en
Feedback

Don't get caught by a cheater! Telemetrio finds and tags such channels 👉 If you want to see the tag, subscribe

Библиотека Python разработчика | Книги по питону

Библиотека Python разработчика | Книги по питону

Open in Telegram

Погружение в CPython и архитектуру. Разбираем неочевидное поведение (GIL, Memory), Best Practices (SOLID, DDD) и тонкости Django/FastAPI. Решаем задачи с подвохом и оптимизируем алгоритмы. 🐍 По всем вопросам @evgenycarter РКН clck.ru/3Ko7Hq

Show more

📈 Analytical overview of Telegram channel Библиотека Python разработчика | Книги по питону

Channel Библиотека Python разработчика | Книги по питону (@bookpython) in the Russian language segment is an active participant. Currently, the community unites 17 895 subscribers, ranking 7 294 in the Technologies & Applications category and 36 630 in the Russia region.

📊 Audience metrics and dynamics

Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 17 895 subscribers.

According to the latest data from 17 November, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -118 over the last 30 days and by -7 over the last 24 hours, overall reach remains high.

  • Verification status: Not verified
  • Engagement rate (ER): The average audience engagement rate is 5.55%. Within the first 24 hours after publication, content typically collects 2.72% reactions from the total number of subscribers.
  • Post reach: On average, each post receives 994 views. Within the first day, a publication typically gains 486 views.
  • Reactions and interaction: The audience actively supports content: the average number of reactions per post is 3.
  • Thematic interests: Content is focused on key topics such as numbers, yield, модуль, none, декоратор.

📝 Description and content policy

The author describes the resource as a platform for expressing subjective opinions:
“Погружение в CPython и архитектуру. Разбираем неочевидное поведение (GIL, Memory), Best Practices (SOLID, DDD) и тонкости Django/FastAPI. Решаем задачи с подвохом и оптимизируем алгоритмы. 🐍 По всем вопросам @evgenycarter РКН clck.ru/3Ko7Hq”

Thanks to the high frequency of updates (latest data received on 18 November, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Technologies & Applications category.

17 895
Subscribers
-724 hours
-357 days
-11830 days
Attracting Subscribers
Nov '26
November '26
+6
in 0 channels
October '26
+22
in 0 channels
Get PRO
September '26
+36
in 0 channels
Get PRO
August '26
+37
in 0 channels
Get PRO
July '26
+35
in 0 channels
Get PRO
June '26
+23
in 0 channels
Get PRO
May '26
+40
in 0 channels
Get PRO
April '26
+26
in 0 channels
Get PRO
March '26
+31
in 0 channels
Get PRO
February '26
+62
in 0 channels
Get PRO
January '26
+69
in 0 channels
Get PRO
December '25
+67
in 0 channels
Get PRO
November '25
+97
in 31 channels
Get PRO
October '25
+64
in 1 channels
Get PRO
September '25
+90
in 36 channels
Get PRO
August '25
+60
in 0 channels
Get PRO
July '25
+89
in 27 channels
Get PRO
June '25
+116
in 19 channels
Get PRO
May '25
+119
in 44 channels
Get PRO
April '25
+164
in 37 channels
Get PRO
March '25
+147
in 38 channels
Get PRO
February '25
+178
in 31 channels
Get PRO
January '25
+176
in 33 channels
Get PRO
December '24
+158
in 34 channels
Get PRO
November '24
+112
in 33 channels
Get PRO
October '24
+139
in 29 channels
Get PRO
September '24
+190
in 29 channels
Get PRO
August '24
+68
in 17 channels
Get PRO
July '24
+56
in 0 channels
Get PRO
June '24
+95
in 23 channels
Get PRO
May '24
+223
in 18 channels
Get PRO
April '24
+174
in 0 channels
Get PRO
March '24
+240
in 20 channels
Get PRO
February '24
+224
in 18 channels
Get PRO
January '24
+287
in 23 channels
Get PRO
December '23
+253
in 24 channels
Get PRO
November '23
+282
in 16 channels
Get PRO
October '23
+319
in 18 channels
Get PRO
September '23
+342
in 0 channels
Get PRO
August '23
+264
in 0 channels
Get PRO
July '23
+292
in 0 channels
Get PRO
June '23
+211
in 0 channels
Get PRO
May '23
+284
in 0 channels
Get PRO
April '23
+240
in 0 channels
Get PRO
March '23
+419
in 0 channels
Get PRO
February '23
+147
in 0 channels
Get PRO
January '23
+247
in 0 channels
Get PRO
December '22
+191
in 0 channels
Get PRO
November '22
+174
in 0 channels
Get PRO
October '22
+283
in 0 channels
Get PRO
September '22
+268
in 0 channels
Get PRO
August '22
+287
in 0 channels
Get PRO
July '22
+322
in 0 channels
Get PRO
June '22
+233
in 0 channels
Get PRO
May '22
+258
in 0 channels
Get PRO
April '22
+252
in 0 channels
Get PRO
March '22
+380
in 0 channels
Get PRO
February '22
+207
in 0 channels
Get PRO
January '22
+315
in 0 channels
Get PRO
December '21
+211
in 0 channels
Get PRO
November '21
+269
in 0 channels
Get PRO
October '21
+326
in 0 channels
Get PRO
September '21
+286
in 0 channels
Get PRO
August '21
+486
in 0 channels
Get PRO
July '21
+420
in 0 channels
Get PRO
June '21
+368
in 0 channels
Get PRO
May '21
+350
in 0 channels
Get PRO
April '21
+387
in 0 channels
Get PRO
March '21
+568
in 0 channels
Get PRO
February '21
+572
in 0 channels
Get PRO
January '21
+777
in 0 channels
Get PRO
December '20
+18 545
in 0 channels
Date
Subscriber Growth
Mentions
Channels
18 November0
17 November0
16 November0
15 November0
14 November0
13 November0
12 November0
11 November+2
10 November0
09 November0
08 November0
07 November0
06 November0
05 November+2
04 November0
03 November0
02 November+2
01 November0
Channel Posts
В Python сортировка по умолчанию является стабильной, то есть сохраняет порядок равных элементов:

a = [2, -1, 0, 1, -2]
sorted(a, key=lambda x: x**2)
# [0, -1, 1, 2, -2]
Функции max и min тоже стараются быть согласованными с поведением sorted. max работает аналогично sorted(a, reverse=True)[0], а min — как sorted(a)[0]. Это означает, что обе функции возвращают самый левый возможный результат:

max([2, -2], key=lambda x: x**2)
# 2

max([-2, 2], key=lambda x: x**2)
# -2

min([2, -2], key=lambda x: x**2)
# 2

min([-2, 2], key=lambda x: x**2)
# -2
📲 Мы в MAX 👉@BookPython
18 Nov, 02:39

2
Есть три ситуации, в которых только что созданную переменную нельзя аннотировать типом: распаковка кортежей, циклы for и инструкции with. Все эти примеры некорректны: name: str, age: int = student for x: int in numbers: ... with connection() as conn: Connection: ... Правильный способ указать тип таких переменных — объявить их заранее, без инициализации: conn: Connection with connection() as conn: ... 📲 Мы в MAX 👉@BookPython
563
3
Хотите в разработку, но не хотите «просто курс»? Программа «Разработчик на Python» от МФТИ и Нетологии — это профессиональная
Хотите в разработку, но не хотите «просто курс»? Программа «Разработчик на Python» от МФТИ и Нетологии — это профессиональная переподготовка с двумя дипломами. Подходит и тем, кто начинает с нуля. Что внутри: — Python от основ до командного веб-проекта: бэкенд, фронтенд на React, базы данных; — ИИ: учитесь грамотно применять его в разработке и делаете своё ИИ-приложение; — технологическое предпринимательство: как устроены продукт и бизнес. Обучение онлайн, его можно совмещать с работой. На выходе — два диплома о профессиональной переподготовке: МФТИ и Нетологии. Важно: дипломы выдаются при наличии высшего или среднего профессионального образования. Старт — 23 ноября. 🎁По промокоду MFTIPY10 — скидка 10 000 ₽. Узнать подробнее и записаться
612
4
В Python имя переменной может состоять из одного символа подчёркивания: _. Хотя такие имена обычно недостаточно описательны и их не стоит использовать, существует по крайней мере три случая, когда _ имеет общепринятое значение. Во-первых, в интерактивных интерпретаторах Python _ используется для хранения результата последнего выполненного выражения: >>> 2 + 2 4 >>> _ 4 Во-вторых, в документации модуля gettext рекомендуется создавать псевдоним для функции gettext() в виде _(), чтобы не загромождать код. В-третьих, _ используется, когда необходимо придумать имя для значения, которое не представляет интереса: >>> log_entry = '10:50:24 14234 GET /api/v1/test' >>> time, _, method, location = log_entry.split() 📲 Мы в MAX 👉@BookPython
583
5
Иногда возникает необходимость выполнить участок кода и проигнорировать все возможные исключения. Это оправдано в случае с плагинами, сторонними модулями и другими компонентами, устройство которых вам неизвестно или которым вы не доверяете. Правильный способ сделать это — использовать конструкцию try с except Exception, а не голый except: try: foreign() except Exception: logging.warn('fail', exc_info=True) Голый except эквивалентен except BaseException. А разница между BaseException и Exception в том, что BaseException включает исключения, которые, как правило, ловить не следует, например, KeyboardInterrupt. 📲 Мы в MAX 👉@BookPython
921
6
В Python оператор квадратных скобок [] можно переопределить, реализовав магический метод __getitem__. Это позволяет, например, создать объект, который виртуально содержит бесконечное количество повторяющихся элементов: class Cycle: def __init__(self, lst): self._lst = lst def __getitem__(self, index): return self._lst[index % len(self._lst)] print(Cycle(['a', 'b', 'c'])[100]) # 'b' Необычность оператора [] в Python в том, что он поддерживает особый синтаксис. Его можно использовать не только так: [2], но и так: [2:10], [2:10:2], [2::2] или даже [:]. Смысл такой записи — [start:stop:step], но в ваших собственных объектах вы можете использовать этот синтаксис как угодно. Что же передаётся в __getitem__ в таких случаях? Объекты slice созданы специально для этого. Пример: class Inspector: def __getitem__(self, index): print(index) Inspector()[1] # 1 Inspector()[1:2] # slice(1, 2, None) Inspector()[1:2:3] # slice(1, 2, 3) Inspector()[:] # slice(None, None, None) Inspector()[:, 0, :] # (slice(None, None, None), 0, slice(None, None, None)) Объект slice сам по себе ничего не делает — он просто хранит атрибуты start, stop и step: s = slice(1, 2, 3) print(s.start) # 1 print(s.stop) # 2 print(s.step) # 3 📲 Мы в MAX 👉@BookPython
875
7
Существует два понятия с похожими названиями, которые легко перепутать: переопределение (overriding) и перегрузка (overloading). Переопределение происходит, когда дочерний класс определяет метод, который уже был реализован в родительском классе, фактически заменяя его. В некоторых языках необходимо явно указывать, что метод переопределяется (например, в C# используется модификатор override), в других — это необязательно (в Java можно, но не обязательно использовать аннотацию @Override). В Python нет ни обязательного, ни стандартного способа обозначать такие методы (некоторые программисты применяют пользовательский декоратор @override, который ничего не делает, а служит только для читаемости кода). Перегрузка, напротив, — это наличие нескольких функций с одним и тем же именем, но разными сигнатурами. Это поддерживается в таких языках, как Java и C++, и часто используется как способ предоставления значений по умолчанию: class Foo { public static void main(String[] args) { System.out.println(Hello()); } public static String Hello() { return Hello("world"); } public static String Hello(String name) { return "Hello, " + name; } } Python не поддерживает поиск функций по сигнатурам, только по именам. Вы можете написать код, который явно анализирует типы и количество аргументов, но это обычно выглядит громоздко и не очень красиво: def quadrilateral_area(*args): if len(args) == 4: quadrilateral = Quadrilateral(*args) elif len(args) == 1: quadrilateral = args[0] else: raise TypeError() return quadrilateral.area() Если вам нужны подсказки типов для такой реализации, модуль typing предоставляет декоратор @overload, который можно использовать следующим образом: from typing import overload @overload def quadrilateral_area( q: Quadrilateral ) -> float: ... @overload def quadrilateral_area( p1: Point, p2: Point, p3: Point, p4: Point ) -> float: ... 📲 Мы в MAX 👉@BookPython
824
8
🚀 Как логировать без боли в Python Как настроить логирование в Python один раз — и больше к этому не возвращаться. Обычно начинающие разработчики либо используют print(), либо подключают logging, но каждый раз пишут кучу однотипного кода. Я так тоже делал. Но потом вывел себе простую универсальную схему, которую теперь кидаю в каждый новый проект: import logging def setup_logger(name: str) -> logging.Logger: logger = logging.getLogger(name) if not logger.hasHandlers(): logger.setLevel(logging.INFO) handler = logging.StreamHandler() formatter = logging.Formatter( '%(asctime)s - %(levelname)s - %(name)s - %(message)s' ) handler.setFormatter(formatter) logger.addHandler(handler) return logger logger = setup_logger(__name__) logger.info("Скрипт стартовал") Что мы получаем: * Удобный формат времени и уровня лога * Защиту от дублирования логов (если модуль импортируется несколько раз) * Готовность к масштабированию (можно легко добавить файл-логгер) Если вы устали от print(), просто сохраните себе этот сниппет — он сэкономит вам время и нервы. Пользуетесь ли вы встроенным logging, или предпочитаете что-то вроде loguru? 📲 Мы в MAX 👉@BookPython
860
9
💡 Как избежать повторения кода с помощью functools.partial Как упростить код и избежать дублирования с помощью functools.partial. Допустим, у нас есть функция send_email(to, subject, body, is_html=False), и мы часто вызываем её с одним и тем же параметром is_html=True. Вместо того чтобы каждый раз писать это явно, можно создать частичную функцию: from functools import partial send_html_email = partial(send_email, is_html=True) # Теперь можно вызывать проще: send_html_email("user@example.com", "Привет", "<b>Как дела?</b>") Это удобно, если вы хотите предварительно зафиксировать часть аргументов, например: * логгеры с предустановленным уровнем * коннекторы с общими параметрами * команды CLI с типовыми флагами Таким образом, вы уменьшаете дублирование и делаете код читаемее. А ещё это красивый способ внедрить DI без фреймворков — просто передайте partial. 📲 Мы в MAX 👉@BookPython
1 062
10
Встроенные значения float в Python используют оборудование вашего компьютера напрямую, поэтому любое значение представляется внутренне в виде двоичной дроби. Это означает, что вы обычно работаете с приближениями, а не с точными значениями: >>> format(0.1, '.17f') '0.10000000000000001' Модуль decimal позволяет использовать десятичную арифметику с произвольной точностью: >>> from decimal import Decimal >>> Decimal(1) / Decimal(3) Decimal('0.3333333333333333333333333333') Но и этого может быть недостаточно: >>> Decimal(1) / Decimal(3) * Decimal(3) == Decimal(1) False Для абсолютно точных вычислений можно использовать модуль fractions, который хранит любое число как рациональное: >>> from fractions import Fraction >>> Fraction(1) / Fraction(3) * Fraction(3) == Fraction(1) True Очевидное ограничение — всё равно приходится использовать приближения для иррациональных чисел, таких как π. 📲 Мы в MAX 👉@BookPython
1 057
11
Создание объекта в Python включает два ключевых этапа. Сначала вызывается метод __new__, который создаёт и возвращает новый объект. Затем вызывается метод __init__ для инициализации состояния этого объекта. Однако, если __new__ возвращает объект, который не является экземпляром исходного класса, метод __init__ не будет вызван. Это связано с тем, что возвращаемый объект, вероятно, уже создан другим классом, и его __init__ уже был выполнен: class Foo: def __new__(cls, x): return dict(x=x) def __init__(self, x): print(x) # Никогда не вызывается print(Foo(0)) Важно: не следует создавать экземпляры того же класса в __new__ с использованием обычного конструктора (Foo(...)). Это может привести к двойному вызову __init__ или даже к бесконечной рекурсии. Пример бесконечной рекурсии: class Foo: def __new__(cls, x): return Foo(-x) # Рекурсия Пример двойного вызова __init__: class Foo: def __new__(cls, x): if x < 0: return Foo(-x) return super().__new__(cls) def __init__(self, x): print(x) self._x = x Правильный способ: class Foo: def __new__(cls, x): if x < 0: return cls.__new__(cls, -x) return super().__new__(cls) def __init__(self, x): print(x) self._x = x 📲 Мы в MAX 👉@BookPython
1 015
12
Как упростить работу с аргументами в командной строке с помощью typer Раньше для CLI-приложений на Python я использовал argparse, потом был click, но недавно полностью перешёл на typer. Это библиотека от автора FastAPI, и она реально 🔥 Вот простой пример: import typer app = typer.Typer() @app.command() def hello(name: str, age: int = 18): print(f"Привет, {name}! Тебе {age} лет.") if __name__ == "__main__": app() Теперь можно запускать в терминале: $ python main.py hello Alice --age 30 Привет, Alice! Тебе 30 лет. Что круто: - Автоматически генерируется --help - Пишется почти как обычная функция - Есть автокомплит в оболочках (bash/zsh) - Поддержка аннотаций типов и валидации "из коробки" Если ты всё ещё страдаешь с argparse, рекомендую попробовать typer. Особенно если ты уже кайфуешь от FastAPI — синтаксис и подход очень похожи. 📲 Мы в MAX 👉@BookPython
1 042
13
Популярный способ объявить абстрактный метод в Python — это выбросить исключение NotImplementedError: def human_name(self): raise NotImplementedError Хотя этот подход довольно распространён и даже поддерживается IDE (например, PyCharm считает такие методы абстрактными), у него есть недостаток: ошибка возникает только при вызове метода, а не при создании экземпляра класса. Чтобы избежать этой проблемы, используйте модуль abc: from abc import ABCMeta, abstractmethod class Service(metaclass=ABCMeta): @abstractmethod def human_name(self): pass Также важно помнить, что NotImplemented — это не то же самое, что NotImplementedError. NotImplemented — это специальное значение (как True и False), а не исключение. Оно используется, например, в специальных методах (__eq__(), __add__() и др.), чтобы сообщить Python, что операция не реализована для данного типа, и попытаться вызвать альтернативный метод (например, если a.__add__(b) возвращает NotImplemented, Python попробует вызвать b.__radd__(a)). 📲 Мы в MAX 👉@BookPython
1 064
14
Некоторый код может выводить интересующие вас данные в stdout, вместо того чтобы предоставлять API, возвращающий строку, пригодную для использования в программе. Вместо рефакторинга такого кода можно воспользоваться менеджером контекста contextlib.redirect_stdout, который позволяет временно перенаправить stdout в любой объект, поддерживающий файловый интерфейс. В сочетании с io.StringIO это позволяет сохранить вывод в переменную. from contextlib import redirect_stdout from io import StringIO s = StringIO() with redirect_stdout(s): print(42) print(s.getvalue()) Также существует contextlib.redirect_stderr для перенаправления вывода sys.stderr. 📲 Мы в MAX 👉@BookPython
981
15
Иногда в программе нужна очередь — контейнер, куда элементы добавляются с одной стороны и извлекаются с другой. В Python для этого можно использовать list: In : lst = [1, 2, 3] In : lst.pop() Out: 3 In : lst Out: [1, 2] In : lst[:0] = [4] # push In : lst Out: [4, 1, 2] Однако list выглядит не очень удобно (взгляните на этот "push") и работает неэффективно. In : lst = [0] * 10_000_000 In : %timeit lst[:0] = [1] 9.5 ms ± 111 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) In : %timeit lst.pop() 84.3 ns ± 4.01 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each) Как видно, операция pop() в 100 раз быстрее, чем вставка в начало списка. Это связано с тем, как устроен list в Python: легко добавлять и удалять элементы с конца, но удаление/добавление в начало требует создания нового списка. Для очередей лучше использовать collections.deque. Он специально для этого создан: In : from collections import deque In : d = deque([1] * 100_000_000) In : %timeit d.popleft() 65 ns ± 0.436 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each) 📲 Мы в MAX 👉@BookPython
931
16
Скрытые фичи Enum: как выжать максимум Многие используют Enum как простой список констант. Но у enum.Enum в Python есть куда больше возможностей — и они могут сделать код чище и мощнее. Вот несколько приёмов, которые мало кто использует — но зря. 1. Добавление поведения в Enum from enum import Enum class Status(Enum): DRAFT = 'draft' PUBLISHED = 'published' ARCHIVED = 'archived' def is_visible(self): return self in {Status.DRAFT, Status.PUBLISHED} Теперь Status.DRAFT.is_visible() — это просто и элегантно. 2. Enum с полями from enum import Enum class Color(Enum): RED = ('#FF0000', 'danger') GREEN = ('#00FF00', 'safe') def __init__(self, hex_code, label): self.hex_code = hex_code self.label = label Color.RED.hex_code # '#FF0000' Color.RED.label # 'danger' 3. Автоматические значения с auto() from enum import Enum, auto class Role(Enum): ADMIN = auto() USER = auto() GUEST = auto() Удобно, если не важны конкретные значения, а нужны уникальные. 4. Строгая сериализация В реальных приложениях (API, базы) лучше контролировать сериализацию enum'ов: import json class CustomEncoder(json.JSONEncoder): def default(self, obj): if isinstance(obj, Enum): return obj.value return super().default(obj) json.dumps(Status.PUBLISHED, cls=CustomEncoder) # "published" 5. Сравнение по значению Status('draft') == Status.DRAFT # True Status('draft') is Status.DRAFT # True (enum гарантирует singleton) Итого: Enum — это не просто константы. Это лёгкий способ инкапсулировать поведение и данные, улучшить читаемость и сделать код устойчивее к ошибкам. 📲 Мы в MAX 👉@BookPython
778
17
default_factory в dataclass: мощнее, чем кажется Многие используют dataclass как удобный способ задать структуру с полями. Но редко кто по-настоящему раскрывает силу default_factory. А зря — он спасает от багов и даёт гибкость. Когда нужно задать значение по умолчанию для поля в dataclass, логично тянуться к default=. Но если это изменяемый тип (например, список или словарь) — вас поджидает ловушка. from dataclasses import dataclass, field @dataclass class User: name: str tags: list[str] = [] # ⚠️ опасно! Все экземпляры User будут делить один и тот же список. То есть: a = User("Alice") b = User("Bob") a.tags.append("admin") print(b.tags) # ['admin'] 😱 Вместо этого используйте default_factory: @dataclass class User: name: str tags: list[str] = field(default_factory=list) Теперь у каждого User будет свой список: a = User("Alice") b = User("Bob") a.tags.append("admin") print(b.tags) # [] Но default_factory не только про списки. Это отличный способ задать любое значение "по умолчанию", включая кастомную логику: import uuid @dataclass class Session: id: str = field(default_factory=lambda: str(uuid.uuid4())) Или, например, значения из окружения: import os @dataclass class Config: debug: bool = field(default_factory=lambda: os.getenv("DEBUG") == "1") Кстати, это ещё и отличное место для внедрения DI: @dataclass class Service: client: "Client" = field(default_factory=create_default_client) default_factory — это маленький хак, который позволяет сделать код чище и безопаснее, особенно когда работаешь с изменяемыми структурами или сложной инициализацией. 📲 Мы в MAX 👉@BookPython
944
18
yield from — элегантная передача управления Если вы пишете генераторы, которые вызывают другие генераторы — забудьте про for x in sub(): yield x. Есть способ проще и мощнее. Оператор yield from позволяет передавать элементы из подгенератора напрямую, без лишнего кода. Но фишка не только в лаконичности — он также автоматически пробрасывает исключения и возвращаемые значения из подгенератора. Вот классика: def gen(): for x in range(3): yield x def wrapper(): for x in gen(): yield x Можно короче и лучше: def wrapper(): yield from gen() Но главное — yield from пробрасывает return-значение из подгенератора (начиная с Python 3.3): def sub(): yield 1 yield 2 return 'done' def main(): result = yield from sub() print('Sub returned:', result) for _ in main(): pass # Выведет: Sub returned: done А ещё через yield from можно проксировать значения внутрь генератора — например, в сопрограммах: def delegator(): result = yield from coroutine() print('coroutine done:', result) def coroutine(): x = yield y = yield return x + y g = delegator() next(g) # Старт next(g) # coroutine ждет x g.send(10) # x = 10 print(g.send(20)) # y = 20 → return 30 # Выведет: coroutine done: 30 Итог: если вы пишете генераторы — освоение yield from даст вам лаконичный синтаксис, проброс return-значений, исключений и взаимодействие на новом уровне. 📲 Мы в MAX 👉@BookPython
901
19
Когда вы используете модуль multiprocessing, и в одном из процессов происходит исключение, оно передаётся в основную программу с помощью механизма сериализации (pickling). Исключение сериализуется, передаётся в другой процесс и там десериализуется обратно. Однако сериализация исключений может быть непростой задачей. Исключение создаётся с любым количеством аргументов, которые сохраняются в атрибуте args. Эти же аргументы используются при десериализации для воссоздания объекта исключения. Но это может не сработать так, как вы ожидаете, особенно если используется наследование. Посмотрите на пример: import pickle class TooMuchWeightError(Exception): def __init__(self, weight): super().__init__() self._weight = weight pickled = pickle.dumps(TooMuchWeightError(42)) pickle.loads(pickled) Вызов TooMuchWeightError.__init__ приводит к вызову Exception.__init__, который устанавливает args как пустой кортеж. Этот пустой кортеж затем используется в качестве аргументов при десериализации, что, очевидно, приводит к ошибке: TypeError: __init__() missing 1 required positional argument: 'weight' Обходное решение — либо вообще не вызывать super().__init__() (что обычно считается плохой практикой при наследовании), либо передавать все аргументы явно в конструктор родительского класса: class TooMuchWeightError(Exception): def __init__(self, weight): super().__init__(weight) self._weight = weight 📲 Мы в MAX 👉@BookPython
1 000
20
Функция map вызывает другую функцию для каждого элемента итерируемого объекта. Это значит, что функция должна принимать одно значение в качестве аргумента: In : list(map(lambda x: x ** 2, [1, 2, 3])) Out: [1, 4, 9] Однако если каждый элемент итерируемого объекта — это кортеж, было бы удобно передавать каждый элемент кортежа как отдельный аргумент. В Python 2 это было возможно благодаря распаковке параметров кортежа (обратите внимание на скобки): >>> map(lambda (a, b): a + b, [(1, 2), (3, 4)]) [3, 7] В Python 3 эта возможность исчезла, но есть другое решение — itertools.starmap. Она распаковывает кортежи за вас, будто функция вызывается со звёздочкой: f(*arg) (отсюда и название функции): from itertools import starmap In [3]: list(starmap(lambda a, b: a + b, [(1, 2), (3, 4)])) Out[3]: [3, 7] 📲 Мы в MAX 👉@BookPython
1 034