Python Community

🖥Тебе не всегда стоит использовать классы в Python Python известен простотой и читабельностью — и многие сразу переходят к использованию классов. Но как показывает опыт, классы далеко не всегда нужны: Python — невероятно гибкий язык, но классы не всегда лучший выбор. В большинстве случаев стандартные типы, функции и библиотеки предлагают более простые и элегантные решения. 🔍 Когда вы можете обойтись без класса 1. Хранение простых данных Вместо класса: class Point: def __init__(self, x, y): self.x = x self.y = y point = Point(10, 20) Point = namedtuple('Point', ['x', 'y']) point = Point(10, 20) # или @dataclass class Point: x: int y: int point = Point(10, 20) Статические утилиты без состояния Вместо: class Utils: @staticmethod def add(a, b): return a + b result = Utils.add(3, 4) используйте просто функцию: def add(a, b): return a + b result = add(3, 4) Группировка констант Вместо использования отдельного класса: class Config: HOST = 'localhost' PORT = 8080 можно определить модуль с константами: HOST = 'localhost' PORT = 8080 Простые изменяемые состояния Если нужен лишь список или словарь: inventory = [] inventory.append('apple') Операции на лету Вместо класса с одним методом transform: result = Transformer().transform([1,2,3]) используйте: result = [x*2 for x in [1,2,3]] Стандартная библиотека может уже всё заменить Например, configparser, json, csv и другие модули часто покрывают функциональность управления конфигурациями без необходимости писать класс вручную. ✅ Когда классы всё же уместны Используйте классы, если вам действительно нужны: - Состояние и поведение, связанные вместе - Наследование и расширяемость - Капсуляция логики и данных - Чёткая структура и переиспользуемость Но многие простые сценарии проще и понятнее реализовать без OOP-механизмов 💡 Почему это важно Это помогает избежать избыточного кода и упростить архитектуру Повышает читабельность, особенно для новичков или в небольших скриптах Снижает перегрузку инициализации, особенно там, где функциональность тривиальна 📌 Подробнее (https://adamgrant.micro.blog/2025/07/24/123050.html) @Python_Community_ru

🚀 Kreuzberg — мощный фреймворк Document Intelligence для Python! 🔹 Извлекает текст, метаданные и структурированные данные из PDF, Office-документов, изображений и др. 🔹 Основан на проверенных open-source решениях: Pandoc, PDFium, Tesseract 🔹 Поддержка 18 форматов (PDF, DOCX, PPTX, HTML, изображения, таблицы и пр.) 🔹 Высокая производительность: 30+ документов/с, лёгкий runtime (≈360 МБ), установка 71 МБ 🔹 Открытый исходный код под MIT-лицензией, 2 000⭐ на GitHub GitHub Пример: from kreuzberg import extract_file # In your async function result = await extract_file("presentation.pptx") print(result.content) # Rich metadata extraction print(f"Title: {result.metadata.title}") print(f"Author: {result.metadata.author}") print(f"Page count: {result.metadata.page_count}") print(f"Created: {result.metadata.created_at}") ✨ Попробуйте: https://github.com/Goldziher/kreuzberg #Python #OCR #DocumentIntelligence #OpenSource #Kreuzberg @Python_Community_ru

⚡️ Ускорь проверку качества кода в 10 раз с помощью pre-commit! В серьезных проектах чистота и стиль кода — но ручные проверки отнимают кучу времени, которое лучше потратить на анализ данных. 💡 Решение: автоматизируй всё с помощью pre-commit хуков — и пусть код проверяется сам перед каждым коммитом. 😬 Без pre-commit: Вы коммитите код — всё выглядит нормально. Но потом на ревью находят кучу мелочей: ✖️ Нет type hints ✖️ Форматирование пляшет ✖️ Отсутствует docstring ✖️ Импорты в разнобой 🤖 С pre-commit всё иначе: Перед коммитом автоматически запускается ruff format и ruff check: ✅ Код отформатирован ✅ Стиль и правила соблюдены ✅ Меньше замечаний на ревью 💡 Один раз настроил — и больше не паришься с форматированием вручную. Идеально для любого Python-проекта. @Python_Community_ru

‍🖥 Transfunctions — библиотека транзакционных функций на Python Transfunctions — это инструмент для создания чистых, переиспользуемых и управляемых пайплайнов из функций. Подходит для задач, где нужно чётко контролировать каждый шаг выполнения. Что такое транзакционные функции? Это функции, которые: • имеют чёткое начало и откат (rollback) — как в базах данных • могут быть объединены в цепочки, где каждая часть знает, как отменить свои действия • обрабатывают ошибки и контекст централизованно • позволяют писать бизнес-логику без дублирования и хаоса Что умеет Transfunctions: • Объединение функций в контролируемые пайплайны • Поддержка отката и логирования • Контекстное выполнение (например, сессии, транзакции, данные) • Минимум шаблонного кода Подходит для ETL, финансовых операций, инфраструктурных обработчиков и сценариев с проверками и откатами. pip install transfunctions 🔗 GitHub: https://github.com/pomponchik/transfunctions #python #pipeline #transactions #opensource #architecture @Python_Community_ru

Чтобы получить все уникальные пары элементов из списка, вовсе не обязательно писать громоздкие вложенные циклы. Python предоставляет модуль itertools, который содержит готовые инструменты для таких задач. Например, для списка features = ['price', 'size', 'rating'] можно написать так: from itertools import combinations pairs = list(combinations(features, 2)) print(pairs) # [('price', 'size'), ('price', 'rating'), ('size', 'rating')] Функция combinations берёт на вход итерируемый объект и размер комбинации. В нашем случае размер равен 2, поэтому мы получаем все возможные неупорядоченные пары без повторов. Это решение не только короче, но и легче читается. Пользуйтесь библиотекой itertools, чтобы избавляться от рутины и писать более чистый код! @Python_Community_ru

🆕 В pyfonts — мощное обновление! Теперь можно задать глобальный шрифт по умолчанию — и он применится ко всем текстам автоматически. Больше не нужно вручную проставлять font в каждом элементе 🎯 Идеально для проектов с единой визуальной стилистикой — экономит кучу времени и кода. 🔥 Фичу реализовал John Gardner — спасибо! Ждём фидбек, звёзды и предложения ✨ 📦 GitHub: http://github.com/JosephBARBIERDARNAL/pyfonts @Python_Community_ru

🔥 WaterCrawl — продвинутая платформа для веб-краулинга и подготовки данных под LLM Если нужно собрать и структурировать контент с сайтов для ИИ — это мощный инструмент. 🧠 В основе: — Django + Scrapy + Celery — Асинхронный краулинг, API и UI — Скриншоты, PDF, JS-рендер, SSE 🚀 Возможности: — Быстрый запуск через Docker (`docker compose up`) — Интеграции с Dify, n8n, Langflow — Пакетная отправка запросов через REST API — SDK для Python, Go, Node, PHP ⚙️ Репозитории (https://github.com/watercrawl/WaterCrawl) @Python_Community_ru

🖥 Хочешь узнать, какие библиотеки в твоём Python‑проекте реально используются? Многие проекты тянут за собой ненужные зависимости, особенно после десятков итераций. С помощью vulture ты можешь найти неиспользуемый код и импорты — и легко вычистить проект от мусора. Установка vulture pip install vulture Поиск неиспользуемого кода и импортов vulture your_project/ > unused.txt Пример: посмотреть, что не используется cat unused.txt @Python_Community_ru

🌐 BrowserOS — операционная система внутри браузера на базе AI BrowserOS — это экспериментальный проект, превращающий браузер в полноценную AI‑среду с "живущими" агентами. По сути, это OS-слой внутри вкладки браузера, где ИИ-агенты могут взаимодействовать с интерфейсами как пользователи. 🧠 Основные идеи: — Агент может кликать, печатать, читать и взаимодействовать с окнами внутри браузера — Поддержка многозадачности: можно открыть несколько окон, как в реальной ОС — Простое API для создания интерфейсов и запуска ИИ-агентов — Можно подключать LLM и наделять их возможностью выполнять действия 📦 Особенности: — UI построен на React — Использует WebAssembly и Web Workers — Позволяет тестировать и запускать агента в контролируемой "песочнице" 💡 Подходит для: — Исследований в области AI-агентов — Прототипирования мультимодальных систем — Демонстрации взаимодействия LLM с интерфейсами 🔗 GitHub (https://github.com/browseros-ai/BrowserOS) @Python_Community_ru

🖥 Контекстный перехват stdout — как легко отключить или сохранить print 💡 Хотите, чтобы print() не мешал логике и при этом легко отключался или сохранялся в файл? Вместо того чтобы комментировать все print() в проде, подмените стандартный вывод через контекстный менеджер — и легко направляйте вывод в файл, /dev/null или даже буфер для последующей обработки. Это особенно полезно при отладке в прод-среде или при генерации логов без сторонних библиотек. import sys from contextlib import contextmanager from io import StringIO import os @contextmanager def capture_stdout(to_file=None, suppress=False): original_stdout = sys.stdout try: if suppress: sys.stdout = open(os.devnull, 'w') elif to_file: sys.stdout = open(to_file, 'w') else: buffer = StringIO() sys.stdout = buffer yield sys.stdout finally: sys.stdout.close() if sys.stdout not in (original_stdout, sys.__stdout__) else None sys.stdout = original_stdout # Пример использования: with capture_stdout(suppress=True): print("Этого вы не увидите") with capture_stdout(to_file="output.log"): print("А это уйдёт в файл") with capture_stdout() as captured: print("Это записано во внутренний буфер") print("Буфер содержит:", captured.getvalue().strip()) @Python_Community_ru

🔥 Нашёл 100% open-source AI-агента для задач в разработке ПО! ByteDance выпустили Trae Agent — LLM-агент для автоматизации задач в области программной инженерии. ✅ Планирование и использование инструментов из коробки ✅ Умеет рефакторить, дебажить, разбираться в коде ✅ Полностью автономный ✅ Абсолютно открытый код Отличная база, если вы строите что-то с AI. git clone https://github.com/bytedance/trae-agent.git cd trae-agent uv venv uv sync --all-extras https://github.com/bytedance/trae-agent @Python_Community_ru

🧹 ObjectClear — инструмент для удаления объектов с изображений с помощью ИИ Что умеет: 🖼 Загружаешь изображение 🎯 Выделяешь объект, который хочешь убрать ✨ Модель автоматически удаляет его и восстанавливает фон Под капотом: — Segment Anything (SAM) от Meta для выделения объекта — Inpaint-Anything для генерации фона — Поддержка работы в браузере (Gradio UI) Можно запускать локально. Всё open-source. 📎 GitHub: https://github.com/zjx0101/ObjectClear @Python_Community_ru

‍📦 Гайд: “The Step-by-Step Guide to Python Packaging Tools 2025” Python-инфраструктура сильно изменилась. Выбор между pip, poetry, uv, hatch, pdm и др. — это уже не просто "pip install", а стратегическое решение. В этом гайде сравниваются 6 ключевых инструментов, каждый со своими сильными и слабыми сторонами: 1️⃣ uv — самый быстрый и универсальный (написан на Rust) ✅ До 100× быстрее pip ✅ Объединяет pip, virtualenv и pip-tools ✅ Поддержка PyPI-паблишинга и Python-менеджмента 📌 Выбор для CI/CD и monorepo-проектов 2️⃣ Poetry 2 — стандарт для библиотек и модульных приложений ✅ Поддержка semantic versioning, lock-файлов, плагинов ✅ Отлично подходит для open source 📌 Идеален для reproducible builds и PyPI 3️⃣ Hatch — “Cargo для Python” ✅ Поддержка матриц окружений, monorepo, хуков ✅ Интеграция с uv для скорости 📌 Выбор для сложных enterprise-проектов и тестовых фреймворков 4️⃣ PDM — стандартизированный менеджер без virtualenv ✅ Поддержка PEP 582 (__pypackages__), PEP 621 ✅ Изоляция без виртуалок, удобен для прототипов 📌 Подходит для rapid dev и экспериментальных сборок 5️⃣ Pipenv — простой интерфейс для приложений ✅ Pipfile, auto-venv, чистый CLI 📌 Хорош для небольших проектов и начинающих 6️⃣ pip — классика ✅ Совместим везде, гибкий ❌ Нет lock-файлов, окружений, требует внешних тулов 📌 Решение для легаси-проектов или скриптов 💡 Выводы: • uv — лучший выбор для скорости, CI и автоматизации • Poetry — стандарт для библиотек, особенно с open source • Hatch — для сложных проектов и продвинутых пайплайнов • PDM — для быстрой разработки и современных стандартов • Pipenv — простой, но морально устарел • pip — базовый минимум, но требует ручной сборки обвязки Если ты: 🔹 Собираешь ML‑пайплайн → смотри в сторону uv + Hatch 🔹 Работаешь над библиотекой → Poetry 2 будет логичным выбором 🔹 Строишь монорепу или сложный фреймворк → Hatch + workspace 🔹 Пишешь простые скрипты или MVP → подойдёт PDM или Pipenv 🔗 Полный гайд (https://www.datumlabs.io/resources/the-step-by-step-guide-to-python-packaging-tools-2025) @Python_Community_ru

🐍 Python Gotcha: как правильно логировать необработанные исключения В этой статье разбирают частую проблему: программа падает, но в логах — тишина. Необработанные исключения отправляются в stderr, а не в лог-файл, и вы не знаете, что пошло не так. Пример кода: import logging logger = logging.getLogger(__name__) logger.setLevel(logging.INFO) handler = logging.FileHandler("app.log") handler.setFormatter(logging.Formatter("%(asctime)s %(name)s %(levelname)s %(message)s")) logger.addHandler(handler) def divide(a, b): return a / b def main(): logger.info("Start") logger.info(divide(10, 0)) # ZeroDivisionError logger.info("End") if __name__ == "__main__": main() 📄 В логе: 2025-07-24 12:00:00 __main__ INFO Start ❗ А сам ZeroDivisionError — только в консоли. Лог молчит. ✅ Решение — использовать sys.excepthook: import sys def handle_uncaught_exception(exc_type, exc_value, exc_traceback): logger.critical("Uncaught exception", exc_info=(exc_type, exc_value, exc_traceback)) sys.excepthook = handle_uncaught_exception Теперь, если произойдёт ошибка, она попадёт в лог: CRITICAL Uncaught exception Traceback (most recent call last): ... ZeroDivisionError: division by zero 📌 Вывод: — Необработанные исключения не попадут в лог, если явно не подключить sys.excepthook — Это особенно важно в продакшене: лог покажет, где и почему всё сломалось — Просто и надёжно 🔗 Подробнее (https://andrewwegner.com/python-gotcha-logging-uncaught-exception.html) @Python_Community_ru

🐧 Pynguin — генератор юнит-тестов для Python. Инструмент автоматически создаёт тесты для Python-кода, экономя время разработчиков и при этом адаптирован под особенности динамической типизации Python. Проект пока находится в стадии исследования и требует осторожности — он исполняет тестируемый код, поэтому разработчики рекомендуют использовать изолированные среды вроде Docker. Установка через pip install pynguin, минимальная конфигурация требует указания пути к проекту и модулям для тестирования. 🤖 GitHub (https://github.com/se2p/pynguin) @Python_Community_ru

🖥 Полезный трюк в Python: как отсортировать список по нескольким условиям одновременно Если вы хотите отсортировать список объектов (например, словарей или кортежей) сразу по нескольким критериям — например, сначала по возрасту по возрастанию, а затем по имени по убыванию — не нужно писать громоздкие функции. Используйте sorted() с key, комбинируя несколько полей с нужной логикой сортировки. Вот как: people = [ {"name": "Alice", "age": 30}, {"name": "Bob", "age": 25}, {"name": "Charlie", "age": 25}, {"name": "David", "age": 30}, ] # Сортировка: сначала по age (по возрастанию), затем по name (по убыванию) sorted_people = sorted(people, key=lambda p: (p["age"], -ord(p["name"][0]))) for person in sorted_people: print(person) 💡 Работает и с объектами, и с кортежами — главное, правильно составить key. Особенно полезно для фильтрации списков в табличных данных, при выводе результатов или генерации отчётов. #python Больше коротких уроков тут (https://www.youtube.com/shorts/VFmdZOYI8qc) @Python_Community_ru

🐍 dlt — библиотека для загрузки данных на Python. Этот open-source инструмент упрощает работу с данными — от простых скриптов до сложных ETL-пайплайнов. Автоматически определяет структуру данных и адаптируется под разные источники и хранилища. Проект удобен для быстрого прототипирования: можно начать в Colab-ноутбуке, а затем масштабировать до production-решения. Поддерживает инкрементальную загрузку и интеграцию с Airflow. 🤖 GitHub (https://github.com/dlt-hub/dlt) @Python_Community_ru

‍🖥 Что выведет код ниже? def append_to_list(val, my_list=[]): my_list.append(val) return my_list print(append_to_list(1)) print(append_to_list(2)) print(append_to_list(3)) 🤯 Подвох Многие думают, что каждый вызов append_to_list() создаёт новый список, и ожидают вывод: [1] [2] [3] Но на самом деле Python выведет: [1] [1, 2] [1, 2, 3] 🧠 Почему так происходит? В Python значения аргументов по умолчанию вычисляются один раз — при определении функции, а не при каждом вызове. Значение my_list=[] создаётся один раз и сохраняется между вызовами. Это работает как статическая переменная внутри функции. ✅ Как это исправить? Используй None как значение по умолчанию: def append_to_list(val, my_list=None): if my_list is None: my_list = [] my_list.append(val) return my_list print(append_to_list(1)) # [1] print(append_to_list(2)) # [2] print(append_to_list(3)) # [3] 💡 Вывод Не используйте изменяемые объекты (например, list, dict, set) как значения по умолчанию для аргументов функций в Python. @Python_Community_ru