Coding Lovers

فقط یه استاد دانشگاه داخل ایران میتونه بیاد برای تدریس HTML و همون رو هم اشتباه درس بده عمق ماجرا رو از جمله‌ش بفهمین: «اچ‌تی‌ام‌ال یک زبان برنامه نویسی است که کمپایل میشود، سپس توسط cpu پردازش میشود و به شما نشان داده میشود.»

💻 منم مثل تو، یه روز فکر می‌کردم برنامه‌نویسی فقط واسه حرفه‌ای‌هاست! اما کم‌کم یاد گرفتم چطور ازش پول دربیارم، و حالا طعم شیرین درآمد از برنامه‌نویسی رو دارم می‌چشم. 🍯💸 💡 می‌دونی بهترین بخشش چیه؟ تو هم می‌تونی همین مسیر رو شروع کنی، حتی با وقت کم و امکانات محدود. ⏳ 📢 تو کانال من، همه‌چی آماده‌ست برای شروع موفقیت تو. 📌 همین حالا عضو شو و یه قدم به درآمد نزدیک‌تر شو: 👇 https://t.me/+sugRmS_v3aAyNTQ0 🎯 بهت قول می‌دم مسیر آسون‌تر از اون چیزیه که فکر می‌کنی.

از اونجایی که توی مینی نظرسنجی قبلی هم موافق ادامه دادن و عمیق شدن توی تلبات و هم گریزی به سایر شاخه و مسائل بودین، بنا به درخواست رفقا امروز رو اختصاص میدیم به بحث برنامه نویسی موازی، بحثی که همیشه چالش برانگیز بوده ☺️ واسه آشنایی و توضیحات بیشتر، باید توی وحله اول با مفاهیم و کارکرد ی سری موارد آشنا بشیم.

ASYNCHRONOUS | ناهمگام SYNCHRONOUS | همگام PROCESS | پراسس MULTI PROCESSING | چند پراسسی THREAD | نخ، رشته MULTI THREADING | چند نخی CONCURRENCY | کانکرانسی

🧠• پردازنده / CENTRAL PROCESSING UNIT :

میدونیم که پردازنده یا سی‌پی‌یو قلب تپنده هر کامپیوتریه، این قلب تپنده مسئول پردازش دستورات و انواع محاسبات و از جهت دیگه مغز کامپیوتره. توی حالت کلی و پایه‌ای عملکرد سی‌پی‌یو به سه گام خلاصه میشه؛ 🟡واکشی ( FETCH ) : به زیان ساده اگه بخوایم بیان کنیم، به معنی دریافت واکنش و دستورالعمل هست، دستورالعملی که در قالب و بصورت صفر و یک از طریق رم ارسال میشن. 🔵رمزگشایی ( DECODE ) : وقتی ی دستور واکشی دریافت و ذخیره میشه، سی‌پی‌یو دستور رو به بخش INSTRUCTION DECODER منتقل میکنه و اونجا به سیگنال هایی واسه فرستاده شدن به مابقی بخش های سی‌پی‌یو تبدیل میشه. 🟣اجرا ( EXECUTE) : داخل این بخش و مرحله دستور دیکد شده مرحله قبل تحلیل و اجرا میشه، اجرا شدن دستور بسته به نوع دستور ممکنه محاسباتی، منطقی، ورودی خروجی و یا کنترلی باشه.

❕• آیا روند کارکرد CPU از قدیم تا الان به ی صورت بوده؟! روند رویه‌ای، چالش های اون و ظهور مولتی تسکینگ :

کامپیوتر‌ های قدیمی با سی‌پی‌یو ها تک پردازنده‌ای ساخته میشدن، هر فعالیت یا پروسه‌ای شامل چندتا دستور فرض میشد که بصورت پشت‌‌سر هم نوشته و به همون صورت هم اجرا میشدن، یعنی استراتژیک کلی به این صورت بود که ی فعالیت واحد با دستوراتش وارد سی‌پی‌یو می‌شد و تمامی دستوراتش به ترتیب اجرا می‌شد، بعد از انجام و تموم شدن پردازش فعالیت، فعالیت بعدی وارد می‌شد، به این حالت از اجرا به اصطلاح "SINGLE TASKING" یا "روند رویه‌ای" میگن. کامیپوتر های جدید استراتژیک جدید تری اعمال کرد که اجرای همزمان چندین فعالیت و فرایند رو به ارمغان میاره که به اصطلاح "MULTI TASKING" یا "چند وظيفگی" هستن، البته نه به این صورت که همزمان دو یا چند فعالیت رو انجام بدن!! پس چطور میشه که همزمان چندین فعالیت رو انجام میده👀؟! تریکی که اینجا وجود داره مفهوم "سوئچینگ" هست. سوئیچینگ تکنیک و تریک کامپیوتر های جدیده، یعنی با سوئیچ کردن مداوم بین دستورات مختلف چندین فعالیت رو انجام میده!! عملیات سوئیچینگ خیلی سریع اتفاق میوفته بصورتی که احساس و درکی توی حالت عادی از اون نداریم و حس میکنیم چندین فعالیت با هم انجام میشن.

حالا که به درک جامعه‌ای از CPU و کارکردش رسیدیم، میرسیم به بحث اصلیمون یعنی آشنایی با مفاهیم اولیه موضوعمون، ترجیح میدم از کانکارنسی یا هم‌روندی شروع کنم. 🙄• منظور از کانکارنسی چیه؟!

کانکارنسی یکی از مفاهیم بنیادی توی علوم کامپیوتریه که این اجازه و اراده رو به عمل میاره که چندین فعالیت و عملیات رو بدون نیاز به ترتیب خاصی و بصورت همزمان اجرا کنیم، مفهومی که توی انواع اپلیکیشن و برنامه ها، دیتابیس‌ها، سیستم‌عامل ها و.. موجب میشه از منابع بصورت خیلی بهینه‌تری استفاده و داخل تایم هم صرفه جویی کنیم. توجه کنیم که کانکارنسی با پارلل متفاوته، توی ی پست دیگه بصورت مفصل صحبت میکنیم در موردش.

🤔• اهدافمون از استفاده کانکارنسی چیه؟!

بطور خلاصه ای اگه بخوایم بگیم، چندتا هدف اصلی و کلی داره : 🔴زمان اجرای فعالیت رو کاهش بده و کمتر کنه : با اجرای همزمان مراحل مختلف ی فعالیت میتونیم زمان پردازش رو کاهش بدیم، ی برنامه و اپلیکیشن رو تصور کنین که قراره داده‌هایی رو پردازش کنه و در نهایت به کاربر نشون بده، داخل همچین موقعیتی اپلیکیشن با پردازش توی پس‌زمینه در عین واحد، کاربر هم میتونه از تعامل با روابط کاربری اپلیکیشن استفاده کنه، این کار باعث میشه کاربر تصور کنه اپلیکیشن سریع‌تر و پاسخگو تره. 🔵پردازش و پاسخگویی بیشتر از فعالیت ها : کانکارنسی به سیستم ها این امکان رو میده که در عین واحد به‌طور همزمان به چندین درخواست پاسخ بده و اون‌هارو پردازش کنه، اپلیکیشن مثال قبلیمون رو دوباره تصور کنین، همچین اپلیکیشنی که متصل و وابسته به دیتابیس و API هست میتونه توی هر بخشی از خودش بصورت همزمان به کاربر ها پاسخ بده و فعالیت هاشون رو پردازش کنه بدون اینکه ی کاربر منتظر بمونه درخواست ی کاربر دیگه انجام بشه و نوبتش بشه. 🟢استفاده بهینه از منابع : منطقا با اجرای همزمان چندین فرایند میتونیم از منابع سخت افزاری به‌طور بهینه استفاده کرد.

پ‌ن؛ حالا که با گوشه‌ای از نحوه‌ کارکرد CPU آشنا شدیم، با CPUهاتون مهربون تر برخورد کنین 😆 😎 CodingLovers | #Farshad

پست های بعدی در چه باب، موضوع و یا شاخه ای باشه؟! 🤔 توی تلبات عمیق تر شیم یا..؟!

🥱• روز دوم رو با کلاس پایه کاستوم فیلتر شروع کنیم.

پایه‌ای ترین کارکرد کاستوم فیلتر رو میتونیم با SIMPLE CUSTOM FILTER پیاده سازی کنیم، چطوری؟! کافیه اقدام‌ به ساخت ی چیلد‌ کلس با فیلتر مورد نظر در متد CHECK کنیم، توی حالت کلی به عنوان پارامتر ورودی مجاز به دریافت یک پارامتر و در نهایت بولین TRUE یا FALSE ریترن میکنه. بریم که توی عمل نحوه پیاده‌سازیش رو داشته باشیم.

1️⃣- طبق معمول‌ و روال گذشته بایستی وابستگی ها رو از CUSTOM_FILTERS ماژول تلبات ایمپورت کنیم؛

from telebot import TeleBot 
from telebot.custom_filters import SimpleCustomFilter 

app = TeleBot() 

2️⃣- توی قدم بعدی باید اقدام به ساخت  کلاس و اد کردن اون به شئ تلبات کنیم، ساختار این کلاس به این صورت باید باشه که به عنوان کلاس والد SIMPLECUSTOMFILTER رو دریافت و با ایجاد KEY اختصاصی خود و تکمیل و کاستوم کردن متد CHECK توی هندلر هامون مورد استفاده قرار بگیره، مثالی از پیاده سازیش ببینید که در ادامه قراره نکات مهمی رو مرور کنیم؛

__Bot_Status__: str = 'ON' 

class CodingLovers(SimpleCustomFilter):
    key: str = 'XD'

    @staticmethod
    def check(update):
        return (__Bot_Status__ == 'ON') 

app.add_custom_filter(CodingLovers())

🚫- نکات و الزامات این بخش: 🔵نام متد CHECK باید دقیقا به همین صورت باشه! 🟡متد CHECK حداکثر ی پارامتر که همون آپدیت هندلر باشه رو میتونه دریافت کنه ( برعکس ADVANCEDCUSTOMFILTER که در آینده باهاش آشنا میشیم ) 👀- پس در نهایت این سمپل رو خواهیم داشت؛ پ‌ن، اینجا __BOT_STATUS__ رو شما حالتی فرض کنید که قراره چک کردن واقعی اتفاق بیوفته، حقیقتا مثال دیگه ای به ذهنم نرسید ☺️

from telebot import TeleBot 
from telebot.types import Message 
from telebot.custom_filters import SimpleCustomFilter

app = TeleBot() 

__Bot_Status__: str = 'ON' 

class CodingLovers(SimpleCustomFilter):
    key: str = 'XD'

    @staticmethod
    def check(update):
        return (__Bot_Status__ == 'ON')

@app.message_handler(commands=['start'], XD=True)
def _(message: Message):
    app.reply_to(message=message, text='XD') 
    
@app.message_handler(commands=['start'], XD=False)
def _(message: Message):
    app.reply_to(message=message, text='Bot is Off')

app.add_custom_filter(CodingLovers())
app.infinity_polling()

اگه بخوایم کامل تشریح کنیم که چه فرایندی توی این کد طی میشه، باید گفت : با ايجاد کلاس فیلتر مورد نظرمون و تکمیل کردن متد CHECK، در قدم اول به شی TELEBOT اد میشه و میتونیم داخل همه هندلر هامون با KEY یونیکی که واسه فیلتر در نظر گرفتیم استفاده کنیم، وقتی توی هندلر اولیمون که کامند استارت رو هندل میکنه از این فیلتر استفاده میکنیم و KEY که در این کد XD هست رو برابر بولین TRUE میزاریم، در صورتی هندلر شروع به کار و انجام دادن بلوک زیرینش میکنه که شرط داخل متد CHECK فیلرتمون برابر با TRUE باشه و در صورتی هندلر دومی شروع به کار میکنه که شرط متد CHECK فیلترمون برابر با بولین FALSE باشه!  مثال دیگه ای پیاده سازیشو میتونین اینجا ببینین، همچین اگه سوال یا ابهامی داشتید کامنت کنید. 😎 CodingLovers | #Farshad

دنبال یه ایده خفن میگردی؟ هیچ ایده ای نداری؟ 🥲 میخوام چیزی رو یادتون بدم که خودم تازگیا یادش گرفتم. بهترین ایده بنظرتون چیه؟ بهترین ایده که میتونه طرفدار زیادی رو جذب کنه، قطعا چیزی هست که نیاز دیگران رو رفع کنه ( اینو هممون میدونستیم، خب بعدش؟ ). ❓ نیاز دیگران رو چجوری بفهمیم؟ جمله کلیشه ای: اول خودت، بعد دیگران. هرچیزی که تو بهش احتیاج داری قطعا دیگران هم بهش احتیاج دارن. پس جای اینکه دنبال نیاز دیگران باشی، باید دنبال نیاز خودت بگردی. پس همین حالا نیاز هات رو لیست کن، و هرجایی که به چیزی احتیاج داشتی که پیداش نمیکردی، داخل لیست نیاز هات بنویس. حالا تو کُلی ایده و نیاز برای رفع کردن داری ... ✨ شبیه ایدت زیاده؟ خب که چی؟ هزار تا برند گوشی داریم. اما هیچکدوم شدن سامسونگ؟ اپل؟ اینا چه فرقی با بقیه داشتن؟ همه که یه کارو انجام میدن! مهم نیست شبیه زیاده؛ آدم ها وقتی میخوان انتخاب کنن اونی رو انتخاب میکنن که با بقیه تفاوت داره و چیزی داره که قانع‌شون میکنه: «بقیه رو ول کن، من بهترم.» سی‌پی‌یو اپل کاملا متفاوت از دیگرانه. کیفیت سامسونگ رو هیچ برندی نداره ( طبق کامنت هاتون جدیدن انگار ترکیده ). 🤔 نظر شما چیه؟

3k ❤️

🚫• کاستوم‌فیلتر ها ( CUSTOM FILTERS ) در #تلبات فریمورک پایتونی تلبات واسه راحتی هر‌چه بیشتر توسعه دهندگان فیلتر هایی رو در نظر گرفته که قصد دارم توی این پست بصورت مفصل درموردشون صبحت کنم، فیلتر هایی که خیلی اوقات مانع از نوشتن کد بیهوده میشن. 📄 - لیست کامل فیلتر ها؛

AdvancedCustomFilter : کلاس‌پایه فیلتر IsAdminFilter : محدود کردن به ادمین/اونر ForwardFilter : محدود کردن به فوروارد ChatFilter : تطابق چت‌ایدی IsDigitFilter : محدود کردن به عدد IsReplyFilter : محدود کردن به ریپلای LanguageFilter : محدود کردن به LC SimpleCustomFilter : کلاس پایه فیلتر سفارشی StateFilter : محدود کردن استیت TextContainsFilter : محدود کردن به وجود متن در آپدیت TextFilter : محدود کردن متن تایپ ها TextMatchFilter : محدود کردن متن مسیج TextStartsFilter : محدود کردن متن مسیج با شروعی خاص

👍- حالا که با انواع فیلتر های موجود در تلبات آشنا شدیم، بیایید نحوه به کار بردن و استفاده عمومی از این فیلتر ها رو ببینیم و عملی انجام بدیم؛ 1️⃣ توی قدم اول باید CUSTOM_FILTERS رو از تلبات ایمپورت و سپس با متد ADD_CUSTOM_FILTER فیلتر مورد نظر رو بر شی TELEBOT اعمال کنیم :

from telebot import TeleBot, custom_filters

app = TeleBot()

app.add_custom_filter(Custom_filters.TextStartsFilter()) #EX

2️⃣ بعد از اد کردن فیلتر مورد نظر به شئ تلبات و استفاده از فیلتر ها داخل هندلر، بایستی بسته به نوع فیلتر از KEY ها داخل هندلر استفاده کنیم. توی حالت کلی بنا بر نحوه پیاده سازی فیلتر ها، KEY ها میتونن هر مقداری باشند، با فرض وجود کد بالایی و اعمال کردن فیلتر START TEXT FILTER این سمپل رو با KEY مختص به این فیلتر ببینید :

@app.message_handler(text_startswith='XD')
def _(message):
   ...

😎 حالا این هندلر در صورتی فعال و شروع به کار میکنه که آپدیت دریافتی‌ تکست و با "XD" شروع شده باشه، پس در نهایت :

from telebot import TeleBot, custom_filters
from telebot.types import Message 

app = TeleBot()

@app.message_handler(text_startswith='XD')
def _(message: Message):
    app.reply_to(message=message, text='XD')

app.add_custom_filter(custom_filters.TextStartsFilter())
app.infinity_polling()

👀- حالا که با نحوه کلی و جامع پیاده سازی کاستوم‌فیلتر ها آشنا شدید، ليست KEY و تایپ های هر فیلتر رو با هم ببینیم :

💡FilterName : Key | Type ChatFilter : key = chat_id | type = List TextContainsFilter : key = text_contains | type = List TextMatchFilter : key = text | type = List LanguageFilter : key = language_code | type = List ForwardFilter : key = is_forwarded | type = Bool IsAdminFilter : key = is_chat_admin | type = Bool IsDigitFilter : key = is_digit | type = Bool IsReplyFilter : key = is_reply | type = Bool StateFilter : key = state | type = Int TextStartsFilter = key = text_startswith | type = String

🧑‍🎓- پس ی جمع بندی کلی و کامل داشته باشیم، برای استفاده از هر فیلتر کافیه با متد ADD_CUSTOM_FILTER اون رو به شئ TELEBOT اد کنیم و با KEY هاشون، هندلر ها رو به آپدیت های خاصی محدود کنیم، از طرفی مانع کد زدن اضافی و از طرف دیگه موجب تمیزی و خوانایی و از همه مهم‌تر مدیریت کد‌هامون رو راحت تر میکنه، فعلا در همین اندازه شناخت داشته باشید، طی پست های آینده، از بیسیک‌ و ریشه‌ای ترین فیلتر ها اقدام به کالبد شکافی میکنیم بصورت مفصل. پ‌ن؛ حالا انتخابتون چیه؟! 🤔 استفاده از کاستوم‌فیلتر ها یا نوشتن شروط پیچیده و استفاده از FUNC LAMBDA؟! 😎 CodingLovers | #Farshad

یه کوییز جالب، خودم تازه فهمیدم اینو خروجی کد توی عکس چیه؟ 🤓

یه روش بگم حجم ویدیو هارو به شکل وحشتناک کاهش بدین؟ با ffmpeg بدونه افت کیفیت و سرعت ویدیو، با ffmpeg حجم رو کاهش بدین؛ چجوری؟

ffmpeg -i input.mp4 -vcodec libx265 -crf 28 output.mp4

جلوی -i ویدیویی که میخواید حجمش کم شه رو بزارید ( میتونه هر فرمتی باشه ) جلوی -crf میتونین مشخص کنین تعداد فریم ریت ها رو این دستور چیکار میکنه؟ نمیدونم دقیقا چه بلایی سر ویدیو میاره 😐❤️، فقط میدونم نوع رمزنگاری فایل رو به H.265 تغییر میده که باعث کم شدن حجم ویدیو میشه. ترفند: میخواین صدای ویدیو هم بردارین همزمان که کاهش حجم میدین؟

ffmpeg -i input.mp4 -vcodec libx265 -crf 28 -af "volume=0" output.mp4

پ.ن: یه بار ۸۰ مگ رو کرد ۵ مگ پرام ریخت

https://core.telegram.org/api/links لیست تمامی deep link های تلگرام مثلا

tg://settings/change_number tg://settings/devices tg://settings/folders tg://settings/language tg://settings/privacy tg://settings/auto_delete

با تشکر از فرشاد

https://core.telegram.org/api/links لیست تمامی deep link های تلگرام مثلا

tg://settings/change_number tg://settings/devices tg://settings/folders tg://settings/language tg://settings/privacy tg://settings/auto_delete

با تشکر از فرشاد

حالا یکم درباره GIL هم توضیح بدم. پایتون خودش چیزی داره به اسم GIL که یک lock عمومی برای هر thread هستش یعنی هرکاری بخواد صورت بگیره اول gil رو قفل میکنه بعد انجام میده ( برای همین خیلی ها نمیتونن خوب async رو درک کنن میرن هرچی تابع دارن async def میسازن ) خب چرا ما خودمون اینجا lock ساختیم؟ چون هر تردینگ یه gil مختص به خودش رو داره و به دیگری مربوط نیست

در برنامه‌نویسی، وقتی درباره "thread safe" صحبت می‌کنیم، منظورمان این است که کد نوشته شده می‌تواند به درستی در محیطی که چندین رشته (threads) به طور همزمان در حال اجرا هستند، عمل کند، بدون اینکه منجر به مشکلاتی نظیر تداخل داده یا خطاهای دیگر شود. فرض کنید دو یا چند رشته بخواهند به طور همزمان به یک متغیر مشترک دسترسی پیدا کنند. اگر این دسترسی‌ها به درستی هماهنگ نشوند، ممکن است داده‌ها دچار مشکل شوند. به عنوان مثال، تصور کنید دو نفر در حال نوشتن بر روی یک تخته سیاه هستند. اگر هر کدام بدون هماهنگی با دیگری چیزی بنویسد، نوشته‌ها با هم تداخل خواهند داشت و نتیجه ناواضح خواهد بود. در برنامه‌نویسی، این مشکل با استفاده از مکانیزم‌هایی مثل قفل (lock) یا مچینگ (mutex) حل می‌شود. بیایید یک مثال ساده با پایتون ببینیم:

import threading

# متغیر مشترک
shared_counter = 0

# یک قفل برای هماهنگی بین رشته‌ها
lock = threading.Lock()

def increment_counter():
    global shared_counter
    
    for _ in range(10000):
        lock.acquire()
        shared_counter += 1
        lock.release()

# ایجاد دو رشته که به طور همزمان متغیر مشترک را افزایش می‌دهند
thread1 = threading.Thread(target=increment_counter)
thread2 = threading.Thread(target=increment_counter)

# شروع به کار رشته‌ها
thread1.start()
thread2.start()

# منتظر می‌مانیم تا هر دو رشته کارشان را تمام کنند
thread1.join()
thread2.join()

print("Final counter value:", shared_counter)

در این مثال، ما یک متغیر مشترک به نام shared_counter داریم و دو رشته که هر کدام ۱۰۰۰۰ بار این متغیر را افزایش می‌دهند. اگر از قفل استفاده نکنیم، ممکن است نتیجه نهایی shared_counter درست نباشد، چرا که ممکن است دو رشته همزمان به آن دسترسی پیدا کنند و مقدار آن را به اشتباه افزایش دهند. اما با استفاده از قفل (lock.acquire() و lock.release())، اطمینان حاصل می‌کنیم که در هر زمان فقط یک رشته به shared_counter دسترسی دارد، و این باعث می‌شود که برنامه به درستی کار کند و مقدار نهایی صحیح باشد. به این ترتیب، می‌توانیم کدی بنویسیم که "thread safe" باشد و در محیط‌های چند رشته‌ای بدون مشکل کار کند.

میخوام درمورد thread-safe بهتون توضیح بدم. اول یک نسخه از هوش مصنوعی میزارم، و بعد خودم کاملش میکنم.

شمارش باینری اینطوریه 🤖

شوخیتون گرفته؟ یه زبان برنامه نویسی تقریبا معروف داریم به اسم Portugol که کاملا زبانش بریزیلیه پ.ن داخل دبیرستان های برزیل هم تدریس میشه😐😂 مثلا

funcao somamatriz(n: inteiro): inteiro
var
   i, j, soma : inteiro
inicio
   soma <- 0
   para i de 1 ate 10 faca
     para j de 1 ate 10 faca
       soma <- soma + a[i,j]                                    (ref:scope)
     fimpara
   fimpara
   retorne soma
fimfuncao

algoritmo "semnome"
var
   i, j : inteiro
   a : vetor [1..10,1..10] de inteiro
inicio
   para i de 1 ate 10 faca
     para j de 1 ate 10 faca
       a[i,j] <- i + j
     fimpara
   fimpara
   escreva ("Resultado: ", somamatriz(5))
fimalgoritmo

رنک بندی گیتهاب بر اساس استار ها رو میتونین از این سایت ببینین https://www.stardev.io/ رنک گیتهابتون چنده؟

دلم برای کسایی که از دانشگاه میخوان چیزی یاد بگیرن میسوزه واقعا چه جامعه ایه آخه