❓ Что выведет этот код?

Не торопитесь — код любит внимание.

Ответ: ➡️ спрятан здесь

🐸 Библиотека питониста

#буст

🦾 А что если ускорить Python в 37 раз… одной строкой кода?

Оптимизировать медленные функции в большом Python-проекте — боль.

Numba? Отлично, если у вас численные вычисления и NumPy.

Cython? Мощно, но .pyx, аннотации типов, сборка — прежде чем увидеть прирост, можно потратить полдня (а то и больше).

Codon реально удивил.

Добавляешь всего один декоратор @codon.jit, и функция компилируется прямо в машинный код. Без переписывания, без аннотаций, без шаманства.

Почему это круто:
• Работает с обычным Python-кодом, не только с NumPy
• Типы выводятся автоматически
• Скомпилированные функции кэшируются
• По сути — никаких изменений в коде, кроме декоратора

📦 Репозиторий
☕️ Потыкать руками

Если кто уже пробовал Codon в проде — поделитесь впечатлениями 👀

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

📱 Python новости за последние 7 дней

Как я писал книгу «Python для инженерных задач»
Автор честно рассказывает, как из практики, боли и реальных кейсов рождается книга. Полезно тем, кто думает, что «когда-нибудь тоже напишет» — сразу становится понятно, почему это долго и почему всё равно стоит.

11 Python-скриптов, которые изменят вашу рутину
Подборка из разряда «почему я не писал так раньше». Ничего революционного, но именно такие мелочи в итоге экономят часы — особенно если вы живёте в терминале.

Свежий обзор: топ библиотек 2025
Ежегодный дайджест экосистемы — хороший способ быстро сверить часы: чем реально пользуются, а что осталось в твиттере. Отличный материал, чтобы обновить mental map Python-мира.

ty — новый сверхбыстрый type checker и LSP для Python (beta)
Astral продолжают наступление: после Ruff — ty. Rust под капотом, ставка на скорость и инкрементальность. Пока beta, но если mypy и Pyright вам кажутся «тяжеловатыми», стоит присмотреться.

Pandas 3.0 почти здесь — вышел первый RC
Большие изменения давно назревали, экосистема явно готовится к апгрейду.

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#свежак

📱 Коротко о том, что нового в Python 3.15

Почитали свежие What’s New in Python 3.15 — версия ещё альфа, но изменений уже много и некоторые из них прям радуют.

Вот что лично бросилось в глаза 👇

1️⃣ Профилирование стало намного мощнее

В Python появился отдельный пакет profiling.

Самое интересное — Tachyon, новый статистический профайлер:
— можно подключаться к уже запущенному процессу по PID
— почти нулевой overhead (до 1 000 000 Hz семплинга 😳)
— подходит для продакшена, где раньше профилировать было страшно
— flamegraph, heatmap, live-режим, async-aware — всё из коробки

Если коротко: профилировать Python в проде теперь реально удобно.

2️⃣ JIT снова прокачали

JIT в CPython стал заметно умнее:
— новый tracing-frontend
— базовое распределение регистров
— меньше reference counting
— лучше генерация машинного кода
— LLVM 21 под капотом

По бенчмаркам — в среднем +3–4%, но в отдельных местах ускорения доходят до 2×.

Это всё ещё не «Python стал C++», но направление очень правильное.

3️⃣ Ошибки стали объяснять по-человечески

Теперь AttributeError может подсказать путь:

Did you mean: inner.area?

Мелочь, а приятно. Особенно в больших объектах и dataclass’ах.

4️⃣ UTF-8 теперь всегда по умолчанию

Python окончательно сказал: «Хватит сюрпризов с кодировками». Если не указали encoding= — будет UTF-8.

Старое поведение можно отключить, но в целом это шаг к меньшему количеству багов.

5️⃣ Много чистки и аккуратных улучшений

— bytearray.take_bytes() — можно забирать bytes без копирования
— улучшения в argparse, sqlite3, difflib, ssl, collections
— куча deprecated-вещей наконец-то готовятся к удалению
— C API стал чище и логичнее

Версия ещё prerelease, но уже понятно — Python 3.15 не про «косметику», а про инструменты, производительность и удобство разработки.

Если интересно, вот официальная страница релиза:
👉 What’s new in Python 3.15

👀 Как впечатления? Что из этого ждёте больше всего — Tachyon или улучшенный JIT?

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

☸️ kubesdk — современный Kubernetes-клиент для Python

kubesdk — async-first Kubernetes client + генератор API-моделей для Python.

Проект делался с прицелом на большие multi-cluster окружения, где важны производительность, типы и нормальный DX, а не бесконечная борьба с YAML и dict[str, Any].

Что делает kubesdk удобным:
— Async-first API — отлично ложится на современные Python-сервисы
— Полная типизация — автокомплит работает не только для built-in ресурсов, но и для ваших CRD
— IDE-friendly — наконец можно работать с Kubernetes API без угадывания полей
— Минимум зависимостей — только aiohttp и PyYAML

⬇️ Архитектура из трёх пакетов

1️⃣ kubesdk — основная клиентская библиотека, которую вы используете в коде.

2️⃣ kube-models — отдельный пакет с предсгенерированными Python-моделями для всех upstream Kubernetes API:
⏺️ Поддержка Kubernetes 1.23+
⏺️ Все API собраны в одну версию пакета

Можно использовать:
➡️ новый клиент со старым кластером
➡️ старые модели с новой версией клиента

Модели автоматически генерируются и публикуются во внешний репозиторий, чтобы не раздувать основной repo.

3️⃣ kubesdk-cli

CLI-инструмент для генерации моделей:
➡️ из живого кластера
➡️ из OpenAPI-спеки
➡️ включая ваши собственные CRD

📱 Github

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

💾 Git шпаргалка

Этот визуальный cheat sheet помогает разобраться, как Git реально работает, и держит под рукой самые важные концепции и команды.

📌 Полезно сохранить.

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

кто понял, лайк 👍

🐸 Библиотека питониста

#развлекалово

🧩 whitespace: как пробелы делают Python-код читаемым

Код легче всего читать сразу после написания. Через месяц — уже нет.

И главный союзник читаемости — whitespace (пробелы и переносы строк).

✅ Пробелы вокруг операторов

Плохо:

result = a**2+b**2+c**2

Лучше:

result = a**2 + b**2 + c**2

Слишком много:

result = a ** 2 + b ** 2 + c ** 2

👉 Пробелы должны подчёркивать смысл, а не ломать группы.

✅ Переносы строк внутри скобок

Python игнорирует переносы внутри () [] {} — используйте это.

Слишком плотный код:

print("I like", " and ".join(sorted(fruits)), "but only certain pears")

Читаемо:

print(
    "I like",
    " and ".join(sorted(fruits)),
    "but only certain pears",
)

✅ List comprehensions — по логике, не по длине строки

В одну строку:

html_files = [p.name for p in paths if p.suffix == ".html"]

По смысловым блокам:

html_files = [
    p.name
    for p in paths
    if p.suffix == ".html"
]

✅ Цепочки вызовов — каждая операция на своей строке

Тяжело читать:

books = Book.objects.filter(...).select_related(...).order_by("title")

Ясная последовательность:

books = (
    Book.objects.filter(author__in=favorite_authors)
    .select_related("author", "publisher")
    .order_by("title")
)

✅ Списки и словари — по одному элементу

MONTHS = {
    "January": 1,
    "February": 2,
    "March": 3,
    # ...
}

👉 Trailing comma помогает форматтерам и будущим правкам.

✅ Пустые строки = визуальные блоки

Используйте их, чтобы отделять смысл:

def process():
    data = load_data()

    cleaned = clean(data)

    return analyze(cleaned)

Но не переусердствуйте — не каждый перенос улучшает код.

➡️ Полный гайд по пробелам

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

🖥 Топ-вакансий для питонистов за неделю

Python-разработчик — от 130 000 до 180 000 ₽, удалёнка

Backend-разработчик — от 200 000 до 300 000 ₽, удалёнка

Senior Python developer, удалёнка

🔛 Еще больше топовых вакансий — в нашем канале Python jobs

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

💡 Как сделать сложные regex читаемыми с помощью Pregex

Регулярные выражения вроде:

[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}

работают отлично… но читать и поддерживать их — то ещё удовольствие.

Особенно тяжело, если:
🔛 код смотрит не автор,
🔛 в команде есть люди без опыта с regex,
🔛 нужно что-то быстро поправить или расширить.

Pregex решает эту проблему, превращая регулярки в понятный Python-код из описательных блоков.

Установка:

pip install pregex

Если регулярно сталкиваетесь с regex в проде — стоит посмотреть.

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

❓ Как вывести веб-приложение в продакшн

Подкаст о том, как запускать свои Python-проекты масштабируемо и эффективно — минимальный overhead, максимум контроля и разумная стоимость.

🎧 Слушать

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

⚡️ psp — быстрый старт Python-проекта

psp (Python Scaffolding Projects) — ультрабыстрый CLI-инструмент для создания структуры Python-проектов.

Написан на Rust, поэтому работает в разы быстрее привычных scaffolding-тулов.

Что умеет:
✅ в 1–100 раз быстрее аналогов
✅ сразу работает с pyproject.toml и Python 3.14
✅ генерирует файлы и структуру проекта
✅ поддержка unittest, pytest, tox и CI
✅ генерирует Dockerfile / Containerfile
✅ инициализация git, .gitignore, GitHub/GitLab
✅ README, LICENSE, CONTRIBUTING и прочая база

Подходит, если хочется быстро и аккуратно начать Python-проект, без ручной возни с шаблонами и конфигами.

🔗 Проект: https://clc.to/ZDiQfA

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст

🐸 Библиотека питониста

#развлекалово

ℹ️ Как `@dataclass` работает внутри — с примерами

В статье автор шаг за шагом пересобирает упрощённый @dataclass, показывая ключевые идеи.

➡️ Dataclass не оборачивает класс

В отличие от обычных декораторов, он:
— читает метаданные класса
— добавляет методы прямо в этот же класс
— возвращает тот же объект

def dataclass(cls):
    # модифицируем cls
    return cls

➡️ Поля берутся из __annotations__

Все поля dataclass — это просто type hints:

class User:
    name: str
    age: int

print(User.__annotations__)
# {'name': str, 'age': int}

Именно этот словарь используется для генерации __init__, __repr__ и других методов.

➡️ Генерация методов через exec

Одна из самых неочевидных частей: dataclass генерирует код как строки и выполняет его через exec.

Пример простейшего __init__, созданного динамически:

def __init__(self, name, age):
    self.name = name
    self.age = age

Этот код сначала собирается как строка, затем превращается в функцию и добавляется в класс через setattr.

➡️ Как работает frozen=True

Чтобы сделать объект неизменяемым:
— переопределяются __setattr__ и __delattr__
— любые попытки изменить поле → ошибка

def __setattr__(self, name, value):
    raise Exception("Cannot assign to frozen dataclass")

Но есть нюанс: __init__ тоже использует __setattr__.

Поэтому внутри __init__ приходится писать так:

object.__setattr__(self, "age", age)

➡️ Автогенерация __repr__

__repr__ строится из self.__dict__:

def __repr__(self):
    return f"User(name={self.name!r}, age={self.age!r})"

Флаг !r гарантирует, что значения форматируются через их __repr__, а не __str__.

➡️ Итоговая минимальная версия dataclass

В итоге кастомный @dataclass:
— читает __annotations__
— через exec создаёт __init__, __repr__
— опционально блокирует изменения (`frozen`)
— не создаёт новых объектов, а модифицирует существующий класс

⚠️ Отдельно отмечается: если нужны валидации типов — лучше смотреть в сторону Pydantic, который использует те же аннотации, но идёт дальше.

📖 Полный разбор — по ссылке.

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека питониста

#буст