Python Portal

Я только что нашёл сайт, который объясняет HTTP-коды… через мемы.

200, 404, 500 и вся эта банда.

Учить HTTP таким способом надо прямо на первом курсе программирования.

→ http://github.com/keijeizei/httpmemes

👉 @PythonPortal

Разработчики ядра Python предлагают сделать язык программирования Rust жёсткой зависимостью для Python.

Конкретно речь идёт о CPython (де-факто эталонной реализации Python)

Такая зависимость от Rust фактически сделает невозможным современный Python на ряде платформ, не поддерживаемых Rust (включая RiscOS, PPC-Mac’и, некоторые версии CentOS и другие)

👉 @PythonPortal

Как получить минимальное и максимальное значения последовательности в Python, используя встроенные функции.

Обрати внимание: обе функции поддерживают удобный параметр default, который можно задать на случай, если последовательность окажется пустой.

👉 @PythonPortal

Когда фиксишь один баг, но тут прилетает новый

👉 @PythonPortal

Oxylabs это довольно известная компания в сфере веб-скрейпинга с десятилетним опытом.

Они выпустили Python-пакет для веб-парсинга. С его помощью можно вытаскивать данные из e-commerce сайтов, поисковиков, сервисов недвижимости и многого другого.

Вот простой пример парсинга результатов Bing:

from oxylabs import RealtimeClient

# Указываем данные для авторизации в Oxylabs API
username = "username"
password = "password"

# Создаем Realtime-клиент с нашими кредами
client = RealtimeClient(username, password)

# Используем bing_search, чтобы получить результаты Bing по запросу "nike"
result = client.bing.scrape_search("nike")

# Выводим сырые данные (как есть)
print(result.raw)

Oxylabs умеет работать практически с любыми сайтами, но у них есть отдельные, более заточенные API для популярных площадок:

- Amazon
- Google
- Google Shopping
- Bing
- Kroger
- Wayfair
- YouTube Transcript

Подробнее про Oxylabs можно узнать на их сайте
Если нужен только Python-пакет для веб-скрейпинга, его можно найти на GitHub

👉 @PythonPortal

Большая новость: теперь Google Colab можно запускать прямо внутри VS Code.

То есть можно писать код в нормальном редакторе, а ноутбук подключать к Colab GPU/TPU окружению для ML/AI задач.

Настройка занимает пару минут. И бесплатно.

Как стартануть:

1. Ставишь расширение Google Colab из Marketplace в VS Code
2. Открываешь .ipynb
3. Выбираешь ядро Colab
4. Авторизуешься и всё, поехали

👉 @PythonPortal

Junior нам не нужен, нам нужен младший разработчик

👉 @PythonPortal

Совет по чистым тестам в Python:

В большинстве случаев твои тесты должны покрывать:

- все happy path сценарии
- edge/corner/boundary кейсы
- негативные тесты
- проверки на безопасность и некорректные вводы

import uuid
from dataclasses import dataclass
from typing import Optional


@dataclass
class User:
    username: str


class InMemoryUserRepository:
    def __init__(self):
        self._users = []

    def add(self, user: User) -> None:
        self._users.append(user)

    def search(self, query: Optional[str] = None) -> list[User]:
        if query is None:
            return self._users
        else:
            return [
                user
                for user in self._users
                if query in user.username
            ]


# happy path
def test_search_users_without_query_lists_all_users():
    user1 = User(username="john@doe.com")
    user2 = User(username="marry@doe.com")
    repository = InMemoryUserRepository()
    repository.add(user1)
    repository.add(user2)

    assert repository.search() == [user1, user2]


# happy path
def test_search_users_with_email_part_lists_all_matching_users():
    user1 = User(username="john@doe.com")
    user2 = User(username="bob@example.com")
    user3 = User(username="marry@doe.com")
    repository = InMemoryUserRepository()
    repository.add(user1)
    repository.add(user2)
    repository.add(user3)

    assert repository.search("doe") == [user1, user3]


# edge test case
def test_search_users_with_empty_query_lists_all_users():
    user1 = User(username="john@doe.com")
    user2 = User(username="marry@doe.com")
    repository = InMemoryUserRepository()
    repository.add(user1)
    repository.add(user2)

    assert repository.search("") == [user1, user2]


# negative test case
def test_search_users_with_random_query_lists_zero_users():
    user1 = User(username="john@doe.com")
    repository = InMemoryUserRepository()
    repository.add(user1)

    assert repository.search(str(uuid.uuid4())) == []


# security test
def test_search_users_with_sql_injection_has_no_effect():
    user1 = User(username="john@doe.com")
    repository = InMemoryUserRepository()
    repository.add(user1)

    repository.search("DELETE FROM USERS;")
    assert repository.search() == [user1]

👉 @PythonPortal

Теперь в Minecraft можно генерировать 3D-объекты по одному промпту.

Мод Falcraft добавляет в игру продвинутый AI. Можно на лету менять текстуры блоков через NanoBanana или генерировать целые 3D-структуры одной командой прямо во время игры. 🌟

Скачать на GitHub: https://github.com/blendi-remade/falcraft?tab=readme-ov-file

👉 @PythonPortal

Ловите очередной полезный гайд

👉 @PythonPortal

Представляю Goldman Sachs GS-Quant

Python-инструментарий для количественного анализа, созданный Goldman Sachs.

GS Quant — это Python-набор инструментов для квант-финансов, построенный на базе одной из самых мощных платформ управления рисками.

GS Quant создан для ускорения разработки квант-трейдинговых стратегий и решений для риск-менеджмента. В его основе более 25 лет опыта работы на глобальных рынках.

Чтобы получить доступ к API, нужен client id и secret. Они доступны только институциональным клиентам Goldman Sachs.

Исходники GS-Quant можно найти на GitHub:
https://github.com/goldmansachs/gs-quant

👉 @PythonPortal

78 тем, которые необходимо освоить в области Data Science

👉 @PythonPortal

Весь мир: простая понятная капча
Китайцы: почисть лоток

👉 @PythonPortal

Сегодня разработчики представили новый формат данных под названием TOON. Его уже успели окрестить сменщиком JSON. Идея простая: дать ИИ понятный, компактный и быстрый формат без лишнего мусора и перегруженной структуры.

TOON экономит токены, ускоряет обработку и уменьшает объем передаваемых данных. По заявлениям авторов, формат оптимизирован не только для хранения, но и для взаимодействия с моделями искусственного интеллекта, включая гибридные и мультимодальные системы.

Поддержка уже заявлена для JavaScript, Python, Rust, Java и еще нескольких языков, а значит разработчики могут попробовать формат прямо сейчас, без ожидания экосистемы и сторонних библиотек.

Goodbye JSON, hello TOON. 🌟

👉 @PythonPortal

Знаешь, что неприятно реализовывать в Python?

Функцию скользящего среднего.

Ручное хранение всех значений в окне, тот ещё гемор.

Если только ты не используешь collections.deque.

Её параметр maxlen позволяет автоматически выбрасывать лишние значения из окна.

👉 @PythonPortal

Nano-vLLM - облегченная реализация vLLM, созданная с нуля.

Это минималистичный движок для инференса LLM размером примерно 1200 строк кода на Python, который при этом показывает производительность на уровне vLLM и иногда даже выше.

Главная идея простая - дать быстрый, понятный и лёгкий движок, который можно разобрать буквально за вечер и адаптировать под свои задачи. Поддерживается кеширование, тензорный параллелизм и работа на GPU. Работает локально, без зависимости от облаков.

На тестах с моделью Qwen3-0.6B и 256 параллельными запросами Nano-vLLM показал скорость 1314.65 токенов/с против 1353.86 у vLLM. Разница не превышает 3%, при этом код Nano-vLLM проще и доступнее для модификаций.

Интерфейс совместим с vLLM, за исключением метода генерации. Примеры использования включены в репозиторий.

👉 @PythonPortal

Опытных видно сразу

👉 @PythonPortal

Когда атрибут определён и в экземпляре, и в классе, при обращении Python всегда берет значение из экземпляра.

Атрибут класса используется только если в экземпляре его нет.

class Warehouse:
    purpose = "storage"
    region = "west"

w1 = Warehouse()
print(w1.purpose, w1.region)   # storage west

w2 = Warehouse()
w2.region = "east"
print(w2.purpose, w2.region)   # storage east

👉 @PythonPortal

Фотоскрейпинг наконец-то подъехал!

В новом v2 эндпоинте Firecrawl теперь можно тянуть картинки с сайтов. Подходит для мультимодальных LLM-приложений, дообучения моделей и прочих задач.

Можно навесить фильтры по разрешению, соотношению сторон или типу изображения.

Уже больше 66 тысяч звезд на GitHub 😁

👉 @PythonPortal