💼 Топ-вакансий для питонистов за неделю

Senior Python Developer —‍ 220 000 ₽, удалёнка

Senior Backend Developer (Python) —‍ от 250 000 ₽, удалёнка

Backend Tech Lead —‍ от 400 000 ₽, удалёнка

Python Developer —‍ от 220 000 ₽, удалёнка

Python-разработчик (IDP) —‍ от 250 000 до 450 000 ₽, гибрид

➡️ Еще больше топовых вакансий — в нашем канале Python jobs

Библиотека питониста

🖥 Зачем запускать coverage на тестах

Если вы всё ещё не проверяете покрытие тестами — самое время начать. Вот пара свежих примеров, почему это важно.

Пример 1: два одинаковых теста — но один не выполняется:

def test_get_install_to_run_with_platform(patched_installs):
    i = installs.get_install_to_run("<none>", None, "1.0-32")
    assert i["id"] == "PythonCore-1.0-32"
    ...

def test_get_install_to_run_with_platform(patched_installs): # дублирующее имя
    i = installs.get_install_to_run("<none>", None, "1.0-32", windowed=True)
    assert i["id"] == "PythonCore-1.0-32"
    ...

Копировали тест и забыли переименовать? Первый просто не запускается — и вы даже не заметите без отчёта по покрытию. В отчёте будет видно: тест написан, но не выполнялся.
✔️ Переименовали — и всё стало работать.
👉 Без coverage — баги в тестах могут так и остаться незамеченными.

💡 Подсказка: это также ловит ruff F811 и легко решается через @pytest.mark.parametrize.

Пример 2: генератор в тесте, который не сработал:

im = Image.new("RGB", (1, 1))
for colors in (("#f00",), ("#f00", "#0f0")):
    append_images = (Image.new("RGB", (1, 1), color) for color in colors)
    im_reloaded = roundtrip(im, save_all=True, append_images=append_images)

    assert_image_equal(im, im_reloaded)
    assert isinstance(im_reloaded, MpoImagePlugin.MpoImageFile)
    assert im_reloaded.mpinfo is not None
    assert im_reloaded.mpinfo[45056] == b"0100"

    for im_expected in append_images:
        im_reloaded.seek(im_reloaded.tell() + 1)
        assert_image_similar(im_reloaded, im_expected, 1)

Генератор был уже использован внутри roundtrip(), и цикл не выполняется — тест пропускается.
👉 Без coverage — даже не заметите.
✔️ Решение — заменить генератор на list(...).

🟣 Короткий итог: даже если тесты «проходят», это не значит, что они выполняются или действительно что-то тестируют.
🟣 Покрытие — простой способ избежать ложного чувства безопасности.
🟣 Попробуйте coverage run -m pytest && coverage report.

Библиотека питониста #буст

📱 Промпт дня: проверка бизнес-логики в Python-коде

Иногда код выглядит идеально — тесты проходят, багов нет, но поведение не соответствует тому, что действительно нужно бизнесу. Особенно если требования меняются или слабо зафиксированы.

Промпт:

Проверь, соответствует ли данный Python-код заданной бизнес-логике:
\[опишите свою бизнес-логику]
Найди расхождения и предложи, как это исправить.

Такой промпт можно использовать, чтобы:
— проверить legacy-код после изменений требований;
— убедиться, что новые разработчики поняли задачу правильно;
— использовать ИИ как «второго аналитика» на проекте.

Пример использования:

Бизнес-логика: если пользователь совершил покупку более чем на 10 000₽ за месяц, ему нужно выдать скидку 5%.
Проверь, что код корректно применяет скидку только в этих случаях.

✅ Подходит для проектов любого масштаба — от стартапов до крупных систем, где критично соблюдать правила.

Библиотека питониста #буст

➡️ Как использовать atexit для безопасного завершения Python-приложений

Когда вы работаете с сетевыми приложениями, важно не просто обрабатывать данные, но и корректно завершать работу сервера: сохранять остатки в памяти, закрывать соединения, выгружать данные.

✳️ Для этого у Python есть скрытая суперсила — модуль atexit. Он позволяет регистрировать функции, которые автоматически выполняются при нормальном завершении Python-программы.

Это полезно, если нужно:
— Сохранить кэш
— Очистить ресурсы
— Завершить фоновые потоки
— Записать метрики или логи

✳️Но: atexit не срабатывает при аварийном завершении (например, os._exit() или падении интерпретатора). Для этого используйте signal.

⏩️ Мини-проект: клиент-сервер + atexit

Сервер:
— Получает UDP-пакеты с метриками от клиента
— Сохраняет данные в in-memory SQLite
— Использует queue.Queue и фоновый daemon-поток для обработки данных
— При завершении работы сохраняет все необработанные данные из очереди с помощью atexit

Код:

import atexit

def shutdown_handler():
    # Извлекаем всё из очереди
    while not ingest_queue.empty():
        buffer.append(ingest_queue.get())
    # Сохраняем в БД
    _persist_data(buffer, conn)

atexit.register(shutdown_handler)

Клиент:
— Отправляет случайные данные (температура, влажность, sensor\_id)
— Работает в бесконечном цикле
— Завершается по Ctrl+C

Код:

while True:
    data = {
        "sensor_id": ...,
        "temperature": ...,
        ...
    }
    client_socket.sendto(json.dumps(data).encode(), addr)
    time.sleep(0.01)

⏩️ Почему это важно

В продакшн-сервисах вы не хотите терять данные, если:
— Процесс завершился вручную
— Контейнер Docker останавливается
— Система инициирует shutdown

⏩️ Выводы

— Используйте atexit для мягкой очистки: логов, файлов, очередей, соединений
— Комбинируйте с signal, если важно обрабатывать SIGINT, SIGTERM
— Даже небольшие скрипты выигрывают от аккуратного завершения

Библиотека питониста #буст

🐍 Холивар: подозрительные проекты и supply chain-атаки в Python

На первый взгляд — крутой проект на GitHub, обещающий ускорение Python в десятки раз. По факту — странный бинарник без исходников, нереалистичные бенчмарки и токсичный автор, удаляющий комментарии.

🚩 Что должно вызывать тревогу

🟠 DLL или .so в репозитории: бинарники без исходников — плохой знак. Даже если «можно проверить антивирусом» — это не защита. Свежие вредоносы легко обходят AV.

🟠 Проект выдается за Python, но на деле — просто обёртка над C++ с сомнительным качеством кода и новизной автора.

🟠 Фантастические бенчмарки: когда обещают, что «в 10 раз быстрее Pandas» — это требует доказательств и воспроизводимых тестов.

🟠 Удаление комментариев и агрессивное поведение: нет открытого диалога, только эмоции, эмодзи и попытка стереть негатив.

🟠 Нарушения базовых практик: даже элементарные ошибки в Python-коде (например, вывод ошибок в stdout вместо stderr), что странно для C++-разработчика.

PyPI и GitHub больше не гарантируют безопасность
Теперь важен не только open source, но и open build chain:
— есть ли CI/CD?
— как собираются бинарники?
— воспроизводим ли релиз?

Как обезопасить себя:
— Не ставьте pip install с непроверенных проектов
— Всегда читайте исходники перед установкой, особенно если есть нативный код
— Используйте виртуальные окружения или Docker для тестов
— Сканируйте зависимости через safety или pip-audit

А вы проверяете код, прежде чем ставить библиотеку с GitHub? Кто должен проверять (PyPI / GitHub или же пользователь)?
— ❤️ Всегда
— 😁 Только если мало звёзд
— 👍 Кто вообще так делает, просто pip install

Библиотека питониста #междусобойчик

🛡 Runtypes — безопасная валидация структур в TypeScript

Когда вы получаете непроверенные данные (например, из JSON, API, локального хранилища), обычные типы TypeScript никак не защищают вас от ошибок времени выполнения.

😶‍🌫️ Runtypes позволяют валидировать такие данные на лету, описывая структуру через валидаторы, а не просто типы.

😶‍🌫️ Пример

Типы на TypeScript:

type Vector = [number, number, number]
type Planet = { type: "planet", location: Vector, mass: number, population: number, habitable: boolean }

Валидация через Runtypes:

import { Number, Boolean, Tuple, Literal, Object } from 'runtypes'

const Vector = Tuple(Number, Number, Number)
const Planet = Object({
  type: Literal("planet"),
  location: Vector,
  mass: Number,
  population: Number,
  habitable: Boolean,
})

Проверка данных:

Planet.check(someValue)  // выбросит ошибку, если структура не совпадает

Если структура не соответствует ожидаемой:
— выбрасывается ValidationError
— доступен объект failure с подробностями:
➡️ где именно ошибка
➡️ что ожидалось и что получено
➡️ можно использовать для i18n и UI

😶‍🌫️ Что поддерживает Runtypes

— Примитивы
— Объекты и массивы
— Кортежи
— Объединения (Union)
— Пересечения (Intersect)
— Пользовательские ограничения (например, длина массива)
— Валидация вложенных структур

😶‍🌫️ Когда пригодится

— Проверка данных из API, JSON, UI
— Сложная вложенная структура, которую нужно валидировать
— Автогенерация UI и ошибок
— Безопасность в рантайме (а не только на этапе компиляции)

🔗 GitHub: https://clc.to/H_xiTA

Библиотека питониста #буст

📱 Свежие релизы Python‑пакетов за последние 7 дней

🚨 Важное
— Phishing-атака на PyPI-пользователей — если вы публиковали пакеты на PyPI и указали email в metadata, остерегайтесь писем с темой "[PyPI] Email verification" от [email protected] (заметили подмену — pyp**j**, а не pyp**i**).

📦 Новые и заметные релизы
— llama-index 0.13.0 — интерфейс между LLM и вашими данными
— pip 25.2.0 — свежий апдейт пакетного менеджера
— keras 3.11.0 — глубокое обучение
— flax 0.11.0 — нейросети на JAX
— docutils 0.22.0 — генерация документации из reStructuredText
— trl 0.20.0 — обучение трансформеров с подкреплением
— narwhals 2.0.0 — совместимость Pandas, Polars и других DataFrame
— autogen 0.7.1 — фреймворк для агентного ИИ
— sse-starlette 3.0.0 — поддержка Server-Sent Events в Starlette
— lightning-utilities 0.15.0 — полезности для экосистемы PyTorch Lightning
— optree 0.17.0 — утилиты для PyTree-структур

🔥 Опыт других
— Парсим Авито без ограничений — создание кастомного парсера
— Старая оптимизация больше не работает — как изменения в Python ломают старые подходы

Библиотека питониста #свежак

💼 Топ-вакансий для питонистов за неделю

ML/CV python backend разработчик —‍ от 350 000 до 400 000 ₽, удалёнка

Python Backend Developer —‍ от 250 000 ₽, удалёнка

Middle Python Developer —‍ от 2800 до 3200 $, удалёнка

Senior System Engineer (Python / Golang) —‍ от 400 000 до 460 000 ₽, удалёнка

Python разработчик —‍ от 300 000 ₽, удалёнка

➡️ Еще больше топовых вакансий — в нашем канале Python jobs

Библиотека питониста

🛠 How to: писать проще в Python без лишних классов

Классы — это хорошо, когда они действительно нужны. Но в Python часто можно обойтись без них, используя более простые и питоничные решения.

Вот как можно упростить ваш код:

🔹 Нужно просто хранить данные?

Используйте @dataclass или namedtuple:

from dataclasses import dataclass

@dataclass
class Point:
    x: int
    y: int

p = Point(1, 2)

🔹 Нужна утилита без состояния?

Пишите обычные функции:

def add(a, b):
    return a + b

🔹 Хотите сгруппировать настройки или константы?

Создайте модуль:

# config.py
HOST = 'localhost'
PORT = 8080'

# main.py
import config
print(config.HOST)

🔹 Храните простое состояние?

Используйте списки или словари:

inventory = []
inventory.append('apple')

🔹 Простая трансформация данных?

Пишите через list comprehension или lambda:

result = [x * 2 for x in data]

Или:

transform = lambda data: [x * 2 for x in data]

🔹 Работаете с конфигами или сериализацией?

Воспользуйтесь стандартными модулями:

import json

config = {'host': 'localhost', 'port': 8080}
with open('config.json', 'w') as f:
    json.dump(config, f)

▶️ Когда классы действительно полезны:
• если есть состояние + поведение
• если нужен шаблон для объектов
• если проект требует наследования или композиции

▶️ Пишите просто. Пишите по-Питони.
Класс — это не всегда решение.
Иногда достаточно функции, модуля или словаря.

▶️ Подробнее можно узнать в статье: https://clc.to/onD8-Q

Библиотека питониста #буст