Python/ django

👩‍💻 Pdf-extract-API

Этот Python проект представляет собой инструмент для преобразования изображений и PDF-документов в текст в формате Markdown и JSON с высоким уровнем точности.

💡 Поддерживаются табличные данные и математические формулы.

В основе проекта лежит использование FastAPI, а для асинхронной обработки задач применяется Celery.

Для кэширования результатов оптического распознавания символов (OCR) используется Redis.

В проекте реализованы разные методы конвертации, среди которых Marker, Surya-OCR и Tesseract. Также предусмотрена функция удаления персональных данных.

✔️ Установка:
git clone https://github.com/CatchTheTornado/pdf-extract-api.git
cd pdf-extract-api

🖥 Код

@pythonl

👩‍💻 Sudoku-in-python-packaging — необычный проект, который показывает, как использовать менеджеры пакетов Python для решения судоку: каждая ячейка представляется как зависимость sudoku_{x}_{y}, где версия (1–9) соответствует числу в ячейке. CSV-файл судоку конвертируется в requirements.in, и пакетный менеджер решает зависимости, что формирует решение

🖥 Github

@pythonl

🔥 Курс по Python от Microsoft!

🌟 Курс включает основные темы, такие как работа с типами данных, функциями, циклами и ООП в Python, а также небольшие проекты, вроде создания веб приложения с использованием Flask . Этот курс рассчитан на новичков в Python. Курс переведён на русский язык, что также упрощает понимание для новичков!

#курс #python #flask

🔗 Ссылка: *клик*

@pythonl

🖥 json_repair — Python-библиотека для восстановления некорректного JSON. Она полезна при работе с данными, возвращаемыми языковыми моделями (LLM), которые часто могут возвращать неполные или некорректно форматированные JSON-строки

🌟 Библиотека исправляет эти ошибки автоматически, добавляя недостающие скобки, кавычки и исправляя простые синтаксические ошибки, сохраняя при этом контент

▪️GitHub

@pythonl

👩‍💻 TheAlgorithms/Python — коллекция алгоритмов, написанных на языке Python. Он представляет собой открытый проект, куда разработчики со всего мира вносят свой вклад, добавляя различные алгоритмы, используемые в информатике, математике и науке о данных.

🔍 Репозиторий включает в себя сотни реализаций алгоритмов в различных категориях, таких как:

🌟 Сортировка и поиск (например, быстрая сортировка, бинарный поиск).
🌟 Структуры данных (например, деревья, графы, очереди).
🌟 Алгоритмы на графах (например, поиск в глубину, поиск в ширину).
🌟 Криптография (например, шифрование, хеширование).
🌟 Алгоритмы машинного обучения и многие другие!

💡 Цель проекта — предложить обучающий ресурс, где разработчики могут изучать и понимать, как работают различные алгоритмы. Каждый алгоритм сопровождается примерами кода, а многие из них имеют детальные объяснения

🔐 Лицензия: MIT

▪️Github

@pythonl

🖥 Austin: A Frame Stack Sampler for CPython

Сэмплер кадров для CPython.

Возможно это самый лучший профилировщик для Python.

Он кроссплатформенный, используя, вам не нужно изменять профилируемый код, а его выходные данные можно передавать непосредственно в flamegraph.pl.

Он работает для CPython и написан на чистом C.

▪️Github

@pythonl

🖥 Tabled - это небольшая библиотека для обнаружения и парсинга таблиц.

Она использует surya для поиска всех таблиц в файлах в формате PDF, определения строк/столбцов и форматирования ячеек в markdown, csv или html.

▪️Github

@pythonl

⚡️Легкий способ получать свежие обновления и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь:

МАШИННОЕ ОБУЧЕНИЕ: t.me/ai_machinelearning_big_data
C++ t.me/cpluspluc
Python: t.me/python_job_interview
Хакинг: t.me/linuxkalii
Devops: t.me/DevOPSitsec
АНАЛИЗ Данных: t.me/data_analysis_ml
Javascript: t.me/javascriptv
C#: t.me/csharp_ci
Java: t.me/javatg
Базы данных: t.me/sqlhub
Linux: t.me/linuxacademiya
Python собеседования: t.me/python_job_interview
Мобильная разработка: t.me/mobdevelop
Docker: t.me/DevopsDocker
Golang: t.me/Golang_google
React: t.me/react_tg
Rust: t.me/rust_code
ИИ: t.me/vistehno
PHP: t.me/phpshka
Android: t.me/android_its
Frontend: t.me/front
Big Data: t.me/bigdatai
Собеседования МЛ: t.me/machinelearning_interview
МАТЕМАТИКА: t.me/data_math
Kubernets: t.me/kubernetc


💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy

😆ИТ-Мемы: t.me/memes_prog
🇬🇧Английский: t.me/english_forprogrammers
🧠ИИ: t.me/vistehno

🎓954ГБ ОПЕНСОРС КУРСОВ: @courses
📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy

🖥 Создание интерфейсов приложений на Python с помощью Tkinter Designer!

🌟 Узнайте, как без усилий создавать потрясающие приложения с графическим интерфейсом, не написав ни единой строчки кода!

🕞 Продолжительность: 14:08

🔗 Ссылка: *клик*

@pythonl

👩‍💻 Простая шпаргалка по работе с функциями Pandas для Data Science!

🌟 Сохрани в избранное, чтобы не потерять!

@pythonl

🖥 Hallo2:Long-Duration and High-Resolution Audio-driven Portrait Image Animation

Python-проект для портретной анимации с длительной продолжительностью и высоким разрешением.

▪ GitHub: https://github.com/fudan-generative-vision/hallo2
▪ Проект: https://fudan-generative-vision.github.io/hallo2/#/

@pythonl

🖥 Справочник FastAPI – Как разрабатывать, тестировать и развертывать API!

🌟 После прочтения этого краткого руководства вы сможете разработать API администрирования курса с использованием FastAPI и MongoDB. Вы не только будете писать API, но и тестировать и контейнеризировать приложение

🌟 В этом пошаговом проекте вы создадите бэкэнд-систему Python с использованием FastAPI, быстрого веб-фреймворка и базы данных MongoDB для хранения и поиска информации о курсе

🌟 Система позволит пользователям получать доступ к сведениям о курсе, просматривать главы, оценивать отдельные главы и составлять общие рейтинги

💡 Проект предназначен для разработчиков Python с базовыми знаниями программирования и некоторыми знаниями NoSQL. Знакомство с MongoDB, Docker и PyTest не требуется

🔗 Ссылка: *клик*

@pythonl

🖥 Python 3.12 против Python 3.13 – сравнение производительности

В этой статье описываются результаты тестирования производительности Python 3.13 по сравнению с Python 3.12.

В общей сложности было проведено 100 различных тестов на компьютерах с процессорами AMD Ryzen серии 7000 и Intel Core 13-го поколения для настольных компьютеров, ноутбуков и мини-ПК.

Все тесты были выполнены на компьютерах с Windows 11 с использованием библиотеки pay performance 1.11.0 на Python 3.12.7 и Python 3.13.0 (обе 64-разрядные версии).

Результат показывает, что Python 3.13 имеет лучшие показатели по производительности по сравнению с Python 3.12 в следующих тестах: asyncio_tcp_ssl (в 1,51 раза быстрее), async_tree_io_tg (в 1,43 раза быстрее), async_tree_eager_io (в 1,40 раза быстрее). Однако вы можете заметить снижение производительности в некоторых тестах, особенно в покрытие кода (в 3,85 раза медленнее), regex_v8 (в 1,26 раза медленнее), telco (в 1,19 раза медленнее).

🔗 Подробные тесты

@pythonl