🚀 Redis + Python: быстрый старт для разработчиков

Redis (Remote Dictionary Server) — это in-memory хранилище данных, которое можно использовать как:
— базу данных
— кэш
— брокер сообщений или очередь

Главное отличие — данные хранятся в RAM, а не на диске → операции чтения/записи работают за миллисекунды.

✔️ Redis + Python: как подключиться

1⃣ Установить библиотеку:

pip install redis

2⃣ Подключение и тест:

import redis

# подключение
r = redis.Redis(host='localhost', port=6379, db=0)

# запись и чтение
r.set("key", "hello redis")
print(r.get("key"))  # b'hello redis'

3⃣ Дальше можно использовать Redis для:
🔘 кэширования результатов запросов
🔘 хранения сессий пользователей
🔘 обработки очередей задач
🔘 мониторинга

✅ Подробнее в статье с примерами

🐸 Библиотека питониста

#буст

😃 attrs: простота написания Python-классов без бойлерплейта

attrs — это Python-пакет, который снимает рутину при написании классов и автоматически реализует «ду́ндер»-методы (__init__, __repr__, __eq__ и др.).

📌 Используется даже NASA в миссиях на Марс с 2020 года!

Основная цель — писать лаконичный и корректный код без потерь производительности.

Пример:

from attrs import asdict, define, make_class, Factory

@define
class SomeClass:
    a_number: int = 42
    list_of_numbers: list[int] = Factory(list)

    def hard_math(self, another_number):
        return self.a_number + sum(self.list_of_numbers) * another_number

sc = SomeClass(1, [1, 2, 3])
print(sc)                     # SomeClass(a_number=1, list_of_numbers=[1, 2, 3])
print(sc.hard_math(3))        # 19
print(asdict(sc))             # {'a_number': 1, 'list_of_numbers': [1, 2, 3]}

attrs автоматически добавляет:
✔️ читаемый __repr__
✔️ методы сравнения
✔️ __init__ и управление аргументами
✔️ фабрики значений (Factory)
✔️ конструктор классов на лету (make_class)

📱 Репозиторий

🐸 Библиотека питониста

#буст

🔥 Новое в Python 3.14: functools.Placeholder

functools.partial давно помогает замораживать аргументы функций. Но раньше были ограничения: если аргументы были только позиционные, их нельзя было зафиксировать через partial с именованными параметрами.

В Python 3.14 это решает новый functools.Placeholder.

➡️ Пример: удаление пунктуации

До 3.14 приходилось писать обёртку:

import string

_table = str.maketrans("", "", string.punctuation)

def remove_punctuation(s):
    return s.translate(_table)

print(remove_punctuation("Hello, world!"))  # Hello world

С Placeholder можно напрямую зафиксировать второй аргумент:

from functools import partial, Placeholder
import string

_table = str.maketrans("", "", string.punctuation)
remove_punctuation = partial(str.translate, Placeholder, _table)

print(remove_punctuation("Hello, world!"))  # Hello world

Что нужно понимать:
📝 Placeholder резервирует место для аргумента, который придёт позже.
📝 Вызов remove_punctuation("text") превращается в str.translate("text", _table).
📝 Удобнее импортировать короче:

  from functools import Placeholder as _P
  

Теперь partial можно использовать и с функциями, где аргументы позиционные-only.
Это открывает дорогу к более лаконичному и гибкому коду, без лишних обёрток.

🐸 Библиотека питониста

#буст

😳 Грейдинг умер, ИИ захватил собесы: 5 трендов IT-найма 2025

Помнишь времена, когда можно было сменить работу и сразу получать на 50% больше?

😢 Забудь.

В 2025-м правила игры кардинально изменились — компании боятся ChatGPT на собеседованиях, а поиск работы через LinkedIn стал почти бесполезен.

Разбираем 5 трендов, которые перевернули IT-найм с ног на голову.

🔗 Ссылка на статью

🐸 Библиотека питониста

#буст

🙂

🐸 Библиотека питониста

#развлекалово

🌀 Заблуждения программистов: где логика даёт сбой

В разработке есть особый класс ошибок — falsehoods: заблуждения, в которые программисты верят, но которые на практике оказываются ложными.

Обычно это звучит логично. Например:

Email всегда содержит ровно один символ @.

И многие пишут валидацию именно так. Но на деле email может содержать несколько @. Ваш код внезапно «ломается» в реальных условиях.

Таких примеров десятки. Все эти предположения — falsehoods, которые делают софт хрупким.

📚 Существуют целые подборки таких «ложных убеждений». Они помогают расширить взгляд и писать более надёжный код, учитывающий реальные данные и сценарии.

👉 Если хотите стать сильнее как инженер — изучите список falsehoods и держите их в голове.

🐸 Библиотека питониста

#междусобойчик

📱 Новости и релизы Python‑пакетов за последние 7 дней

📢 Новости
— PyPIStats.org теперь под управлением PSF — сервис статистики PyPI официально перешёл под крыло Python Software Foundation.
— «Python: The Documentary» — свежий фильм о том, как создавался и развивался язык.

📦 Свежие релизы пакетов
— protovalidate 0.15.0 — валидация Protocol Buffers для Python.
— onnx 1.19.0 — Open Neural Network Exchange.
— cron-descriptor 2.0.x — перевод cron-выражений в человекочитаемый формат.
— rpaframework 31.0.0 — набор инструментов для RPA.
— litellm 1.76.0 — удобный доступ к API разных LLM-провайдеров.
— onnxscript 0.4.0 — написание функций и моделей ONNX на Python.

📝 Статьи и материалы
— Ожившие фото: стеганографический аудиоплеер на Python + PyQt6.
— Оптимизация Django под высокие нагрузки: кэш, SIMD и настройка GC.
— Полезные конструкции Python для работы с данными.
— Скрытая грамматика Python: почему len() — это полисемия.
— PEP 723 + uv: однофайловые скрипты с зависимостями.
— Универсальный парсинг сайтов: requests vs headless, токены, куки, прокси и ротация IP.
— Иконки прямо в коде: как мы избавились от assets при портировании приложения.

📚 Книги
— Паттерны разработки на Python: TDD, DDD и событийно-ориентированная архитектура.
— Мощный Python: паттерны и стратегии современного программирования.

🐸 Библиотека питониста

#свежак

🐸 Библиотека задач по Data Science

🐍 Рабочий лайфхак: начинаем использовать pytest с parametrize

Тестирование функций может быть утомительным и однообразным. В pytest есть супер-фича parametrize, которая позволяет запускать один тест с множеством входных данных — без дублирования кода.

Например, есть функция add_nums():

def add_nums(nums):
    return sum(nums)

Вместо того чтобы писать три почти одинаковых теста:

def test_123():
    assert add_nums([1, 2, 3]) == 6

def test_negatives():
    assert add_nums([1, 2, -3]) == 0

def test_empty():
    assert add_nums([]) == 0

Можно использовать parametrize:

import pytest

@pytest.mark.parametrize(
    "nums, expected_total",
    [
        ([1, 2, 3], 6),
        ([1, 2, -3], 0),
        ([], 0),
    ]
)
def test_add_nums(nums, expected_total):
    assert add_nums(nums) == expected_total

Как это работает:
✅ Декоратор @pytest.mark.parametrize говорит pytest, какие аргументы подставлять.
✅ Каждый набор данных из списка превращается в отдельный тест.
✅ Добавить новый случай — просто добавить ещё одну строку в список.

Результат: меньше дублирования, больше читаемости, легко расширять тесты.

🐸 Библиотека питониста

#буст

🐍 Как ускорить Python в больших проектах: lazy imports в действии

Когда весь код живёт в одном монорепозитории и модули доступны отовсюду, количество импортов быстро превращается в тысячи.

Что начинает происходить со временем:
— скрипты стартуют по 30–40 секунд
— Jupyter-ноутбуки грузятся 10–15 минут
— распределённые jobs тратят больше времени на import, чем на сами вычисления

💡 Решение → Lazy imports
Модуль не загружается при import’е, а подменяется объектом LazyImport.

Настоящий импорт происходит только тогда, когда имя реально используется в коде:

from foo import bar

# globals() now contains {"bar": LazyImport("foo", "bar")}.
# the foo module has not yet been resolved or evaluated

qux = bar()

# in the evaluation of the above statement, bar is retrieved
# from the globals() dict, causing foo to be imported and bar
# to be reassigned to foo.bar

Что это даёт:
👌 мгновенный старт CLI-утилит
👌 быстрый запуск Jupyter даже с «тяжёлыми» внутренними библиотеками
👌 распределённые задачи не тратят время на лишние зависимости

→ Это не библиотека — это патч интерпретатора (форк CPython), но эффект огромный.

🔗 Полная статья (советуем сохранить)

🐸 Библиотека питониста

#буст

Гайд: где хостить Python-приложение

Вы написали веб-приложение на Django, Flask или FastAPI, но оно так и лежит на GitHub? Без продакшена код — это просто хобби.

Вот где Python-разработчики чаще всего размещают свои проекты:
✅ Heroku — классика, простой деплой, но дорого для серьёзных нагрузок.
✅ Fly.io — современная альтернатива Heroku, хорош для быстрых запусков.
✅ AWS ECS / Fargate — контейнеры, масштабируемость, но сложнее в настройке.
✅ DigitalOcean App Platform — баланс простоты и цены.
✅ Render — минимализм и понятный UX.
✅ Vercel / Netlify — больше про фронтенд, но FastAPI можно прикрутить.

В гайде сравниваются:
— Developer Experience
— Масштабируемость
— Производительность
— Стоимость

👉 Гайд для тех, кто выбирает, где запускать своё Python-приложение в 2025.

🐸 Библиотека питониста

#буст