценарии поиска багов, тестов и отчётов в простых текстовых файлах. - LLM-агенты AI-модель эмулирует протоколы (SSH, HTTP, TCP и другие) и взаимодействует с целевыми системами как настоящий тестировщик. - Генерация и «разогрев» данных Создавайте синтетические запросы для обучения и быстро запускайте агента на своих данных. - Оффлайн-оценка Собирайте результаты тестов и анализируйте их без постоянного подключения к интернету. Зачем использовать CAI? - Ускоряет подготовку и запуск тестов безопасности - Позволяет гибко настраивать шаги проверки - Повышает прозрачность и повторяемость отчётов о найденных уязвимостях Установка и запуск: git clone https://github.com/aliasrobotics/cai.git cd cai # отредактируйте config.yaml и запустите агента 📌 Github (https://github.com/aliasrobotics/cai) @Python_Community_ru

💻 Хочешь работать с масштабными цифровыми продуктами? Учись обрабатывать большие данные MLOps — все более популярный среди компаний способ повышения производительности и создания надежных моделей корпоративного уровня. ✅ Владение инструментами MLOps открывает новые карьерные горизонты специалистам ML, Data Scientist’ам и Software инженерам. 💪 Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на продвинутом курсе «MLOps» от OTUS. Cкидка на обучение по промокоду MLOPS_5 : ПРОЙТИ ТЕСТ: https://clck.ru/3MuZiD Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, www.otus.ru

🧩 Задача для разминки Что выведет этот код? Попробуй догадаться без запуска. class Sneaky: def __eq__(self, other): print("Comparing!") return True a = Sneaky() b = [a] print(a in b) print(a == b[0]) print(b.count(a)) 🤔 Подумай: сколько раз вызовется eq? 🎯 Разбор: print(a in b) 🔍 Проверка a in b вызывает b.__contains__(a), который по умолчанию использует ==. 👉 Вызовется eq, будет True. print(a == b[0]) 🔍 Прямое сравнение — снова eq. print(b.count(a)) 🔍 list.count сравнивает каждый элемент с ==. В нашем списке один элемент — a. 👉 Опять вызывается eq. 💥 Вывод будет: Comparing! True Comparing! True Comparing! 1 📌 Вывод: __eq__ сработал 3 раза, и каждый раз напечатал "Comparing!". 🧠 Уловка: Python-списки используют ==, даже если это один и тот же объект! Да, a == a всё равно вызовет __eq__, если он определён. ⚠️ Фишка для интервью: Можно подменить поведение ==, но is (сравнение идентичности) всегда быстрее и не вызывает магии. @Python_Community_ru

🚀 Станьте экспертом в реверс-инжиниринге и откройте для себя новые горизонты в IT. Актуальное обучение от OTUS — это ваш старт в мир реверс-инжиниринга на практике! 👨‍💻 На курсе вы освоите все ключевые аспекты реверс-инжиниринга — от базовых техник и инструментов до сложных методик анализа кода, уязвимостей и патчей. Мы подготовим вас для работы с реальными кейсами, исследованием программного обеспечения и исследованиями в области безопасности. ❗️ Запись на онлайн-курсе "Reverse-Engineering" от OTUS закрывается! Оставьте заявку и получите скидку на обучение по промокоду REVERSE6 : https://clck.ru/3Mtsbb Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, www.otus.ru

⚡️ PyOpenCL — ускоряем Python вычисления на GPU. Этот проект даёт доступ к технологии OpenCL прямо из Python, позволяя задействовать не только видеокарты, но и любые параллельные вычислительные устройства. Он сочетает низкоуровневый контроль с автоматической обработкой ошибок и привязкой жизненного цикла объектов. Инструмент имеет обширную документацию с примерами: от простого поэлементного умножения массивов до сложных алгоритмов с использованием локальной памяти GPU. Проект работает с реализациями OpenCL от Apple, AMD и Nvidia, а установка через Conda занимает буквально пару команд. 🤖 GitHub (https://github.com/inducer/pyopencl) @Python_Community_ru

‍Общий сбор питонистов на митапе ЮMoney ™️ Питоняшки — бесплатный митап ЮMoney для Python-разработчиков. ✅ 3 июля, в четверг, в 19:00 (мск) — приходите на митап в Санкт-Петербурге или подключайтесь онлайн. О чём будут доклады? 🟣 Это не те метрики, что вы ищете. Разберёмся, почему стандартного экспортёра может не хватать, и как написать свой на Python. 🟣 Кодогенерация: как компьютеры учатся писать код за нас. Поговорим про прошлое, настоящее и будущее кодогенерации в разных языках программирования. 🟣 Ruff: как не положить всё, переходя на новые правила? Поговорим про линтеры, форматтеры и подводные камни при переходе на Ruff. 🟣 Секреты успеха змеи в мире пауков. Обсудим, как мы применяли scrapy и playwright в ЮMoney, чтобы создать сервис модерации сайтов. Зарегистрируйтесь, чтобы принять участие. Все подробности — на сайте митапа Питоняшки (https://events.yoomoney.ru/python-2025?utm_source=tg&utm_medium=post&utm_campaign=hr_python_2025&utm_term=paid&utm_content=pythonl&erid=2VtzqxVvNGF) 🔥 @Python_Community_ru

🎯 Хочешь следить за загрузкой своей GPU прямо из Python? Вот простой скрипт, который показывает текущую загрузку видеокарты NVIDIA (через `nvidia-smi`). Подходит для мониторинга в ML-задачах, инференсе и просто для интереса. 📦 Зависимости: установленный nvidia-smi и Python 3.6+ 🧠 Код: import subprocess def get_gpu_utilization(): try: result = subprocess.check_output( ['nvidia-smi', '--query-gpu=utilization.gpu,memory.used,memory.total', '--format=csv,nounits,noheader'], encoding='utf-8' ) lines = result.strip().split('\n') for idx, line in enumerate(lines): gpu_util, mem_used, mem_total = map(str.strip, line.split(',')) print(f"🖥 GPU {idx}: {gpu_util}% load | {mem_used} MiB / {mem_total} MiB") except FileNotFoundError: print("❌ nvidia-smi not found. Make sure NVIDIA drivers are installed.") except Exception as e: print(f"⚠️ Error: {e}") get_gpu_utilization() 📊 Вывод будет примерно такой: GPU 0: 23% load | 412 MiB / 8192 MiB 🔥 Советы: • Можно запускать в цикле для live-мониторинга • Легко интегрировать в Telegram-бота или Slack-уведомления • Работает на всех машинах с установленным NVIDIA драйвером и nvidia-smi @Python_Community_ru

‍🚦 premier — удобный инструмент для ограничения частоты вызовов в Python Что это такое: premier — это библиотека для контроля скорости вызовов функций в Python. Она помогает ограничить нагрузку на API, базу данных или любой другой ресурс, чтобы не получить отказ или блокировку. 📌 Возможности: • Поддержка популярных алгоритмов: token bucket, fixed window, leaky bucket • Работает как с обычными, так и с асинхронными функциями • Поддерживает Redis и другие хранилища для распределённого ограничения • Гибкая настройка: лимиты, ключи, длительность окна, своя логика • Простое применение через декораторы 🧪 Пример: from premier import throttler, ThrottleAlgo, RedisHandler @throttler.fixed_window(quota=3, duration=5) def request(url: str): # максимум 3 вызова каждые 5 секунд ... @throttler.token_bucket(quota=5, duration=60) async def async_request(...): # асинхронный токен-бакет ... 🔧 Где применить: • Ограничение частоты запросов к внешним API • Защита от перегрузки микросервисов • Контроль доступа к ресурсам внутри приложения • Настройка rate-limit в фоновом обработчике или очереди ✅ Почему стоит попробовать: premier — лёгкая, понятная и гибкая библиотека. Она упрощает внедрение rate limiting, особенно если нужно масштабироваться или работать в асинхронной среде. Если строишь что-то распределённое или просто не хочешь случайно “положить” сервис из-за частых вызовов — premier отлично подойдёт. 📌 Github (https://github.com/raceychan/premier) @Python_Community_ru

🛠️ Copier — удобный инструмент для создания и обновления проектов из шаблонов. Эта Python-утилита умеет работать как с локальными путями, так и с Git-репозиториями, подставляя переменные в файлы любого формата. Главная фишка Copier — это аккуратная работа с существующими файлами: он не перезаписывает их без явного указания. Инструмент будет полезен тем, кто часто создаёт однотипные проекты или хочет автоматизировать их обновление. Шаблоны поддерживают сложную логику через Jinja2, а настройки задаются в простом YAML-формате. Для начала работы достаточно установить Copier через pipx или pip. Проект развивается при поддержке сообщества и доступен под лицензией MIT. 🤖 GitHub (https://github.com/copier-org/copier) @Python_Community_ru

‍🎭 Playwright MCP: AI-доступ к браузеру через Model Context Protocol Playwright MCP — это сервер Model Context Protocol поверх Microsoft Playwright, который позволяет LLM управлять полноценным браузером через структурированные данные, а не по скриншотам. • Доступ к accessibility tree – MCP-клиенты получают иерархию элементов страницы (кнопки, поля, ссылки) вместо изображений, что делает навигацию быстрой и детерминированной :contentReference[oaicite:0]{index=0} • Множественные подключения – Поддержка нескольких клиентов к одной сессии: одновременное тестирование, отладка и мониторинг без лишних запусках браузера :contentReference[oaicite:1]{index=1} • AI-автогенерация тестов – В режиме Agent Mode Playwright MCP может самостоятельно исследовать приложение и писать готовые тесты на основе его поведения :contentReference[oaicite:2]{index=2} • Высокая производительность – Обходится без тяжёлых компьютерного зрения и OCR, экономит ресурсы и снижает флакущие ошибки сравнения скриншотов • Простая настройка – Установка через npm/yarn и запуск: npm install playwright npx playwright launch --server – Клиентское подключение через WebSocket: const { chromium } = require('playwright'); const browser = await chromium.connectOverCDP('ws://localhost:PORT'); 🔗 Репозиторий: https://github.com/microsoft/playwright-mcp @Python_Community_ru

📦 InvenTree — умная система учета для мастерских и инженерных проектов. Этот open-source инструмент — достойная замена Excel, которая поможет вам перестать страдать от перегруженных корпоративных систем. Инструмент предлагает продуманный баланс между простотой и функциональностью: отслеживание деталей, управление несколькими складами, работа с партиями и серийными номерами — всё в одном месте. 📌 Особенности проекта: — Гибкая интеграция через REST API и Python-модули — Мобильные приложения для iOS/Android со сканированием штрих-кодов — Плагинная система для кастомизации под конкретные нужды — Простой деплой — от Docker до однострочной установки на Linux 🤖 GitHub (https://github.com/inventree/InvenTree) @Python_Community_ru

🌟 alphaXiv —выпустили расширение для хрома alphaXiv упрощает работу с научными статьями (arXiv, bioRxiv, PDF): ● чат с ИИ прямо в документе: выделение текста открывает диалог ● ссылки на другие статье через “@” для быстрого вызова статей ● позволяет генерировать блог одним кликом: иллюстрации к статьям, ключевые идеи, перевод ● закладки и автоматические BibTeX-цитаты для хранения и ссылок https://chromewebstore.google.com/detail/alphaxiv-understand-resea/liihfcjialakefgidmaadhajjikbjjab @Python_Community_ru

🐍 Python-задача: что выведет этот код с вложенными генераторами? gen = (x for x in range(3)) def wrap(g): return (x * 2 for x in g) gen2 = wrap(gen) print(list(gen)) print(list(gen2)) 🔍 Варианты: • a) [0, 1, 2], [0, 2, 4] • b) [0, 1, 2], [] • c) [], [0, 2, 4] • d) [0, 1, 2], Ошибка 💡 Разбор: - `gen = (x for x in range(3))` — генератор 0, 1, 2 - `wrap(gen)` — создаёт **новый генератор**, который берёт значения из `gen` и умножает на 2 Но генераторы **исчерпаемы**: после первого полного прохода `list(gen)` → `gen` становится пустым Значит: - `list(gen)` → `[0, 1, 2]` - `gen2 = wrap(gen)` теперь ссылается на **пустой** `gen` - `list(gen2)` → `[]` ✅ **Правильный ответ: b) `[0, 1, 2]`, `[]`** 🧠 **Вывод:** если оборачиваешь генератор — не "прожигай" его до передачи дальше. Генераторы нельзя перезапустить или "перемотать". 🛠️ Совет: если данные нужны повторно — сохрани их в список: ```python data = list(gen) ``` или используй itertools.tee для разветвления итератора. @Python_Community_ru

🎨 MonsterUI — стильный UI для FastHTML на Python (от Answer.AI) MonsterUI — это высокоуровневый слой поверх FastHTML, который позволяет быстро создавать красивые веб-интерфейсы на чистом Python без писанины HTML/CSS. ⚙️ Проблема FastHTML и так упрощает фронтенд, но стильность UI требует громоздких классов или CSS-фреймворков (Tailwind, Bootstrap). MonsterUI решает это, предоставляя готовые компоненты и умные настройки по умолчанию. ✨ Главные возможности • Полюбившиеся Tailwind/FrankenUI/DaisyUI скрылки под капотом • Удобные базовые компоненты: Button, Card, LabelInput и др. • Семантический текст и стили (H1, P, Blockquote, etc.), оформленные по умолчанию • Умные layout-хелперы: DivVStacked, Grid, DivFullySpaced и другие • «Высокоуровневые» компоненты: навбар, модалка, таблицы — готовые шаблоны • Автоматический рендер Markdown и подсветка кода • Темы с выбором цветовой схемы, поддержкой light/dark режимов 🚀 Пример компонента def TeamCard(name, role, location="Remote"): icons = ("mail", "linkedin", "github") return Card( DivLAligned( DiceBearAvatar(name, h=24, w=24), Div(H3(name), P(role))), footer=DivFullySpaced( DivHStacked(UkIcon("map-pin", height=16), P(location)), DivHStacked(*(UkIconLink(icon, height=16) for icon in icons)))) Всё чисто, семантично, без CSS-уродства и классов. 🔧 Старт pip install MonsterUI from fasthtml.common import * from monsterui.all import * app, rt = fast_app(hdrs=Theme.blue.headers()) @rt def index(): return Card(H1("Hello MonsterUI"), P("Приложение готово!")) serve() ✅ Преимущества: • Быстрый старт с современным UI • Чистый, читаемый Python-код • Гибкость в кастомизации через Tailwind • Подтверждённая пригодность в продакшене 🔗 Подробнее: #Python #WebDev #FastHTML #MonsterUI #Tailwind #HTMX #UI #OpenSource @Python_Community_ru https://www.answer.ai/posts/2025/01/15/monsterui.html