Python/ django

🔥 Безопасный запуск Linux-команд из Python Если нужно из Python безопасно выполнять системные команды в Linux, используй изоляцию через subprocess с принудительным сбросом привилегий. Такой приём позволяет запускать команды даже в окружениях с потенциально небезопасным вводом, блокируя доступ к опасным системным вызовам и снижая риск эксплуатации.

import subprocess
import os

def safe_run(cmd):
    # Запускаем процесс без наследования переменных окружения
    env = {"PATH": "/usr/bin:/bin"}
    
    # Сбрасываем привилегии, если процесс запущен от root
    def drop_priv():
        os.setgid(65534)
        os.setuid(65534)

    result = subprocess.run(
        cmd,
        env=env,
        preexec_fn=drop_priv,
        stdout=subprocess.PIPE,
        stderr=subprocess.PIPE,
        text=True,
        timeout=3,
    )
    return result.stdout

print(safe_run(["ls", "/"]))

@pythonl

🌀 В Python есть встроенная функция reversed(), но работает она не со всеми структурами данных. Быстрый разбор: ✓ Список можно развернуть reversed([1, 2, 3]) возвращает итератор. list(reversed([1, 2, 3])) → [3, 2, 1] ✓ Кортежи тоже разворачиваются Можно итерироваться по reversed((1, 2, 3)) ✓ Множества не разворачиваются reversed({1, 2, 3}) → TypeError: 'set' object is not reversible Причина: множества *не имеют порядка*, а значит разворачивать нечего. Если нужно развернуть множество — сначала сделай его списком: list(reversed(list({1, 2, 3}))) @pythonl

🔥 Коварная ловушка с замыканиями в Python Многие хитрые баги в Python появляются из-за того, что разработчики неверно понимают область видимости переменных в замыканиях. Частая ошибка - внутри цикла создавать функции-лямбды, которые «помнят» одно и то же финальное значение переменной, а не значение на каждой итерации. В итоге весь список функций ведёт себя одинаково. Чтобы избежать ловушки, фиксируйте значение через аргумент по умолчанию или используйте functools.partial.

funcs = []

for i in range(5):
    funcs.append(lambda x=i: x)  # фиксируем i как значение по умолчанию

print([f() for f in funcs])  # [0, 1, 2, 3, 4]

Cursor мощно прокачался — релизнулась версия 2.1, которая еще быстрее находит баги, делает ревью кода, пишет и оптимизирует программы. • Разрабы внедрили кнопку «Find issues» — агент автоматически правит баги, делает ревью и подсвечивает проблемы в боковой панели. Да, все СРАЗУ и без нескольких промптов. • Поиск ускорили в разы — теперь он работает на базе векторов и шерстит даже массивную кодовую базу за секунды. • Улучшили режим планирования — агент будет задавать еще больше уточняющих вопросов, когда ты утверждаете задачу. Отвечать нужно в интерактивном режиме. И да, сейчас на Cursor Pro есть скидка — реально приятная. Вместо 22 тысяч — 7000 рублей! Так что если думали — это тот самый момент «пока недорого». Купить можно на сайте 👉 по ссылке Или можно купить на авито напрямую у продавца по ссылке

🤖 SelfDiscord: Мощный Discord Selfbot за 2 минуты настройки SelfDiscord — это удобный selfbot для Discord с множеством команд и утилит. Он позволяет отслеживать ключевые слова, добавлять пользовательские команды и реакции, а также автоматизировать множество задач, таких как поиск изображений и управление сообщениями. 🚀Основные моменты: - Логирование ключевых слов и уведомления о сообщениях. - Автоматическая смена аватаров и статусов. - Сохранение изображений и поиск источников. - Пользовательские команды и реакции с возможностью сохранения. - Уведомления и таймеры для задач. 📌 GitHub: https://github.com/tagal6727/SelfDiscord #python

🧵 CPython 3.15 делает распаковку данных намного быстрее В новой версии CPython улучшили производительность декомпрессии: - Zstandard (zstd) распаковывается на 25–30% быстрее - zlib — на 10–15% быстрее, если размер данных больше 1 MiB Такого ускорения добились за счёт более эффективной работы с выходными буферами во время распаковки. Подробнее: emmatyping.dev/decompression-is-up-to-30-faster-in-cpython-315.html @pythonl

🔥 10 однострочных Python-функций, которые экономят время каждый день Держи небольшой набор из 10 функций-однострочников, которые полезно просто закинуть в свой utils.py. Они помогают быстро работать со списками, файлами, JSON, статистикой и частотами, без лишнего шума в коде. Скопируй блок целиком и используй нужные функции по месту.

from pathlib import Path
from collections import Counter
import json, statistics as stats

chunks = lambda it, n: [it[i:i + n] for i in range(0, len(it), n)]

flatten = lambda lst: [x for sub in lst for x in sub]

unique = lambda seq: list(dict.fromkeys(seq))

sliding = lambda it, n: [it[i:i + n] for i in range(len(it) - n + 1)]

freqs = lambda seq: Counter(seq)

read_text = lambda p: Path(p).read_text(encoding="utf-8")

write_text = lambda p, text: Path(p).write_text(text, encoding="utf-8")

read_json = lambda p: json.loads(Path(p).read_text(encoding="utf-8"))

write_json = lambda p, obj: Path(p).write_text(json.dumps(obj, ensure_ascii=False, indent=2), encoding="utf-8")

mean_std = lambda xs: (stats.mean(xs), stats.pstdev(xs))

@pythonl

🚀 myfy - модульный Python-фреймворк с фронтендом «из коробки» Зачем он нужен: FastAPI - идеален для API, но без нормального фронта. myfy берёт лучшее из FastAPI и добавляет полноценную модульность, DI и встроенный UI. 🔥 Главное - Модульная архитектура с жизненным циклом (`start/stop`) - Type-based DI без скрытой магии - Фронтенд сразу из коробки: Jinja2 + DaisyUI + Tailwind + Vite + HMR Можно делать UI без React/Vue, идеально для внутренних тулов - Чистая структура проекта, минимум бойлерплейта 🚀 Быстрый старт

pip install myfy
myfy init
myfy frontend init
myfy run

https://github.com/psincraian/myfy @pythonl

🚀 GigaChat Ultra & Lightning — новые MoE-модели от Сбера 💡 Что это такое Две открытые модели нового поколения, обученные с нуля — без чужих весов. Созданы, чтобы ускорять разработку, уменьшать рутину и быть удобным напарником для разработчиков. 🔥 Что внутри - Ultra: 702B параметров, контекст до 131k, стабильная работа экспертов - Lightning: 10B параметров, контекст до 256k, лёгкая и быстрая - Генерация нескольких токенов одновременно - Экономия памяти, оптимизация KV-кеша - Совместимость с Hugging Face, vLLM и SGLang 🎯 Почему стоит использовать - Сбер снимает часть технических забот, чтобы сосредоточиться на экспериментах - Ускоряет локальное прототипирование и работу с AI-помощниками - Подходит для масштабных решений и небольших проектов @pythonl

🚀 django-keel - мощный стартовый шаблон для Django-проектов 💡 Что это такое Готовый современный каркас для Django-приложений, который позволяет запускать новый проект за минуты — с правильной архитектурой, CI, Docker и продуманной конфигурацией. 🔥 Что внутри - Поддержка Python 3.12+ и Django 5.2+ - Несколько видов проектов: SaaS, API-backend, web-app, internal tools - Docker + Docker Compose - Настроенные линтеры, тесты, coverage и GitHub Actions - 12-factor конфигурация, разделённые settings (dev/test/prod) - Варианты API: DRF или GraphQL - Поддержка фронта: Next.js или HTMX + Tailwind 🎯 Почему стоит использовать - Экономит недели рутинной настройки - Даёт единообразную и поддерживаемую архитектуру - Ускоряет разработку MVP, внутренних сервисов и SaaS-продуктов 🛠 Быстрый старт

copier copy gh:CuriousLearner/django-keel my-project

Репозиторий: https://github.com/CuriousLearner/django-keel @pythonl

✔️ CPython может получить обязательную зависимость от Rust к версии Python 3.17. Эмма Смит и Кирилл Подопригора из core-team Python опубликовали предварительное предложение (Pre-PEP), в котором описывается план постепенного внедрения Rust в кодовую базу CPython. На первом этапе Rust хотят использовать для необязательных модулей стандартной библиотеки, находящихся в каталоге Modules/. Дальше — больше: если эксперимент окажется успешным, то к выходу Python 3.17 Rust может стать обязательной сборочной зависимостью. Это позволит улучшить безопасность, производительность и надёжность низкоуровневых частей интерпретатора. Подробнее: https://peps.python.org/pep-0011/ @pythonl

🖥 Очистка python кода! Чтобы сильно упростить очистку Python-кода, вынеси мелкие предикаты, фильтры и маппинги в именованные функции. Это делает пайплайны короче, уменьшает вложенность и ускоряет отладку. Такой приём особенно полезен, когда список операций растёт и становится нечитаемым. Подписывайся, больше фишек каждый день !

def is_valid(user):
    return user.get("active") and user.get("role") != "banned"

def normalize(user):
    user["name"] = user["name"].strip().title()
    return user

def enrich(user):
    user["score"] = user.get("score", 0) + 10
    return user

users = [... ]  # внешний источник

cleaned = [enrich(normalize(u)) for u in users if is_valid(u)]

print(cleaned)

⚡️ 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())