PythonDigest
1.89K subscribers
23 photos
1 video
17.1K links
Сборник Python новостей: https://pythondigest.ru

Наш IT-тренажер: https://app.incidenta.tech/

Создано в @incidenta_tech
Download Telegram
scrapy - 2.14.1
https://pypi.org/project/scrapy/2.14.1/

Гибкий фреймворк для написания web-пауков (парсеров). Скачать можно по ссылке: https://pypi.python.org/pypi/scrapy
Эксперимент по подстройке Gemma 3 для вызова процедур
https://habr.com/ru/articles/983876/

Практический опыт тонкой настройки текстовой генерации для модели Gemma 3 с использованием QLoRA на видеокарте RTX 4090 (24 GB).
Очередь задач на Postgres: SKIP LOCKED + lease/heartbeat + backpressure (практический опыт)
https://habr.com/ru/articles/984102/

В какой-то момент на старте в нашем data-сервисе (известная в узких кругах аналитическая платформа для селлеров WB/Ozon «Таблички») стало возникать много фоновых работ: ETL‑сенсоры, сложные API‑запросы к маркетплейсам, пересчёты витрин, обслуживание «сервисных» задач. К тому же добавилась потребность сгладить пики нагрузки на БД, растянув поступающую нагрузку во времени.
Сводка pythonz 04.01.2026 — 11.01.2026
https://pythonz.net/articles/627/

А теперь о том, что происходило в последнее время на других ресурсах.
Джентльменский набор LLM-инженера: гайд по экосистеме языковых моделей
https://habr.com/ru/articles/984248/

Если PyTorch является фундаментом, настоящим Атлантом, на плечах которого держатся тензорные вычисления, то какую роль играют его помощники? В этой статье мы проведём ревизию джентльменского набора LLM инженера. Для этого мы изучим функционал, методы работы и даже заглянем в исходный код таких библиотек, как PyTorch, Transformers, Accelerate, Bitsandbytes, PEFT и Unsloth.
Гибридная нейросимвольная архитектура для превращения вероятностных ответов LLM в детерминированный код
https://habr.com/ru/articles/984126/

Нам обещали, что ИИ заменит инженеров, а дали вежливых чат-ботов, которые галлюцинируют и путаются в зависимостях. Мы потеряли cтруктуру. В этой статье я реанимирую идеи Символистов 80-х и объединяю их с мощью современных LLM.
Сервисы — место, где живет бизнес-логика II
https://habr.com/ru/articles/983228/

Вторая часть из серии статей «Сервисы — место, где живет бизнес логика». Если Вы еще не знакомы с первой частью, то рекомендую начать с нее, чтобы у вас сложилась общая картина. Сегодня мы постараемся ответить на все оставшиеся вопросы: познакомимся с прекрасной, легковесной DI-библиотекой, научимся «инжектить» в Django, посмотрим на несколько дашбордов в Кибане и поговорим про доменные модели.
Pydantic vs Adaptix – плюсы, минусы и области применения
https://habr.com/ru/articles/984630/

Современная экосистема Python переживает большую трансформацию в подходах к обработке, валидации и (де)сериализации данных. Еще совсем недавно (десять лет назад) в питоне не было аннотаций типов, все использовали ручные проверки типов, да и в принципе мало кто заморачивался с контрактами для данных.
2
Python Bytes: #465 Stack Overflow is Cooked
https://pythonbytes.fm/episodes/show/465/stack-overflow-is-cooked

Очередной выпуск англоязычного подкаста Python Bytes
Скрытая цена словарей Python и три более безопасные альтернативы
https://habr.com/ru/articles/979024/

В тексте разбираются dict, NamedTuple, dataclass и Pydantic — от быстрого прототипирования до строгой валидации данных.
👍1
Прививаем машине музыкальный вкус: фильтруем плейлист на основе предпочтений
https://habr.com/ru/articles/979484/

Однажды у меня возникла идея, что с моим музыкальным хобби мне могло бы помочь ML. Если убрать ее, то я снова смогу делать подборку в фоне и получать удовольствиеЯ не эксперт в ML, но задача вроде бы понятная - готовим датасет, берем модель, обучаем, приключение на 20 минут....сейчас, спустя год, когда мой pet-project наконец-то работает.
1
PyPDFForm: Fire: The Python Library for PDF Forms
https://github.com/chinapandaman/PyPDFForm
Тестирование LLM-приложений с DeepEval
https://habr.com/ru/articles/984968/

В этой статье я расскажу о способе написания тестов для LLM-приложений с использованием инструмента DeepEval. Рассмотрены базовые концепции данного инструмента, а также приведен пример его использования на реальном приложении c RAG. Будет теория и много примеров на Python.
Флаг вам в руки: внедряем feature flags в Django
https://habr.com/ru/companies/otus/articles/979934/

Сегодня поговорим о том, как включать и выключать функциональность в Django, не разворачивая каждый раз новый деплой. В больших проектах эту задачу решают через feature flags, такие условные флажки , которые позволяют запускать скрытые возможности лишь для части пользователей или откатывать фичи, не выкатывая заново весь код. Если вы хотите поэтапно раскатать новую функцию, сделать A/B тест или просто спрятать недоделанный модуль за переключателем, вам сюда.
CTE (Common Table Expression) / Django CTE
https://habr.com/ru/articles/984962/

Как только ты начинаешь углубляться в изучение баз данных, так сразу на горизонте возникают такие понятия как подзапросы, CTE, представления и временные таблицы. По опыту работы в университете заметил, что с этими темами у людей часто возникают проблемы и недопонимания. В частности больше всего путаницы вносит именно CTE. 
Как я перестал слушать «Unknown Artist — Track 01» и написал свой распознаватель музыки
https://habr.com/ru/articles/985320/

12 000 MP3 без тегов, 15 лет прокрастинации, один выходной на код. Асинхронный распознаватель на Python + Shazam: как обойти rate limiting, починить кривые кодировки и не съесть всю память. Код открыт.
Как написать линтер для SQL-миграций
https://habr.com/ru/companies/domclick/articles/976614/

В этой статье разберём, как и зачем проверять код миграций схемы БД и как написать свой линтер.
Макрос-клавиатура которую я делал 5 лет
https://habr.com/ru/articles/985376/

Я продолжаю рассказывать о своём большом хобби — создании идеальной макрос-клавиатуры. В прошлых статьях я делился тем, как пришёл к этой идее, с чего начал путь и какие референсы использовал на старте.Сегодня хочу показать результат этого пути — наше текущее творение. Встречайте: макрос-клавиатура 23procg тип1
🔥1
Хакатон: как мы выжали максимум из YOLO и заняли 2 место
https://habr.com/ru/articles/985728/

Задача из нашего кейса звучала так «Разработка метода определения степени загрязнения кадра, для обеспечения надежной работы камер на производстве, а также роботов-курьеров и автономных транспортных средств».