🐍 Ещё один небанальный Python-совет

В Python можно использовать __enter__ и __exit__, чтобы превратить объект в контекстный менеджер — даже для вещей, которые обычно так не используют.

Например: автоматически замерять время выполнения блока кода:

import time

class Timer:
    def __enter__(self):
        self.start = time.time()
        return self
    def __exit__(self, *args):
        print(f"⏱ Время выполнения: {time.time() - self.start:.4f} c")

with Timer():
    sum([i**2 for i in range(10_000_000)])

👉 Теперь любой код внутри with Timer(): автоматически измеряется.
Этот приём удобно применять для логирования, отката транзакций или даже временной подмены настроек.

🔍 Marker — инструмент от Datalab.to, который быстро и точно превращает документы в Markdown + JSON

Что умеет Marker:
- Поддержка PDF, изображений, PPTX, DOCX, XLSX, HTML, EPUB и др.
- Форматирует таблицы, формы, уравнения, математические выражения, ссылки, кодовые блоки.
- Извлекает изображения из документов.
- Убирает колонтитулы, заголовки, другие артефакты форматирования.
- Есть бета-версия для “структурированного извлечения” на основе схемы JSON.
- Можно включить LLM-модуль, чтобы повысить точность в сложных местах (например, объединение таблиц, корректное форматирование).

Преимущества:
- Быстрота + точность по сравнению с конкурентами (Mathpix, Llamaparse и др.).
- Работает и без LLM, но с флагом --use_llm становится ещё лучше.
- Можно запускать локально, на серверах, GPU / CPU, использовать параллельную обработку.

Ограничения и нюансы:
- Сложные макеты и вложенные таблицы / формы ещё не всегда обрабатываются идеально.
- Иногда требуется OCR, особенно если PDF плохо “разложен” на текст.

Кому полезно:
- Тем, кто работает с научными статьями, отчётами, бухгалтерскими документами, презентациями и хочет автоматизировать преобразование в читаемый формат.
- Для RAG-pipelines, документации и любых задач, где надо извлечь структуру и контент.

https://github.com/datalab-to/marker

🚀 Python Pro совет

Хотите красиво печатать JSON прямо в терминале?
Необязательно ставить внешние утилиты — всё есть в стандартной библиотеке:

# Форматирование JSON из файла
python -m json.tool data.json

# Или из пайплайна
cat data.json | python -m json.tool | less

💡 Очень удобно, когда нужно быстро проверить структуру или отладить API-ответ.
Можно добавить | jq для ещё более гибкой фильтрации.

🔥 Продвинутый Python-трюк для работы с сетями: асинхронные запросы через asyncio + aiohttp

Когда нужно сделать десятки или сотни запросов к API или сайтам, обычный requests становится узким местом. Асинхронный подход позволяет обрабатывать множество соединений параллельно и резко ускоряет работу.

import asyncio
import aiohttp

urls = [
    "https://example.com",
    "https://httpbin.org/get",
    "https://api.github.com"
]

async def fetch(session, url):
    async with session.get(url) as resp:
        return url, await resp.text()

async def main():
    async with aiohttp.ClientSession() as session:
        tasks = [fetch(session, url) for url in urls]
        for result in await asyncio.gather(*tasks):
            print(f"✅ {result[0]} → {len(result[1])} символов")

asyncio.run(main())

📌 Что это даёт
⚡️ Сотни запросов обрабатываются почти одновременно
📉 Меньше блокировок — больше пропускная способность
🔧 Легко масштабируется для парсеров, мониторинга сервисов, чатов и API-интеграций

🔥 Этот приём используют в реальных продакшн-системах, где нужно работать с большим количеством сетевых соединений.

Регистрация подходит к концу — не пропусти AIDAO, международную олимпиаду по ИИ и анализу данных от Яндекс Образования и ФКН НИУ ВШЭ

Главные призы: 1 млн рублей и преимущества при поступлении в магистратуры ФКН ВШЭ.

— Задачи с реальными данными
— Два этапа: онлайн и финал в офлайне, в Москве.
— Общение с экспертами и сотрудниками научных лабораторий, возможность стать частью международного комьюнити студентов.

🚀 Собирайте команду и регистрируйтесь по ссылке до 30 сентября

🚀 CUDA Kernel Benchmarking Made Easy

robust-kbench предоставляет мощный набор инструментов для оценки и валидации CUDA-ядров, созданных с помощью больших языковых моделей. Он решает проблемы традиционных бенчмарков, предлагая надежные критерии оценки и проверку корректности.

🚀Основные моменты:
- Многочисленные настройки инициализации для более точной оценки
- Проверка корректности с учетом различных конфигураций входных данных
- Профилирование производительности для реальных сценариев
- Защита от манипуляций входными данными

📌 GitHub: https://github.com/SakanaAI/robust-kbench

#python