Python/ django

💼 ru-test-assignments - большая база реальных тестовых заданий от IT-компаний

ru-test-assignments - это открытая коллекция настоящих тестовых заданий, которые кандидаты получали на собеседованиях в российских IT-компаниях.

Без абстрактных задач «в вакууме» только то, что реально спрашивают.

Что внутри 👇
• Сотни заданий по направлениям:
Frontend, Backend, QA, Android, iOS, Data Science, DevOps
• Компании из топа рынка:
Avito, Яндекс, Тинькофф, Сбер, Ozon, VK и другие
• Разные языки и стеки:
Python, JavaScript, Go, Java, PHP, Ruby, C#
• Готовые задания можно прикреплять в портфолио (например, через Hexlet CV)

Почему это полезно:
- понимаешь реальные требования рынка
- тренируешься на задачах уровня интервью
- закрываешь пробелы в стеке
- усиливаешь портфолио без выдуманных кейсов

Отличный ресурс для подготовки к собеседованиям и оценки своего уровня.

https://github.com/Hexlet/ru-test-assignments

⚡️ Все шпаргалки для программистов в одном месте.

Внутри много полезного: короткие, понятные подсказки по языкам, технологиям и фреймворкам.

Без регистрации и бесплатно.

https://overapi.com/

@pythonl

🖥 PYTHON СТАРТЕР ДЛЯ ЛЮБОГО ПРОЕКТА

Сохраняй себе это - и используй каждый раз, когда начинаешь новый Python-проект.

Перед тем как писать код, сделай 5 вещей:
- создай правильную структуру проекта
- подними виртуальное окружение
- закрепи зависимости (requirements/poetry)
- добавь линтер и форматтер, чтобы код сразу был норм
- вынеси секреты в .env, а не в код

Это экономит часы на дебаге и делает проект “взрослым” с первой минуты.

1) создать папку проекта
mkdir my_project && cd my_project

2) виртуальное окружение
python -m venv .venv
source .venv/bin/activate

3) базовые файлы
touch main.py requirements.txt .env .gitignore

4) gitignore + env
echo ".venv/
__pycache__/
.env
*.pyc" > .gitignore

# 5) полезный стартовый набор
pip install -U pip
pip install ruff black python-dotenv

https://www.youtube.com/shorts/lnKQ_2UjOfw

🖥 БЫСТРЫЙ СЕРВЕР ДЛЯ PYTHON ЗА 5 МИНУТ

Нужно быстро поднять сервер под Python-проект без лишней возни?
Ставим системные пакеты, создаём отдельного пользователя, настраиваем venv, делаем systemd-сервис и сразу получаем автозапуск + рестарт при падении.

Идеально для FastAPI / Flask / любых API и ботов.

sudo apt update && sudo apt install -y python3-venv python3-pip nginx
sudo useradd -m -s /bin/bash app && sudo mkdir -p /opt/app && sudo chown -R app:app /opt/app
sudo -u app bash -lc 'cd /opt/app && python3 -m venv venv && ./venv/bin/pip install -U pip uvicorn fastapi'

sudo tee /etc/systemd/system/app.service >/dev/null <<'EOF'
[Unit]
After=network.target

[Service]
User=app
WorkingDirectory=/opt/app
ExecStart=/opt/app/venv/bin/uvicorn main:app --host 0.0.0.0 --port 8000
Restart=always

[Install]
WantedBy=multi-user.target
EOF

sudo systemctl daemon-reload
sudo systemctl enable --now app
sudo systemctl status app --no-pager

https://www.youtube.com/shorts/cbUNWU1Sbsc

📹 Загрузчик видео с YouTube и других платформ

tuitube — это текстовый интерфейс для загрузки видео с YouTube, 𝕏, Twitch, Instagram и Bilibili с использованием yt-dlp. Удобный инструмент для тех, кто предпочитает командную строку.

🚀 Основные моменты:
- Поддержка множества видео платформ
- Использует yt-dlp для загрузки
- Простой текстовый интерфейс
- Легко настраивается и использует командную строку

📌 GitHub: https://github.com/remorses/tuitube

#python

🤖 talk-to-girlfriend-ai - AI-агент для помощи в переписке через Telegram

Это проект Telegram-бота/агента, который помогает придумывать умные и уместные ответы
в переписке — анализирует контекст и предлагает варианты ответа.

Что умеет AI:

- пишет ответы на основе диалога
- генерирует фразы для старта разговора
- помогает формулировать сообщения более интересно
- даёт советы, как поддерживать беседу
- умеет читать и отправлять сообщения через Telegram API

⚡️ Как работает:

- CLI-агент на TypeScript
- мост на Python для работы с Telegram
- AI-ядро (модель)
- semantic search для поиска подходящих фраз

📌 Репозиторий: https://github.com/arlanrakh/talk-to-girlfriend-ai

🚀 Умный плагин для Claude Code

Claude Workflow — это универсальный плагин, который включает специализированные агенты и навыки для автоматизации разработки программного обеспечения. Он помогает в координации задач, анализе кода, написании документации и обеспечении безопасности.

🚀 Основные моменты:
- 7 специализированных агентов для различных задач
- 6 знаний для улучшения проектирования и тестирования
- Поддержка нескольких стилей вывода через слэш-команды
- Автоматизация с помощью хуков для повышения безопасности и качества кода

📌 GitHub: https://github.com/CloudAI-X/claude-workflow

🚀 Модели IQuest-Coder-V1 для автономного программирования

IQuest-Coder-V1 — это семейство больших языковых моделей, предназначенных для улучшения автономного программирования и интеллектуального анализа кода. Модели используют инновационную многослойную парадигму обучения, обеспечивая выдающиеся результаты на ключевых бенчмарках.

🚀 Основные моменты:
- Достигает лучших результатов на SWE-Bench и других бенчмарках.
- Обучение на основе динамики изменений в репозиториях.
- Два специализированных направления: Thinking и Instruct модели.
- Поддержка контекста до 128K токенов.
- Эффективная архитектура с рекуррентным механизмом.

📌 GitHub: https://github.com/IQuestLab/IQuest-Coder-V1

#python

⚡️ Приём на Python под высокой нагрузкой: ограничивай конкуренцию сам, а не доверяй это ОС.

Вместо тысячи одновременных задач делай очередь + фиксированное число воркеров.

Так ты:

- не убиваешь БД/внешний сервис шторма́м запросов
- контролируешь задержки
- получаешь естественный backpressure

Пример для I/O-нагрузки (HTTP запросы) с asyncio:

import asyncio
import aiohttp
from time import perf_counter

URLS = [
    "https://example.com"
    for _ in range(10_000)  # много запросов под нагрузкой
]

MAX_CONCURRENCY = 100  # ограничиваем параллелизм
QUEUE_SIZE = 1_000      # ограничиваем длину очереди (backpressure)


async def worker(name: int, queue: asyncio.Queue, session: aiohttp.ClientSession):
    while True:
        url = await queue.get()
        if url is None:  # сигнал завершения
            queue.task_done()
            break

        try:
            async with session.get(url, timeout=5) as resp:
                await resp.text()  # или resp.read()
                # здесь твоя логика обработки
        except Exception as e:
            # логируй, но не падай
            print(f"[worker {name}] error: {e}")

        queue.task_done()


async def main():
    queue = asyncio.Queue(maxsize=QUEUE_SIZE)

    async with aiohttp.ClientSession() as session:
        # поднимаем ограниченное число воркеров
        workers = [
            asyncio.create_task(worker(i, queue, session))
            for i in range(MAX_CONCURRENCY)
        ]

        # кидаем задачи в очередь
        for url in URLS:
            await queue.put(url)

        # шлём сигнал завершения воркерам
        for _ in workers:
            await queue.put(None)

        # ждём, пока всё отработает
        await queue.join()

        # аккуратно завершаем воркеров
        for w in workers:
            await w


if __name__ == "__main__":
    t0 = perf_counter()
    asyncio.run(main())
    print(f"Done in {perf_counter() - t0:.2f}s")

Суть приёма:

Вместо «одна корутина на каждый запрос» ты держишь фиксированный пул воркеров.

Очередь с maxsize работает как предохранитель: если бэкенд/БД не успевают, продюсер начинает тормозиться.

Такой подход гораздо стабильнее под всплесками трафика, чем голый gather на десятки тысяч задач.

@pythonl

🔥 Год ChatGPT Plus бесплатно: экономим 20 000 рублей

Нашли рабочую лазейку в правилах OpenAI.
Вы получаете полноценный аккаунт без лимитов и с доступом ко всем топовым моделям.
Инструкция (займет 2 минуты):

1️⃣ Переходим на сервис временной почты: https://em.bjedu.tech/en/
2️⃣ Важно: в списке доменов выбираем erzi me.
3️⃣ Регистрируем новый аккаунт ChatGPT на этот адрес.
4️⃣ Получаем код подтверждения в почту - готово!

⚡️ Проверили, пока еще работает

Или всегда можно воспользоваться ботом в тг 😂

@pythonl

📄🚀 Qwen-Doc: Открытые проекты по пониманию документов

Qwen-Doc — это репозиторий, посвященный ИИ для работы с документами, разработанный командой Tongyi-Zhiwen. Здесь собраны исследования и практики, направленные на улучшение обработки сложных документов с помощью современных технологий, включая обучение с подкреплением и долгосрочное понимание контекста.

🚀Основные моменты:
- Модели для долгосрочного понимания документов.
- Использование обучения с подкреплением для улучшения ИИ.
- Открытые данные и методологии для сообщества.
- Проекты QwenLong-L1 и QwenLong-L1.5 с передовыми алгоритмами.
- FRAMEWORK SPELL для автономного генерации обучающих данных.

📌 GitHub: https://github.com/Tongyi-Zhiwen/Qwen-Doc

#python

🧮 CoolCalculator: Мини-язык программирования для вычислений

CoolCalculator — это консольный калькулятор, который поддерживает пользовательские переменные и функции, рекурсию и локальные области видимости. Он предназначен для изучения парсинга и оценки выражений, а не только для численных вычислений.

🚀Основные моменты:
- Поддержка пользовательских переменных и функций
- Рекурсивные вызовы и перегрузка функций
- Многострочный ввод и последовательное выполнение
- Автоматическое создание несуществующих переменных
- Удобный синтаксис для работы с выражениями

📌 GitHub: https://github.com/YaroslavPryatkin/CoolCalculator

⚡️ Wavelet Matrix - структура данных, которая делает сложные запросы быстрыми

Wavelet Matrix позволяет хранить последовательности так,
чтобы работать с ними молниеносно и компактно.

🔥 Что умеет библиотека:

- rank - сколько раз элемент встречается до позиции
- select - где находится k-е вхождение элемента
- quantile - k-й по величине элемент на отрезке
- top-k - самые частые элементы на диапазоне

И всё это — за логарифмическое время и с экономией памяти.

Чем полезен

- работает быстрее, чем наивные структуры
- меньше памяти, чем обычные массивы
- подходит для поиска, индексирования, сжатия, аналитики

Wavelet Matrix - это пример того,
как «умные» структуры данных дают реальные ускорения,
а не просто красивая теория.

Если интересуешься алгоритмами -
этот репозиторий точно стоит сохранить.

Репозиторий: https://github.com/math-hiyoko/wavelet-matrix

@pythonl

🐍 Стоит ли аннотировать каждую переменную в Python?

Разберёмся спокойно и без фанатизма.

Что вообще такое аннотации типов

В Python можно указывать типы у переменных, аргументов и функций.

Это помогает IDE, линтерам и статическим анализаторам находить ошибки в коде.

Простой пример:

x: int = 10
name: str = "Alice"

Аргументы ЗА аннотации везде
• код становится явнее
• IDE лучше подсказывает
• меньше скрытых ошибок
• полезно в больших проектах и командах

Аргументы ПРОТИВ
• код становится грязнее
• в простом коде типы и так очевидны
• аннотации отвлекают от логики программы
• иногда разработчики подгоняют код под типы, вместо хорошего дизайна программы

Например, так делать смысла мало:

a: int = 0      # избыточно
count = 0       # и так понятно

Но если структура сложная, аннотация действительно помогает:

result: dict[str, list[int]] = {}

Где же истина
Опытные разработчики сходятся на том, что:

✔ аннотировать функции, API и сложные структуры - полезно
✖ аннотировать каждую локальную переменную - перебор


Аннотации - это инструмент для ясности, а не чек-лист, который нужно заполнять до последней строчки.

Используй их там, где они помогают понять коди не заставляй Python выглядеть как Java ради галочки 🙂

⚡️ Подробнее: https://uproger.com/🐍-nuzhno-li-annotirovat-kazhduyu-peremennuyu-v-pythonpodrobnyj-razbor-bez-fanatizma/

@pythonl

⚡️ Qcrawl - простой и быстрый веб-краулер

Qcrawl - это open-source проект краулера, написанный на Python, предназначенный для эффективного сбора страниц из интернета и обработки ссылок.

Это:
• легковесный веб-краулер
• ориентирован на масштабируемость и простоту

Основные возможности
• параллельная загрузка страниц
• polite crawling (учёт robots.txt, ограничения на частоту запросов)
• управление глубиной обхода
• обработка и нормализация ссылок
• гибкая архитектура для кастомных обработчиков контента

• подходит для задач сбора данных из веба
• хорошая база для собственных crawler-ботов
• легко адаптируется под свои сценарии (парсинг, индексация, анализ)

Репозиторий содержит примеры запуска, конфигурации глубины и очередей, а также модули для безопасной загрузки страниц.

Если вам нужен краулер без лишнего «тяжелого» функционала, Qcrawl может стать отличной отправной точкой.

GitHub: github.com/crawlcore/qcrawl

🧩 dataclass vs Pydantic - большая разница в валидации данных

Когда ваши Python-модели растут, dataclass быстро превращается в ад из if-else внутри post_init:

❌ ручные проверки
❌ раздувающийся код
❌ сложнее читать и поддерживать

Pydantic решает это элегантно:

✅ встроенные ограничения прямо в определении полей
✅ автоматическая валидация
✅ понятные сообщения об ошибках

То, что dataclass требует вручную - Pydantic делает автоматически.

Если вы работаете с API, формами, БД или конфигурациями - Pydantic почти всегда лучше выбор.

@pythonl

👩‍💻 Репозиторий с вопросами для собеседований по Python без воды и сюрпризов

Собеседование по Python - это не только рассказ про проекты.

Чаще всего проверяют базу и понимание деталей:
почему is — не ==, как работают генераторы, что происходит с памятью и где подводные камни ООП.

Для этого есть отличный репозиторий python_interview_questions.

Что внутри 📌
- часто задаваемые вопросы для junior, middle и выше
- теория с понятными объяснениями
- примеры кода, а не сухие определения
- темы от синтаксиса до внутренних механизмов Python

Зачем он реально полезен ⚡️
- помогает разобраться в «подкапотной» логике языка
- учит формулировать ответы, а не просто знать факт
- идеально подходит для быстрого повторения перед интервью
- снижает риск растеряться на каверзных вопросах

Хороший способ системно подготовиться к Python-собесу и понять, где у тебя слабые места.

https://github.com/yakimka/python_interview_questions

🎤 Инновационная система распознавания речи Fun-ASR

Fun-ASR — мощная модель распознавания речи, обученная на миллионах часов аудиоданных. Она поддерживает 31 язык и обеспечивает высокую точность в сложных условиях, таких как шумные помещения. Модель адаптирована для профессиональных терминов в таких областях, как образование и финансы.

🚀 Основные моменты:
- Высокая точность распознавания до 93% в шумных условиях.
- Поддержка 31 языка с акцентом на восточноазиатские языки.
- Оптимизация для распознавания диалектов и региональных акцентов.
- Способность распознавать текст песен на фоне музыки.

📌 GitHub: https://github.com/FunAudioLLM/Fun-ASR

@pythonl

#python