🐸 Библиотека питониста

#развлекалово

🧪 Pytest Fixtures: как сделать тесты чистыми, переиспользуемыми и модульными

Фикстуры в pytest — это мощный инструмент для организации тестовой архитектуры.

Они позволяют:
✔️ Не дублировать код: создаёте данные один раз и используете их в нескольких тестах.
✔️ Переиспользовать данные между модулями: через conftest.py фикстуры становятся доступны во всех тестах.
✔️ Параметризовать тесты: params запускает один тест с разными входными данными.
✔️ Автоматически подключать фикстуры: autouse=True делает их доступными без явного указания в тестах.

Пример простой фикстуры для пользователя:

import pytest
from dataclasses import dataclass

@dataclass
class User:
    name: str
    email: str

@pytest.fixture()
def user_fixture():
    return User(name="Patrick", email="[email protected]")

def test_valid_user(user_fixture):
    assert validate_user(user_fixture).is_valid

def test_valid_email(user_fixture):
    assert validate_email(user_fixture).is_valid

Советы по организации фикстур:
✔️ Для маленьких проектов фикстуры можно держать в conftest.py.
✔️ Для больших проектов удобно создавать отдельную папку fixtures/ и импортировать их в conftest.py.
✔️ Используйте scope (function, module, session) для контроля времени жизни фикстуры.
✔️ Параметр name помогает давать понятные имена фикстурам.

Как используют фикстуры известные проекты:
🔥 Pydantic — держат фикстуры в тестовых модулях, высокая когезия.
🔥 Streamlit — комбинируют unit-тесты и e2e-тесты с фикстурами в conftest.py.
🔥 Hypothesis — генерирует случайные данные для property-based testing.

➡️ Чуть подробнее в полезной статье

🐸 Библиотека питониста

#буст

кто ты, воин? 😅

🐸 Библиотека питониста

#развлекалово

📘 Pyfory — новая эра сериализации в Python

Pyfory — это реализация Apache Fory™ для Python — универсального фреймворка сериализации, который можно использовать как drop-in замену для pickle и cloudpickle, но с серьёзными апгрейдами:

Основные фичи:
➡️ Поддержка циклических и общих ссылок
➡️ Zero-copy буферы (protocol-5) для огромных NumPy-массивов и DataFrame
➡️ Кастомная сериализация через __reduce__, __reduce_ex__, __getstate__
➡️ Размер данных — до 25% меньше, чем у pickle, и в 2–4 раза меньше, чем у cloudpickle
➡️ Режим безопасности — строгая политика десериализации для защиты от несанкционированных типов

⚡️ Быстрее, компактнее и безопаснее — Pyfory делает сериализацию Python-объектов по-настоящему современной.

📱 Github

🐸 Библиотека питониста

#буст

Не ждали, а она тут — новая версия Python 3.14 🚀

И лучше просто кликнуть сейчас по ссылке и послушать краткий обзор от Евгения Афонасьева, тимлида разработки Antifraud в Авито, чем потом упускать полезные фичи и искать этот пост.

В ролике разобрали как небольшие обновления, так и те, что лучше внедрять в свою работу уже сейчас.

📺 Смотрим и обсуждаем по ссылке!

🐸 Библиотека питониста

#развлекалово

📱 Python новости за последние 7 дней

⚙️ Инструменты и фреймворки
— Красивые CLI-приложения с Typer и Rich — как создавать удобные, цветные и дружелюбные консольные приложения с современным интерфейсом.
— No-code инструмент для сокрытия Python-кода — новый open-source toolkit, позволяющий защитить Python-код без ручного шифрования и обфускации.
— 5 библиотек, которые выведут вас на новый уровень — подборка свежих и недооценённых библиотек, расширяющих возможности Python-разработчика.

🧠 Изучение и практика
— Pytest для начинающих с домашним заданием — пошаговый туториал по базовым тестам, фикстурам и параметризации.
— CPython простыми словами — объяснение того, как устроен интерпретатор Python под капотом — память, байткод, GIL и оптимизации.
— Шаблоны и принципы деления кода на классы — как структурировать большие проекты и проектировать классы.

🌐 Веб и асинхронщина
— Стриминг больших ответов в Django — как эффективно отправлять большие ответы через StreamingHttpResponse и async-генераторы.
— Создаём MCP-сервер на практике — пошаговая инструкция по разработке MCP-сервера (Model Context Protocol) — новой инфраструктуры для взаимодействия с LLM.

🐸 Библиотека питониста

#свежак

🐸 Библиотека задач по Data Science

📊 State of Django 2025 — итоги ежегодного опроса разработчиков

Опрос Django Developers Survey 2025 собрал ответы более 4600 разработчиков со всего мира и показал, что экосистема Django продолжает активно развиваться — даже спустя 20 лет с момента появления фреймворка:
🈁 Django остаётся стабильным и зрелым — крупные изменения в обратной совместимости крайне редки.
🈁 Новые релизы выходят каждые 8 месяцев (5.2, 6.0, 6.1 …).
🈁 Активность сообщества: десятки PR еженедельно, рост числа мейнтейнеров и ревьюеров.
🈁 Сила экосистемы — официальная поддержка Redis (с Django 4.0), выход django-mongodb-backend.

🔗 Ссылка на опрос

🐸 Библиотека питониста

#буст

👉 CocoIndex — база знаний о вашем коде для AI и IDE

CocoIndex — это инструмент для построения и обновления индекса кода в реальном времени. Он использует Tree-sitter для точного разбора кода и поддерживает инкрементальную обработку — пересчитывает только изменённые части проекта.

Возможности и кейсы:
— Семантический контекст для AI-агентов (Claude, Codex, Gemini CLI)
— MCP-интеграции с IDE: Cursor, Windsurf, VSCode
— Semantic code search и поиск кода по естественному языку
— Автоматический AI code review, анализ и суммаризация PR
— Масштабные авторефакторинги и миграции кода
— SRE и DevOps сценарии: быстрое RCA, анализ влияния изменений, поиск по IaC и конфигам
— Автогенерация и обновление design-документации из кода

🔍 Реальное время, точность и масштабируемость — всё, что нужно для умных инструментов поверх кода.

📱 Github

🐸 Библиотека питониста

#буст

👏 Конфиги по-человечески: CueLang, Starlark и боль Python-разработчика

Когда проект растёт, обычные .toml, .yaml и .json превращаются в кошмар — без импортов, функций, комментариев и валидации.

CueLang решает почти всё: строгая типизация, DRY, схемы и экспорт в JSON/YAML. Но беда — только Go, без питонячих биндингов.

А вот Starlark неожиданно оказался достойной альтернативой:
— безопасен (песочница, без доступа к FS и сети);
— расширяем (можно подключать Python-функции);
— даёт контроль над импортами и окружением;
— похож на Python, но только внешне — внутри это совсем другой зверь.

Пример:

import starlark

with open("config.star") as f:
    code = f.read()

module = starlark.Module()
stdlib = starlark.Globals.standard()
ast = starlark.parse("config.star", code)
starlark.eval(module, ast, stdlib, None)

Starlark — не замена CueLang, а отличный инструмент, если нужно встроить безопасный DSL в продукт.
Но для личных проектов — Python + Pydantic всё ещё проще и удобнее.

📱 Репозиторий

🐸 Библиотека питониста

#буст

🔥 Официально утверждены два новых PEP: PEP 798 и PEP 810

1️⃣ PEP 798 — Unpacking in Comprehensions

Теперь в Python 3.15 можно будет использовать распаковку прямо в comprehensions (списковых, словарных и генераторных выражениях).
Python Steering Council внёс небольшое уточнение — и потребовал использовать явные циклы вместо yield from, чтобы сохранить простоту и симметрию между синхронными и асинхронными выражениями.

💡 Это сделает comprehensions более мощными и при этом предсказуемыми.

2️⃣ PEP 810 — Explicit Lazy Imports

Наконец-то появятся явные ленивые импорты через ключевое слово lazy.
Теперь можно будет писать:

lazy import numpy  
from pandas lazy import DataFrame

Импорт произойдёт только при первом обращении к модулю, что ускорит запуск и сократит время старта больших проектов.
Также добавят sys.get_lazy_imports() и уточнят приоритет между флагами среды (PYTHON_LAZY_IMPORTS, -X, sys.set_lazy_imports()).

👍 Оба улучшения появятся в Python 3.15 — релиз, который явно принесёт много приятных сюрпризов разработчикам.

🐸 Библиотека питониста

#буст