برای ساخت یک پروژه خوب . باید ساختار خوبی هم داشته باشی
معمولا در زمان اضافه کردن کتابخانه ها به پروژه هیچ اطلاعاتی از اونها درج نمیشه
این باعث میشه خوانایی بیاد پایین . کار تیمی بعضی وقت ها به مشکل بخوره و ...
شما زمان اضافه کردن کتابخانه میتونید یک توضیح مختصری از اون کنارش بنویسید
این کار باعث میشه .
تا شما هربار که میخواید یک کتابخونه اضافه کنید یا جایگزین کنید سری به فایل های کتابخونتون بزنید تو نگاه اول متوجه بشید . و
اگر تیمی کار میکنید . بقیه اجزای تیم متوجه بشن که این کتابخانه برای چه کاری اضافه شده.

@DevTwitter | <M.Mahdi Oskooii/>

برنامه و آموزش حذف قفل FRP سامسونگ از طریق تست پوینت

از یه GitHub Repo به سرعت یک Wiki درست کنید !


@Linuxor ~ urgauovmi

مولانا | دیوان شمس | رباعیات | رباعی شمارهٔ ۹۴۷

بنمای بمن رخ ای شمع طراز
تا ناز کنم نه روزه دارم نه نماز
تا با تو بوم مجاز من جمله نماز
چون بی تو بوم نماز من جمله مجاز

#مولانا | گنجور
📍@iipoem

اعتبارسنجی شماره موبایل ایران، مثل حرفه‌ای‌ها!

کوتاه، دقیق، کاربردی

برای اعتبارسنجی شماره موبایل ایرانی، بستگی به نیازت یکی از این ۳ حالت زیر رو می‌خوای:
1- فقط شماره داخلی بگیری
2- فقط فرمت بین‌المللی رو بپذیری
3- یا هر دو رو ساپورت کنی

@DevTwitter | <Mohsen Karimvand/>

یک مطلب چند قسمتی خوب برای مدیریت مموری در زبان‌های برنامه‌نویسی مختلف
https://dev.to/deepu105/demystifying-memory-management-in-modern-programming-languages-ddd

تجربه‌ام در مدیریت ۶۰ میلیون ردیف داده روی Excel: از محدودیت‌های Laravel تا بازگشت به قدرت Python
در یکی از پروژه‌های اخیر، با سیلی از اطلاعات — ۶۰ میلیون ردیف داده در قالب 70 فایل Excel — روبرو شدم.
در ابتدا، به‌صورت بومی در Laravel تلاش کردم با استفاده از Seeder، Chunking و صف‌ها (Queues) عملیات واردسازی را انجام دهم. اما:
مصرف شدید حافظه باعث کرش مداوم سیستم می‌شد.
زمان اجرای طولانی حتی برای بخش‌های کوچک، سایر فرایندهای سیستم را مختل می‌کرد.
با وجود پیاده‌سازی بهینه‌سازی‌های معمول (مثل تنظیم batch size مناسب، استفاده از حافظه اشتراکی و مانیتورینگ صف‌ها)، همچنان گلوگاه‌های جدی وجود داشت.
در نهایت تصمیم گرفتم ابزار را عوض کنم: انتقال به Python و pandas.
خواندن هر فایل Excel به‌صورت Streaming با read_excel و تعیین انواع ستون‌ها از قبل
پردازش داده‌ها روی DataFrameها با استفاده از توابع برداری (Vectorized Operations)
ذخیره‌سازی نهایی داده‌ها در فرمت‌های بهینه (مثل Parquet) قبل از واردسازی به پایگاه داده
نتیجه؟
کاهش ۸۰٪ زمان پردازش
پایداری کامل بدون نیاز به افزایش رم سرور
قابلیت مقیاس‌پذیری با توزیع کار روی چندین ماشین یا سرویس ابری
درس‌های آموخته شده
پایبندی مطلق به یک فریم‌ورک، همیشه بهترین مسیر نیست.
در مواجهه با حجم‌های بزرگ داده، گاهی استفاده از زبان یا ابزار تخصصی‌تر (مثل Python/pandas) راه‌گشاتر است.
ارزش تسلط بر چند اکوسیستم و انعطاف در انتخاب فناوری، کمتر از تسلط صرف بر یک چارچوب نیست.

@DevTwitter | <erfan katoziyan/>

این وب‌سایت پره از پروژه‌های واقعی با لاراول. دفعه بعد که یکی گفت «کی دیگه لاراول استفاده می‌کنه؟»، فقط لینک رو بندازین تو صورتش و لبخند بزنین!

https://builtwithlaravel.com/

@DevTwitter | <Milwad Khosravi/>

از این پس توی لین چت ویس هم دارم

https://t.iss.one/LinChat?videochat=3aefe48e62065f769e


@LinAcademy

چند روزیه دارم ابزارها مختلف AI رو برای پیاده‌سازی یک پروژه ساده بررسی می‌کنم و تا حالا سه ابزار زیر به ترتیب با اختلاف خیلی خوب بودن:
https://bolt.new
https://v0.dev
Gemini professional 2.5

پروژه ویرایشگر مارک‌داون: https://alirho.github.io/parsiNegar

@DevTwitter | <Alireza/>

یه نکته خفن جنگویی

برای جستجوی تمام‌متن (Full-Text Search) نیازی به Elasticsearch ندارین!

خیلی راحت می‌تونید با قابلیت سرچ روی PostgreSQL جستجوی پیشرفته بسازید، با رتبه‌بندی نتایج و حتی ساپورت غلط‌های املایی!

مثال ساده‌ش توی تصویر

چرا این روش خوبه؟
چون مستقیماً روی دیتابیس کار می‌کنه، سریع و سبکه.
لازم به ذکره برای پروژه های کوچیک تا متوسط گزینه بسیار مناسبیه.

@DevTwitter | <Amir Mohammad Yaghoubi/>

🔺 From The Agony To The Hopelessness

🔺 From The Agony To The Hopelessness