Zen of Python

Pyrethrin — exhaustive error handling для Python, теперь с обёртками для pandas/numpy/FastAPI Библиотека, которая привносит Rust-стиль обработки ошибок в Python: нельзя проигнорировать исключение, компилятор (ну, рантайм) заставит обработать все варианты. Новое в v0.2.0: Shields Drop-in замены для библиотек с явным объявлением исключений:

# Было — исключения неявные
import pandas as pd
df = pd.read_csv("data.csv")

# Стало — нужно обработать все возможные ошибки
from pyrethrin.shields import pandas as pd
from pyrethrin import match, Ok

result = match(pd.read_csv, "data.csv")({
    Ok: lambda df: process(df),
    OSError: lambda e: log_error("File not found", e),
    pd.ParserError: lambda e: log_error("Invalid CSV", e),
    # ... остальные
})

➡️ Как узнали какие исключения бросает pd.read_csv? Автор написал отдельный инструмент Arbor для статического анализа. Для read_csv он прошёл 5,623 функции и нашёл 1,881 raise-statement — 35 типов исключений. Топ: ValueError (442), TypeError (227), NotImplementedError (87). ➡️ Философия 🔘Нет unwrap() — никаких escape hatch, обрабатывай всё 🔘Проверка exhaustiveness в момент вызова, не импорта 🔘Работает с нативным match-case (Python 3.10+) 📎 GitHub, Arbor, PyPI @zen_of_python

pyauto-desktop — современная замена PyAutoGUI с поддержкой HiDPI Если автоматизировали десктоп через PyAutoGUI — знаете боль: скрипт ломается при смене разрешения, на 4K всё едет, мультимонитор не работает. Новая библиотека решает это. ​ Отличия от PyAutoGUI 🔘Автоскейлинг координат и изображений через Session-логику 🔘До 5x быстрее (mss + Pyramid Template Matching + кэширование) 🔘locateAny / locateAll из коробки вместо циклов 🔘Встроенный GUI Inspector: снипы, редактор, генерация кода 🔘Бэкенд: opencv-python, mss, pynput ​ Из комментариев

Session management, который абстрагирует DPI — это то, чего не хватало PyAutoGUI

​📎 Код на GitHub, на видео демо @zen_of_python

Напомнию, что есть канал по нейронкам, который ведёт тот же автор, что и этот канал. Это всё часть медиа Tproger, где я работаю. ⚡️ Основная фишка — на все свежие ИИ-релизы я делаю посты, чтобы вы могли читать только один канал. Иногда получается даже раньше официального запуска, чем я особенно горжусь :) И есть моя любимая рубрика: ➡️ Обзор трендов Hugging Face за неделю с супер-кратким описанием моделей, выходит регулярно. Иногда закидываю мемчики или что-то полезное для изучения (о, это очень крутая книга, рекомендую если раньше не видели). Заходите и подписывайтесь: @neuro_channel

Почему Python наконец-то убирает GIL — объяснение за 2 минуты GIL — Global Interpreter Lock — один глобальный мьютекс на весь интерпретатор CPython. Любой поток, который хочет выполнить Python-код, должен сначала захватить этот lock. Один lock = только один поток работает в любой момент времени. ​ ➡️ Почему так сделали В 1991 году, когда появился Python, многоядерных CPU практически не было. Потоки добавили в язык в середине 90-х, и вместо того чтобы защищать каждую внутреннюю структуру интерпретатора отдельным мьютексом — поставили один глобальный. Проще, быстрее, работает. ​

«Нам казалось, что мы нормально разобрались с потоками. Многоядерных процессоров тогда всё равно ни у кого не было» — Гвидо ван Россум

​ ➡️ Когда это стало проблемой Середина 2000-х: производители чипов упёрлись в потолок частоты и начали наращивать ядра. Внезапно concurrency без parallelism — это ограничение, а не фича. ​ ➡️ Что меняется Спустя 30+ лет процесс удаления GIL наконец запущен. Python сможет выполнять потоки параллельно. Кстати, если хочется parallelism прямо сейчас — можно использовать альтернативные интерпретаторы (например, на Rust), которые уже масштабируются на все ядра. @zen_of_python

«Стандартная рабочая станция» согласно регламенту компании

Выпущен Mesa 3.4.0 — фреймворк для агентного моделирования на Python ➡️ Что такое агентное моделирование Вместо описания системы уравнениями — задаёте простые правила для отдельных «агентов» (птицы, машины, люди) и смотрите, как из их взаимодействий возникают паттерны. Как формируются пробки? Как распространяются эпидемии? Как стаи птиц самоорганизуются? ABM отвечает на такие вопросы. ➡️ Что такое Mesa Основной Python-фреймворк для ABM. Интегрирован с NumPy, pandas, Matplotlib. Даёт инструменты для пространственных отношений, планирования агентов, сбора данных. Используется для моделирования эпидемий, рыночной динамики, экологических систем. ➡️ Что нового в 3.4.0 🔘Единое время симуляции. Раньше время было разбросано: model.steps в простых моделях, simulator.time в discrete event. Теперь единый model.time для всех. 🔘Воспроизводимость batch run. Новый параметр rng для явного контроля random seeds. Раньше при фиксированном seed все итерации давали одинаковые результаты вместо независимых реплик. Прочее: 🔘Визуализация: поддержка AgentPortrayalStyle в Altair 🔘Удалён экспериментальный cell space → стабильный mesa.discrete_space 🔘Python 3.12+ обязателен 🔘Миграция на новую GitHub-организацию mesa 📎 Код на GitHub, подробнее в заметках по релизу, есть онлайн-демо На скриншоте — классический пример Wolf Sheep: волки (красные) охотятся на овец (голубые), овцы едят траву (зелёные клетки). Справа — график динамики популяций: видно, как система приходит к равновесию. @zen_of_python

Servy — свежий проект для запуска Python-скриптов (на самом деле не только Python) как Windows-сервисов без боли Проблема: нужно, чтобы Python-скрипт работал в фоне как сервис Windows: стартовал при загрузке, перезапускался при падении, писал логи. Стандартный sc работает только с приложениями, специально написанными как сервисы, а pythonw.exe + Task Scheduler — костыль без нормального мониторинга. Решение: Servy. Указываешь путь к Python, скрипт, аргументы, рабочую директорию, env-переменные → Install → готово. Есть GUI для тех, кто не любит CLI. ​ Что умеет 🔘Логирование stdout/stderr с ротацией (по размеру и дате) 🔘Health checks + автоперезапуск при падении 🔘Мониторинг CPU/RAM в реальном времени 🔘Уведомления о падениях 🔘Pre/post-launch хуки 🔘Экспорт/импорт конфигов ​ Установка

winget install servy
choco install -y servy
scoop install servy

📎 Код на GitHub, пример для Python, на видео демо @zen_of_python

Вышел Gazetteer — офлайн геокодер на Python, который не врёт на границах Небольшое напоминание, зачем это вообще нужно: Reverse geocoding — когда есть координаты, а нужно понять что там: страна, регион, город. Нужно для аналитики доставки, логистики, геотаргетинга, обработки GPS-логов. Проблема: большинство офлайн-решений ищут ближайшую точку (nearest-neighbor). У границ это ломается — ближайший город может быть в другой стране. ​ Gazetteer проверяет, в какой полигон реально попадает координата. KD-Tree для быстрого отсева + валидация вхождения в polygon. ​ Характеристики 🔘210+ стран, 145 000+ административных границ 🔘10 000 координат за <2 секунды (<0,4 мс на точку) 🔘Single-process и multiprocessing 🔘Без внешних API — никаких лимитов и платежей ​🔘Автор говорит, что начинал как toy project, но оказалось production-ready. 📎 Код на GitHub, документация на сайте @zen_of_python

pyreqwest — новый HTTP-клиент на Rust для Python. GIL-free, HTTP/2 из коробки, sync и async с одинаковым API. Автор — тот же разработчик, который открыл issue #3215 в httpx о 10x просадке производительности при конкурентных запросах. ​ Зачем переходить с httpx httpx/httpcore имеют давние проблемы с connection pooling — при 20 конкурентных запросах httpx в 10+ раз медленнее aiohttp. Эти баги висят годами. pyreqwest решает их на уровне архитектуры, потому что connection pool реализован на Rust. ​ ➡️ Если httpx работает — можно не трогать. Но в высоконагруженных системах он станет бутылочным горлышком. Фичи 🔘HTTP/1.1 и HTTP/2 (у aiohttp нет HTTP/2) 🔘Автодекомпрессия: zstd, gzip, brotli, deflate 🔘TLS через rustls 🔘Connection pooling, стриминг, multipart 🔘Куки, прокси, редиректы, таймауты 🔘Полные type hints, zero Python-зависимостей 🔘Встроенный мок для тестов + подключение к ASGI напрямую Быстрый старт:

# uv add pyreqwest

from pyreqwest.client import ClientBuilder, SyncClientBuilder

async def example_async():
    async with ClientBuilder().error_for_status(True).build() as client:
        response = await client.get("https://httpbun.com/get").query({"q": "val"}).build().send()
        print(await response.json())        

def example_sync():
    with SyncClientBuilder().error_for_status(True).build() as client:
        print(client.get("https://httpbun.com/get").query({"q": "val"}).build().send().json())

​ 📎 Код на GitHub @zen_of_python

Tryolabs опубликовали 11-й ежегодный топ Python-библиотек Команда перелопатила сотни проектов и отобрала те, что реально полезны в продакшене. Критерии: практическая польза (не хайп), активная поддержка, понятная ценность для разработчика. AI-библиотек могло быть 90%, но список специально разделили на две части. ​ ➡️ Категория «Не ИИ» 0️⃣ty — тайпчекер на Rust от Astral (авторы ruff и uv). Инкрементальный анализ на уровне функций — меняешь одну функцию, перепроверяется только она ​ 1️⃣complexipy — измеряет когнитивную сложность кода (не цикломатическую). Есть GitHub Action, pre-commit хук и расширение для VS Code ​ 3️⃣Kreuzberg — извлекает данные из 50+ форматов, работает на Rust, биндинги для Python/TS/Ruby/Go. Есть CLI, REST API и MCP-сервер ​ 3️⃣throttled-py — rate limiting с пятью алгоритмами (Fixed Window, Token Bucket, GCRA и др.), поддержка Redis и async 4️⃣httptap — waterfall-визуализация HTTP-запросов: DNS, TLS handshake, время ответа — всё по фазам 5️⃣fastapi-guard — security-мидлварь для FastAPI: IP-фильтры, геоблокировка, детект SQL-инъекций 6️⃣modshim — оверлей модификаций поверх чужих модулей без monkey-patching и форков 7️⃣Spec Kit — спецификации как источник истины для AI-ассистентов. Пишешь spec → AI генерит код по плану, а не угадывает (и всё же что-то про ИИ — прим. ред.) 8️⃣skylos — поиск мёртвого кода + детект уязвимостей, включая паттерны vibe-coded кода 9️⃣FastOpenAPI — автогенерация OpenAPI-документации для Flask, Falcon, Tornado, Django и ещё 4 фреймворков ​ ➡️ Категория «AI/ML/Data» 0️⃣MCP Python SDK + FastMCP — стандарт подключения LLM к внешним данным (Anthropic) ​ 1️⃣TOON — Token-Oriented Object Notation, JSON-like, но YAML-стиль для вложенности + CSV-формат для массивов. Экономия 40-60% токенов, заголовки с длиной помогают LLM валидировать структуру ​ 3️⃣Deep Agents — агентный фреймворк с planning через write_todos/read_todos, файловой системой (ls, read_file, edit_file), спавном субагентов ​ 3️⃣smolagents — агенты в ~1000 строк кода. LLM пишет действия как Python, а не JSON → на 30% меньше шагов на бенчмарках. Поддержка любых LLM, E2B/Docker/WASM sandbox ​ 4️⃣LlamaIndex Workflows — event-driven архитектура: степы + события вместо DAG. Async-first, автовывод типов из аннотаций, стриминг результатов, чекпоинты для возобновления ​ 5️⃣Batchata — единый интерфейс для batch API Anthropic/OpenAI/Gemini. Экономия 50%, лимиты по стоимости, dry-run для оценки расходов, Pydantic-валидация выходов ​ 6️⃣MarkItDown — PDF/DOCX/PPTX/Excel/HTML/аудио → Markdown. Сохраняет структуру (заголовки, таблицы, списки) ​ 7️⃣Data Formulator — визуализация через natural language + drag-n-drop. Указываешь поля которых ещё нет («profit_margin») → AI генерит трансформацию ​ 8️⃣LangExtract — извлечение структурированных данных с точной привязкой к позиции в тексте (character offset). Критично для медицины/юридики. Few-shot, чанкинг для длинных документов, HTML-визуализация ​ 9️⃣GeoAI — мост между PyTorch/Transformers и геоданными. Поиск спутниковых снимков → подготовка датасета → обучение → инференс → визуализация через Leafmap @zen_of_python

Весь год вы носили футболки и джинсы… Хватит! Заглядывайте к нам в виртуальную примерочную и выбирайте себе идеальный скин для встречи Нового года. Осторожно, эти наряды могут наповал сразить ваших коллег… Реклама

Clean Architecture в Python: не догма, а инструмент — разбор от разработчика с 30-летним стажем Макс Кирхофф взял интервью у Сэма Кина — автора книги «Clean Architecture with Python». Сэм прошёл путь от стартапов до AWS и делится практическим подходом к архитектуре. Ключевые моменты 🔘Clean Architecture — не «всё или ничего», а набор принципов под твой контекст 🔘Главная ценность — грамотное управление зависимостями и чёткая доменная модель 🔘Хорошая архитектура = тестируемый код (связь прямая) 🔘Бонус: чистая архитектура упрощает работу с AI-ассистентами при написании кода Почему важно Python любят за прагматику — и можно сохранить её, не скатываясь в спагетти-код. Архитектурные принципы адаптируются, а не навязываются. 📎 Видео на YouTube или в этом посте @zen_of_python

Программисты из Tproger подготовили для вас новогоднее бинго. Заканчивайте работу, пора позалипать на этот шедевр.

Astral выпустили ty — type checker для Python, который в 10-60x быстрее mypy и Pyright Astral — это те ребята, которые сделали uv и Ruff. Теперь у них полный тулчейн для Python: пакеты, линтинг, форматирование и type checking — всё на Rust, всё безумно быстрое. Что такое ty Type checker + language server. Альтернатива mypy, Pyright и Pylance. Написан на Rust, спроектирован с нуля под инкрементальность — пересчитывает только то, что изменилось.​ Скорость 🔘Без кэша: 10-60x быстрее mypy и Pyright 🔘В редакторе после правки файла в PyTorch: 4.7ms (Pyright — 386ms, Pyrefly — 2.38 сек) 🔘Это 80x и 500x разница соответственно​ Что умеет 🔘First-class intersection types, продвинутый type narrowing, reachability analysis 🔘Диагностики как у Rust-компилятора — показывает контекст из нескольких файлов, объясняет почему ошибка и как починить 🔘Полноценный LSP: Go to Definition, Rename, Auto-Complete, Auto-Import, Inlay Hints​ Как попробовать

uv tool install ty@latest

Или VS Code extension: ищите «ty» в маркетплейсе. Сейчас Beta — команда Astral уже использует его в продакшне. Stable планируется в следующем году. В планах — поддержка Pydantic, Django и type-aware линтинг в связке с Ruff. 📎 GitHub, пост в блоге, на видео демо скорости работы @zen_of_python

Python 3.15.0a3 — третья альфа уже доступна, всё по графиу релизов, только что выложили. До беты ещё полгода, но уже есть интересное. 🔘PEP 799 — встроенный sampling profiler: высокочастотный, низкий overhead, отдельный пакет для профилирования 🔘PEP 686 — UTF-8 теперь дефолтная кодировка (наконец-то!) 🔘PEP 782 — новый C API PyBytesWriter для создания bytes-объектов 🔘Больше предложений по фиксам в сообщениях об ошибках (см. скриншот) Таймлайн 🔘Альфа 4 выйдет 13 января 2026 🔘Бета: 5 мая 2026 🔘RC: 28 июля 2026 Напоминание: альфа-релизы не для продакшна. Фичи могут измениться или исчезнуть до RC. Но посмотреть уже очень интересно, конечно. @zen_of_python

Kreuzberg v4 — вышла новая версия библиотеки для извлечения текста, таблиц и метаданных из 56+ форматов. Была на Python, теперь переписана на Rust, в 5-15 раз легче конкурентов, есть готовые биндинги под популярные языки. Есть настоящий async без GIL и стриминг для гигабайтных файлов. Главное: 16–31 MB полная установка против 146 MB – 9,7 GB у Unstructured/Docling/MarkItDown. Также в новой версии встроили эмбеддинги (FastEmbed + ONNX), семантический чанкинг, определение 68 языков и MCP-сервер для Claude Desktop. Установка для Python:

pip install kreuzberg

📎 GitHub: https://github.com/kreuzberg-dev/kreuzberg На картинке сравнение с альтернативами. @zen_of_python

Python's random.seed() игнорирует знак числа — и это не баг Андрей Карпати наткнулся на неочевидное поведение: random.seed(5) и random.seed(-5) дают одинаковую последовательность случайных чисел.​ ➡️ Как обнаружилось Карпати работал над nanochat и хотел использовать знак seed'а для разделения train/test данных. Получил баг: train и test оказались идентичными.​ ➡️ Почему так В исходниках CPython (_randommodule.c, строка 321) явно вызывается abs():

// "This algorithm relies on the number being unsigned"
n = PyNumber_Absolute(arg);

Знак просто отбрасывается.​ ➡️ Баг или фича? Формально — не баг. Документация гарантирует только то, что одинаковый seed даст одинаковую последовательность. Но не гарантирует, что разные seed'ы дадут разные последовательности.​ Карпати считает это ошибкой дизайна: знаковый бит мог бы удвоить пространство seed'ов. Простое решение: n -> 2*abs(n) + int(n < 0).​ ➡️ Что дальше 🔘Не полагаться на отрицательные seed'ы как на «другие» 🔘В NumPy отрицательные seed'ы вызывают ошибку — там строже​ 🔘Открыт issue на GitHub для обновления документации​

import random
random.seed(42)
print(random.random())  # 0.6394267984578837

random.seed(-42)
print(random.random())  # 0.6394267984578837

@zen_of_python

Команда urllib3 столкнулась с неприятным открытием: механизм DeprecationWarning в Python фактически не работает. Библиотека три года предупреждала об устаревших API — через документацию, changelog и встроенные предупреждения. В версии 2.6.0 эти методы удалили. И всё сломалось. Что произошло: после релиза посыпались баг-репорты от Kubernetes-клиента, Fastly, Airflow и других крупных проектов. Разработчики были в шоке — никто не видел предупреждений и не знал, что API исчезнет. Команде urllib3 пришлось срочно откатывать изменения и возвращать удалённые методы. Почему так вышло: DeprecationWarning в Python по умолчанию отключён. Интерпретатор просто игнорирует эти предупреждения, если разработчик явно не включил их показ. В итоге API годами кричал о своей устарелости, но его никто не слышал. Какие есть варианты: 🔘Использовать UserWarning вместо DeprecationWarning — он не игнорируется по умолчанию 🔘Делать более частые мажорные релизы по SemVer, как в криптографических библиотеках 🔘Менять культуру работы с предупреждениями в экосистеме — но это долгий путь Вывод для авторов библиотек: если полагаетесь только на стандартные предупреждения — велика вероятность, что их никто не увидит до момента, пока код не сломается. @zen_of_python

JetBrains опубликовали State of Developer Ecosystem 2025 — опрос 24 500+ разработчиков из 190+ стран. Python на первом месте с 35%. Топ языков: 🐍 Python — 35% ☕️ Java — 33% 🌐 JavaScript — 26% 🧩 TypeScript — 22% 🎨 HTML/CSS — 16% Важная оговорка: это не «все программисты мира», а преимущественно аудитория JetBrains. PyCharm, IntelliJ, WebStorm — у компании сильные IDE именно для Python, Java и веб-стека. Так что выборка смещена в сторону этих языков. Например, Go и Rust-разработчики чаще сидят в VS Code, Swift-девелоперы — в Xcode. Тем не менее, тренд понятен: Python уверенно держится в топе благодаря AI/ML и автоматизации. 41% Python-разработчиков в опросе используют язык для машинного обучения.​ Другие находки: 🔘85% используют AI-инструменты для кода 🔘TypeScript, Rust и Go — лидеры по потенциалу роста 🔘PHP и Ruby продолжают снижаться​ Для более объективной картины стоит смотреть несколько источников: Stack Overflow Survey, TIOBE, RedMonk, GitHub Octoverse. Но то, что Python стабильно в топ-3 везде — факт. @zen_of_python

PyAtlas — интерактивная карта 10 000 самых популярных пакетов PyPI, где похожие библиотеки расположены рядом друг с другом. Как работает: описания пакетов прогоняются через sentence transformer → получаются эмбеддинги → UMAP сжимает их в 2D → кластеризация группирует по темам. В итоге веб-фреймворки оказываются в одном углу, ML-библиотеки в другом, тулзы для тестирования в третьем. Что можно делать: 🔘Просто тыкать и исследовать экосистему Python с высоты птичьего полёта 🔘Найти пакет, который уже используешь, и посмотреть что рядом — там будут альтернативы и связанные инструменты 🔘Обнаружить библиотеки, о которых не слышал, но которые решают похожие задачи Практическая польза: когда ищешь «что-то вроде X, но для Y» — карта покажет соседей по смыслу, а не по алфавиту. Или когда хочешь понять что вообще существует в какой-то нише. Под капотом: Python, sentence-transformers для эмбеддингов, UMAP для редукции размерности, HDBSCAN для кластеризации. Код открыт на GitHub. @zen_of_python