Python 🇺🇦

Цей Python-фреймворк може скрапіти БУДЬ-ЯКИЙ сайт і витягувати структуровані дані за лічені хвилини. Його називають Scrapy. Він скраплює сайти і витягує структуровані дані повністю з вашого комп'ютера. Ніяких рахунків за SaaS-скрейпінг. Ніяких обмежень хмарних API. Ніякі дані не виходять за межі вашої інфраструктури. Він працює на найбільш "бойовому" движку скраплінгу в Python: 59 000 зірок і більше 15 років використання у виробництві. → Описав спайдер один раз → Отримав чисті структуровані дані → Масштабуєте до мільйонів сторінок → Експорт у JSON, CSV, XML за один момент Все локально. Нуль залежності від хмари. Але це не просто скрипт для парсингу. Це повноцінний фреймворк для вилучення даних: → Асинхронна архітектура для паралельного скраплінгу у великих масштабах → Вбудовані міддлвери для проксі, ретраїв і обмеження швидкості → Селектори CSS і XPath без зайвого бойлерплейта → Підключаються пайплайни для очищення, дедуплікації та збереження → 54 800+ проектів у виробництві вже залежать від нього 100% відкритий вихідний код. Ліцензія BSD-3. Він працює на macOS, Windows і Linux вже зараз. Хочете зробити добре, зробіть самі, замість хмарних сервісів запустіть все у себе. 🪖🪖 100% відкритий вихідний код Python'er

Не ламай те, що вже дає результат @itmemeua

Шпаргалка по стеку Python Full Stack розробника: Basic Web — основи фронтенду (HTML, CSS, JavaScript), UI Libraries & Frameworks — бібліотеки та фреймворки для інтерфейсу (React, Angular, Vue.js), Backend — серверна частина на Python (Django, Flask) або Node.js, Database — робота з базами даних (SQL, MySQL, MongoDB), Tools & Cloud — інструменти розробки (Git, VS Code) та хмарні сервіси (AWS, Azure) Python

Порада по Python: економ свій час із @dataclass Декоратор @dataclass автоматично створює стандартні методи на кшталт __init__, __repr__ та __eq__ на основі оголошених атрибутів класу Приклад:

# с dataclass
from dataclasses import dataclass

@dataclass
class Point:
    x: int
    y: int

Як би це виглядало без @dataclass:

class Point:
    def __init__(self, x: int, y: int):
        self.x = x
        self.y = y

    def __repr__(self):
        return f"Point(x={self.x}, y={self.y})"

    def __eq__(self, other):
        return (self.x, self.y) == (other.x, other.y)

Тобі не потрібно прописувати весь шаблонний код вручну — @dataclass робить це за тебе, коли клас використовується лише для зберігання даних Python

Які корисні методи є в Python для роботи з даними? split(), join(), strip() для рядків, append(), extend(), sort() для списків, а також get(), keys(), values() для словників — вони дозволяють швидко обробляти дані без зайвого коду Python

Ми десь помилилися, тільки не ясно де Python

Шпаргалка по основах Python: Loops — цикли while і for для повторення дій, Loop Control — керування циклами через break і continue, Input/Output — введення через input() і вивід через print(), Lists / Dictionaries / Sets — основні структури даних і операції з ними, Functions — створення функцій (def, параметри, return), Range & Iteration — робота з range() та перебором елементів, Strings — методи рядків (split, join, replace), Files — читання та запис файлів (open, read, write), Formatting — форматування рядків через format() Python

Ловіть інфраструктуру для AI-агентів OpenHarness — це open-source рішення, яке надає легку основу для розробки агентів: інструменти, пам’ять і механізми взаємодії між ними

Що пропонує: • проста та гнучка архітектура • підтримка 40+ інструментів і плагінів • система керування та прав доступу • контекст і пам’ять для кращої роботи агентів • координація між кількома агентами

Python

Python REST API на практиці У відео створюється простий серверний API з маршрутизацією та роботою з даними Python

😁 Python

Працюєш з науковими статтями або дослідницькими звітами й втомився постійно перемикатися між редактором, Python-скриптами та AI-сервісами? Ось класна open-source знахідка — ClaudePrism — локальний десктоп-клієнт для академічного та наукового письма. Він поєднує офлайн-компільований LaTeX, середовище виконання Python і AI-асистента, зберігаючи всі файли локально У комплекті понад 100 професійних skill-паків для різних напрямків — від біоінформатики та хемоїнформатики до машинного навчання. А ще є Q&A по скриншотах: виділяєш формулу чи графік з PDF і одразу питаєш AI, отримуючи відповіді на місці Python

Клієнт: чому ти не розумієш, що я хочу? Його «чіткі» вимоги: Python

Вивчай Python з Університетом Гельсінкі Один із найвідоміших курсів для вивчення Python з нуля до впевненого рівня

Що всередині: • офіційний сертифікат • шлях від бази до просунутих тем • 14 модулів із практичними завданнями

Python

Self-hosted менеджер закладок Linkding — це open-source інструмент для збереження, організації та обміну закладками, який можна розгорнути на власному сервері

Що вміє: • зручно керувати закладками • організовувати їх у структуру • ділитися з іншими користувачами • розгортатися через Docker або Docker Compose

Python

Я в 3-й ночі роздаю завдання своїм агентам Python

Шпаргалка по Python для Data Science: Variables & Data Types — створення змінних і базові типи (int, float, str, bool), Strings — робота з рядками (індексація, методи, операції), Lists — списки та операції з ними (доступ, зрізи, методи), NumPy Arrays — масиви з NumPy для числових обчислень, Libraries — підключення бібліотек (наприклад, pandas, matplotlib), Python IDEs — середовища розробки (Anaconda, Jupyter), Asking for Help — використання help() для отримання документації Python

Використовуйте itertools замість циклів Хоча цикли — це круто, у них є обмеження, особливо в сучасних стилях програмування та для певних типів завдань. Розуміння цих обмежень допомагає вибрати правильний інструмент для завдання. Кожна ітерація циклу в Python створює додаткові витрати інтерпретатора, наприклад, перевірку типів і управління пам'яттю. На великих наборах даних це може помітно накопичуватися. Щоб обійти це обмеження, в Python є зручна вбудована бібліотека itertools. Наприклад, припустімо, що вам потрібно згенерувати всі унікальні пари з заданого списку. Порядок не має значення, і жоден елемент не повинен утворювати пару сам із собою. Щоб не роздувати код і знизити ризик помилок, можна використати бібліотеку itertools. Функція itertools.combinations() безпосередньо генерує всі унікальні комбінації елементів з iterable без повторень і без урахування порядку. Ось як можна переписати код, використовуючи combinations з itertools: from itertools import combinations def get_unique_pairs_itertools(items): return list(combinations(items, 2)) my_list = ['A', 'B', 'C', 'D'] print(get_unique_pairs_itertools(my_list)) Output: [('A', 'B'), ('A', 'C'), ('A', 'D'), ('B', 'C'), ('B', 'D'), ('C', 'D')] Python'er