Python/ django

⚡️ Хитрый трюк по работе со статикой Если заранее посчитать ETag для статических файлов, сервер сможет мгновенно отвечать 304 Not Modified без чтения с диска. Это резко ускоряет отдачу статики на Python.

import os, hashlib
from http.server import SimpleHTTPRequestHandler, HTTPServer

STATIC = "static"
etag = {f: hashlib.md5(open(os.path.join(STATIC, f),"rb").read()).hexdigest()
        for f in os.listdir(STATIC)}

class H(SimpleHTTPRequestHandler):
    def end_headers(self):
        name = self.path.lstrip("/")
        if name in etag:
            self.send_header("ETag", etag[name])
        super().end_headers()

HTTPServer(("0.0.0.0", 8000), H).serve_forever()

Как обучить свою первую ML-модель — и не утонуть в теории? Машинное обучение звучит сложно — пока вы не попробуете на практике. 24 ноября в 18:00 МСК на открытом уроке вы обучите модель для задачи классификации прямо во время занятия.  Разберём: – как работает алгоритм дерева решений; – как решать задачи классификации на Python; – что нужно, чтобы перейти от экспериментов к реальной работе с ML. Вы шаг за шагом создадите первую модель, увидите, как она принимает решения, и поймёте, как из простого кода рождается интеллект. ➡️ Открытый урок проходит в преддверии старта курса «Machine Learning. Basic». Регистрируйтесь — начните путь в Data Science с практики, а не с теории:  https://otus.pw/iOTK/?erid=2W5zFJdCjix Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

🧩 Удобная библиотека для логирования с контекстом Unilogging упрощает процесс логирования в Python-приложениях, используя Dependency Injection для управления контекстом логов. Это позволяет легко отслеживать события, связанные с конкретными запросами, без необходимости передавать данные через все уровни приложения. 🚀Основные моменты: - Логирование с использованием контекста для упрощения отслеживания запросов. - Поддержка Dependency Injection для гибкости и удобства. - Минимизация дублирования кода при передаче данных логирования. - Интеграция с FastAPI и другими фреймворками. 📌 GitHub: https://github.com/goduni/unilogging @pythonl

⚡ Microsoft выкатили **amplifier** - новую экспериментальную платформу для сборки AI-инструментов без лишнего кода. Что это: - способ описать экспертный процесс в виде шагов и автоматически превратить его в работающий инструмент; - возможность комбинировать такие инструменты между собой, создавая цепочки автоматизации; - платформа для исследований, поэтому всё ещё активно меняется. Чем хорош инструмент: - позволяет быстро превращать повторяющиеся задачи в автономные AI-процессы; - помогает строить «агентов» с ролями — исследователь, критик, исполнитель; - снижает порог входа: достаточно описать логику, а не писать всю реализацию. Это пока исследовательский проект, но потенциал — большой. 👉 Репозиторий: https://github.com/microsoft/amplifier @pythonl

🔥 Подборка полезных ресурсов для программистов. Здесь ты найдёшь всё это - коротко, по делу и без воды. Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты! AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Devops: t.me/DevOPSitsec Собеседования DS: t.me/machinelearning_interview C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii Data Science: t.me/data_analysis_ml Javascript: t.me/javascriptv C#: t.me/csharp_1001_notes Java: t.me/java_library Базы данных: t.me/sqlhub Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Golang: t.me/Golang_google React: t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Haskell: t.me/haskell_tg Физика: t.me/fizmat 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy Папка Linux:https://t.me/addlist/w4Doot-XBG4xNzYy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Сохрани себе, чтобы не потерять!

⚡️ ПРИЁМ ДЛЯ ГЛАДКОЙ ПЕРЕДАЧИ ДАННЫХ В ASYNCIO В сетевом Python можно «мягко» ограничивать скорость передачи данных без троттлинга на уровне сокета. Приём - отправлять данные кусками и вставлять короткий await asyncio sleep после каждого drain(): это отдаёт управление циклу, даёт шанс другим корутинам и предотвращает монополизацию CPU. Полезно в высоконагруженных стримерах.

 простой «мягкий» троттлинг передачи данных

import asyncio

CHUNK = 32_000

async def send_smooth(writer, data: bytes):
    for i in range(0, len(data), CHUNK):
        writer.write(data[i:i+CHUNK])
        await writer.drain()
        await asyncio.sleep(0)  # отдаём управление циклу

async def handle(reader, writer):
    payload = b"x" * 5_000_000
    await send_smooth(writer, payload)
    writer.close()
    await writer.wait_closed()

async def main():
    srv = await asyncio.start_server(handle, "0.0.0.0", 8888)
    async with srv:
        await srv.serve_forever()

asyncio.run(main())

@pythonl

💡 Qwen-Image-Edit получил полезное обновление. Лаборатория eigen ai labs выпустила новую LoRA под названием Eigen-Banana. Она ориентирована на быстрые и точные правки изображений по текстовым подсказкам. Работает на высоких скоростях и хорошо понимает как английские, так и китайские запросы. Важно: лицензия разрешает только некоммерческое использование. Ссылка: https://huggingface.co/eigen-ai-labs/eigen-banana-qwen-image-edit @pythonl

🖥СОВЕТ ДЛЯ PYTHON ASYNCIO В продвинутых asyncio-сетях главная редкая проблема — неконтролируемый рост буфера, когда клиент принимает данные слишком медленно. Python по умолчанию спокойно складывает мегабайты в память, пока сокет забит. Решение - вручную ограничить размер буфера транспорта через `set write buffer limits и всегда ждать writer.drain. Тогда при медленном клиенте корутины просто «замрут» в drain(), а не раздуют памяиь. Подписывайся, больше фишек каждый день !

 пример контролируемой по памяти передачи данных

import asyncio

async def handle(reader, writer):
    writer.transport.set_write_buffer_limits(high=500_000, low=200_000)

    while True:
        writer.write(b"x" * 65536)
        await writer.drain()  # остановит корутину, если клиент не успевает

async def main():
    server = await asyncio.start_server(handle, "0.0.0.0", 8888)
    async with server:
        await server.serve_forever()

asyncio.run(main())

⚡️ Microsoft выпустила Visual Studio 2026 - крупнейшее обновление IDE за последние годы. 🔹 300+ новых функций и почти 5000 исправлений ошибок 🔹 Интеграция с GitHub Copilot стала глубже: теперь он помогает в анализе, рефакторинге и генерации кода 🔹 Редизайн интерфейса — 11 новых цветовых тем, улучшенная навигация и читаемость 🔹 Производительность выросла: количество зависаний интерфейса снизилось на 50 % 🔹 Более 4000 расширений от Visual Studio 2022 полностью совместимы с новой версией Самое время обновиться - новая версия ощутимо быстрее и умнее. https://visualstudio.microsoft.com/downloads/ @csharp_ci

⚡️ Rust vs Python - как найти баланс между скоростью и простотой JetBrains выпустили подробный разбор, где сравнивают Python и Rust без фанатизма — по скорости, синтаксису, памяти, экосистеме, конкурентности и даже по карьерным сценариям. Главный вывод: Python нужен там, где важна скорость разработки и богатая экосистема, Rust, когда критична производительность, безопасность и масштабируемость. Всё чаще их используют вместе: Python для логики, Rust для самых горячих участков. Ключевые моменты Рост и популярность - Python уверенно расширяет аудиторию: быстрый вход, огромная экосистема, удобство для ML, веба и автоматизации. - Rust годами остаётся самым любимым языком разработчиков — благодаря безопасности памяти, скорости и надёжности. Типы и управление памятью - Python — динамическая типизация и удобный GC: легко начать, но ошибки всплывают в рантайме. - Rust — строгая типизация, система владения и заимствований, отсутствие GC: ошибки ловятся на этапе компиляции, производительность предсказуема. Производительность и конкурентность - Python ограничен GIL: хорош для I/O, но CPU-параллелизм требует multiprocessing или расширений. - Rust не имеет GIL — настоящая параллельность, «бесстрашная» конкурентность и контроль безопасности компилятором. Экосистема - Python — PyPI, Jupyter, зрелые фреймворки для DS/ML, веба, автоматизации. - Rust — Cargo и crates.io, сильная база для CLI, системного софта, WebAssembly. Комбинация Python + Rust - Тренд — ускорять Python-проекты Rust-модулями. - Библиотеки типа pydantic-core или Ruff показывают огромный прирост скорости. - PyO3 делает интеграцию очень простой: Rust-код можно вызывать как обычный Python-модуль. Карьера - Python - широкие вакансии, огромный спрос в данных и ML. - Rust - меньше позиций, но выше специализация в инфраструктуре, системной разработке и высоконагруженных сервисах. Как выбирать - Нужна скорость разработки и гибкость — Python. - Нужна производительность и надёжность — Rust. - Нужны и то, и другое — гибридный подход Python + Rust. Подробный разбор - в блоге JetBrains: https://blog.jetbrains.com/rust/2025/11/10/rust-vs-python-finding-the-right-balance-between-speed-and-simplicity/ #Rust #Python #Programming #Backend #Performance @pythonl

🤖 Python + ИИ — лёгкий старт и быстрый рост в карьере разработчика. Освойте с нуля один из популярных языков программирования и усильте свой вес на рынке знанием ИИ-инструментов для разработчиков на расширенном курсе «Python-разработчик». Вы научитесь: - разрабатывать веб-приложения и API; - работать с фреймворками Django, Flask, FastAPI и с базами данных SQL, PostgreSQL; - разбираться в принципах ООП, многопоточности, асинхронности. Вы выполните более 90 практических заданий, добавите в портфолио 23 проекта и научитесь проходить технические интервью. А сразу после окончания курса пройдёте собеседования в наших компаниях-партнёрах: Ozon Банке, Авито и ВТБ. Весь ноябрь в Нетологии — чёрная пятница: заберите курс со скидкой 50% и получите приятные подарки. ➡️ Узнать подробности Реклама. ООО "Нетология". ИНН 7726464125 Erid 2VSb5wAW1AZ

🖥 Python задака Напиши функцию, которая распарсит вложенные структуры (списки, кортежи, множества, генераторы) в одну последовательность, но не трогает строки и не падает из-за циклов. Вот как сделать это без рекурсии, только через стек:

def flatten(obj):
    stack = [obj]
    seen = set()
    while stack:
        x = stack.pop()
        if isinstance(x, (str, bytes)):
            yield x
        elif isinstance(x, (list, tuple, set)):
            xid = id(x)
            if xid in seen:
                continue
            seen.add(xid)
            stack.extend(reversed(list(x)))
        else:
            yield x

# пример
data = [1, [2, 3], ("ab", [4, 5]), 6]
data.append(data)  # создаём цикл
print(list(flatten(data)))

🚀 27 ноября пройдет Pytup — митап для разработчиков, ML-инженеров и энтузиастов Python. Встречаемся в Екатеринбурге и онлайн, чтобы в неформальной обстановке обсудить новые подходы, решения и вызовы индустрии. Разработчик системы контроля качества умных устройств на производстве Яндекс Алисы Арсений Саблин поделится, как используется Python при тестировании станции с Алисой. Техлид VK Tech Никита Улько разберет чистую архитектуру с практической точки зрения. А технический менеджер проектов Yandex Cloud Егор Гордовский расскажет о работе дата-центров. Помимо докладов участников митапа в Екатеринбурге ждут дискуссионные столы по актуальным темам, нетворкинг с экспертами из разных компаний, а также гонки на роверах и соревнования по игре в змейку. 📅 27 ноября в 17.00 (по Екб) 📍 Екатеринбург 🛜 Офлайн/онлайн Регистрируемся

🖥 Современная панель для мониторинга Docker-контейнеров в реальном времени Что умеет: - следит за локальными и удалёнными Docker-хостами в одном окне - умно перезапускает контейнеры с настраиваемой логикой повторов - шлёт алерты в Telegram, Slack, Discord, Gotify и почту - обновляет контейнеры по расписанию - позволяет разворачивать Docker Run и Compose-пресеты прямо из UI - показывает health-чеки и события в реальном времени Github: https://github.com/darthnorse/dockmon @pythonl

🔍Тестовое собеседование на Middle Python с Senior из X5 уже завтра! Уже завтра(11 ноября) в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика. Как это будет: 📂 Олег, старший разработчик в X5, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Олег будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Олегу Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы. Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot Реклама. О рекламодателе.

🖥 Аккуратный выход из Python-скриптов через sys.exit В продакшене важно правильно сигнализировать системе об успехе или ошибке. В Python это делается через sys.exit(<код>): 0 — успешное завершение неноль — ошибка, которую может поймать CI/CD, Docker, cron или любой supervisor В примере выше try/except использует это правило: - при ошибке деления выводится сообщение и скрипт завершается с кодом 1 - при успешной операции — вывод “Operation successful!” и код 0 Такой паттерн обязателен для CLI-утилит, сервисных скриптов, пайплайнов и автоматизации: он делает выполнение предсказуемым и даёт внешним системам корректно реагировать на сбои. @pythonl

Почему «Async Django» часто решает не ту проблему Django теперь умеет ASGI и async-views, но автор статьи отмечает: переход на async сам по себе почти ничего не ускоряет. Чтобы получить выгоду, весь код должен быть переписан под асинхронность, а в реальных проектах прирост обычно минимальный. Где async реально нужен? В задачах с большим количеством ожидания: внешние API, WebSockets, стриминг ответов. Там async даёт ощутимую экономию. Но есть нюанс: Django стал «двухрежимным» фреймворком - синхронные и асинхронные части живут рядом, усложняя архитектуру. ORM всё ещё в основном синхронная, и это становится бутылочным горлышком. Поэтому для большинства проектов выгоднее оставить sync Django и вынести тяжёлые операции в фоновые задачи (Celery, RQ). Это проще, надёжнее и предсказуемее. Итог: Async Django - круто с инженерной точки зрения, но бизнес-ценность есть далеко не в каждом сценарии. Для большинства приложений классический Django остаётся лучшим выбором. https://www.loopwerk.io/articles/2025/async-django-why/

⚡️ Tencent выложила код Hunyuan World 1.1 (WorldMirror) Теперь доступен полный стек для кастомизации и тонкой настройки модели: - из видео в 3D-сцену за одну секунду - преобразование ЛЮБОГО входа (картинка, видео, 3D-приоры) в ЛЮБОЙ выход: 3DGS, depth, камеры, normal-карты, point-cloud - готовый код для обучения и свои пайплайны Можно сразу пробовать онлайн-демо или собирать свою модель. Демо: https://huggingface.co/spaces/tencent/HunyuanWorld-Mirror Код: https://github.com/Tencent-Hunyuan/HunyuanWorld-Mirror @pythonl

Тестируй Python-код не «на ощупь», а через три уровня. Сначала юнит-тесты для базовой логики, затем фикстуры для реального окружения (файлы, БД, HTTP-моки), и сверху — hypothesis для автоматического поиска скрытых багов. Так тесты будут короткими, а покрытие и надёжность — максимальными.

import pytest
from hypothesis import given, strategies as st


# 1) Простой юнит-тест
def test_add():
    assert add(2, 3) == 5


2) Фикстура для окружения (временный файл)
@pytest.fixture
def temp_file(tmp_path):
    file_path = tmp_path / "data.txt"
    file_path.write_text("42")
    return file_path


def test_read_data(temp_file):
    assert read_data(temp_file) == 42


3) Property-based тест (генерация случайных входных данных)
@given(st.integers(), st.integers())
def test_add_random(a, b):
    assert add(a, b) == a + b


Быстрый запуск только упавших тестов:
pytest --lf

⁉️Машинное обучение кажется чем-то сложным и недосягаемым? Всё проще, чем вы думаете! Первый шаг — разобраться, как устроен ML-процесс и научиться работать в Jupyter Notebook — инструменте, с которого начинают все специалисты в Data Science. На открытом уроке вы шаг за шагом поймёте, как строится путь от данных до модели. Научитесь запускать эксперименты в Jupyter Notebook и Google Colab, работать с виртуальными окружениями и не бояться “сломать” систему. Всё — в формате простых и наглядных примеров. После урока вы сможете уверенно начать свой первый ML-проект и поймёте, какие инструменты нужны, чтобы перейти от теории к практике. ➡️ 13 ноября в 20:00 МСК. Открытый вебинар проходит в преддверии старта курса «Machine Learning. Basic». Регистрируйтесь и сделайте первый шаг в машинное обучение без страха и путаницы:т  https://otus.pw/sLZ2/?erid=2W5zFGojX9i Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.