👩‍💻 PEP 723 + uv: однофайловые скрипты с зависимостями

Покажу PEP 723+uv: зависимости в комментариях, раннер сам ставит и запускает. Примеры, плюсы и грабли, отдельно — про риски безопасности. Без README-плясок.

➡️ Ссылка на статью

🐍 Ghostly Python | #статьи

🖼️ Библиотека: Tenacity

Tenacity — гибкая библиотека для ретраев (повторных попыток) с поддержкой экспоненциального бэкоффа, фильтрации по исключениям/результатам и асинхронных функций. Полезна для сетевых запросов, нестабильных API и flaky-тестов.

ℹ️ Основные возможности:

🟢 Декларативные ретраи через декоратор @retry
🟢 Стратегии ожидания: фиксированная, экспоненциальная, джиттер, лимиты
🟢 Условия повтора по типам исключений или значениям результата
🟢 Хуки before/after и поддержка async def

⚙️ Пример использования:

from tenacity import retry, stop_after_attempt, wait_exponential, retry_if_exception_type
import requests

@retry(
    stop=stop_after_attempt(5),                     # максимум 5 попыток
    wait=wait_exponential(multiplier=0.5, max=8),  # экспоненциальный бэкофф
    retry=retry_if_exception_type((
        requests.exceptions.Timeout,
        requests.exceptions.ConnectionError,
    )),
    reraise=True                                   # пробросить последнее исключение
)
def fetch_json(url: str) -> dict:
    resp = requests.get(url, timeout=2)
    resp.raise_for_status()
    return resp.json()

data = fetch_json("https://httpbin.org/json")
print(data["slideshow"]["title"])

✔️ Установка:

pip install tenacity

➡️ Ссылка на документацию

🐍 Ghostly Python | #библиотеки

🐍 Ghostly Python | #мемы

➡️ The Hitchhiker’s Guide to Python — практическое руководство по экосистеме Python

Ресурс охватывает настройку окружений (venv/pyenv), управление зависимостями, упаковку и публикацию пакетов, тестирование, логирование, стиль кода и структуру проектов. Полезен как чеклист “best practices” для ежедневной разработки.

Материал подан структурировано с примерами и рекомендациями по инструментам, что помогает быстро выбрать правильный подход и стек под задачу.

⛓️ Ссылка на ресурс

🐍 Ghostly Python | #ресурсы

👩‍💻 Тихий герой воскресного утра: как bash-скрипт спас нас от OOM Killer

Опишу, как в воскресенье API-гейтвей устроил бой с памятью, а простой скрипт вытащил прод: что случилось, как сработало, код, графики, постмортем и чек-лист.

➡️ Ссылка на статью

🐍 Ghostly Python | #статьи

📱 Фишка: functools.singledispatch — перегрузка функций по типу аргумента

singledispatch позволяет объявить одну «общую» функцию и регистрировать для неё разные реализации в зависимости от типа первого аргумента. Удобно для сериализации, валидации и преобразований без длинных if isinstance(...).

from functools import singledispatch

@singledispatch
def serialize(obj):
    return str(obj)  # поведение по умолчанию

@serialize.register
def _(obj: int):
    return f"int:{obj}"

@serialize.register
def _(obj: list):
    return f"list[{len(obj)}]"

print(serialize(10))       # ➔ int:10
print(serialize([1, 2, 3]))# ➔ list[3]
print(serialize(3.14))     # ➔ 3.14  (попадает в базовую реализацию)

📌 Как это работает?

🟢 @singledispatch выбирает реализацию по типу первого аргумента с учётом MRO (находит ближайший подходящий тип).
🟢 .register(Type) добавляет реализацию для конкретного типа (и её унаследуют подклассы).
🟢 Есть вариант для методов — functools.singledispatchmethod (класс-ориентированная перегрузка).

🐍 Ghostly Python | #фишки

🐍 Ghostly Python | #мемы

👩‍💻 Работа с CSV на Python с помощью csv

csv — встроенный модуль для чтения и записи табличных данных. Подходит для обмена данными с Excel/Google Sheets, логов и простых отчётов.

⚙️ Пример: чтение, фильтрация и запись CSV одним скриптом

import csv
from pathlib import Path

# Создадим входной CSV с заголовками
src = Path("employees.csv")
with src.open("w", encoding="utf-8", newline="") as f:
    writer = csv.DictWriter(f, fieldnames=["name", "role", "salary"])
    writer.writeheader()
    writer.writerows([
        {"name": "Alice", "role": "Engineer", "salary": "120000"},
        {"name": "Bob",   "role": "Manager",  "salary": "135000"},
        {"name": "Cara",  "role": "Engineer", "salary": "125000"},
    ])

# Читаем и фильтруем инженеров с зарплатой > 120k
rows = []
with src.open("r", encoding="utf-8", newline="") as f:
    reader = csv.DictReader(f)
    for row in reader:
        row["salary"] = int(row["salary"])  # приведение типов
        if row["role"] == "Engineer" and row["salary"] > 120000:
            rows.append(row)

# Сохраняем результат в новый CSV
dst = Path("top_engineers.csv")
with dst.open("w", encoding="utf-8", newline="") as f:
    writer = csv.DictWriter(f, fieldnames=["name", "role", "salary"])
    writer.writeheader()
    writer.writerows(rows)

print(f"Сохранено: {dst} ({len(rows)} записей)")

💬 Как это работает:

🟢 csv.DictReader/DictWriter работает со словарями по именам колонок — удобнее, чем позиционные индексы.
🟢 newline="" при открытии файла важно для корректных переводов строк на Windows.
🟢 Поля приходят как строки — приводите типы вручную (например, int для чисел).
🟢 Для особых форматов используйте параметры: delimiter=";", quotechar='"', quoting=csv.QUOTE_MINIMAL

🐍 Ghostly Python | #гайды

👩‍💻 Самый быстрый способ читать Excel в Python

В статье результаты тестирования pandas, openpyxl, Tablib, DuckDB, LibreOffice и даже связки с Rust. Кто справился лучше всех и как за 4 секунды Python «проглотил» полмиллиона строк.

➡️ Ссылка на статью

🐍 Ghostly Python | #статьи

❓ Вопрос с собеса

Зачем нужен __slots__ в Python и какие у него подводные камни?

Пример🔽

class Point:
    __slots__ = ("x", "y")  # фиксируем набор атрибутов

    def __init__(self, x, y):
        self.x, self.y = x, y

p = Point(1, 2)
print(hasattr(p, "__dict__"))  # ➔ False (нет словаря экземпляра)
p.z = 3  # ➔ AttributeError: 'Point' object has no attribute 'z'

Ответ🔽

__slots__ отключает создание __dict__ у экземпляров и фиксирует набор допустимых атрибутов. Это сокращает память (особенно важно для миллионов объектов) и может ускорять доступ к полям. Обратная сторона — нельзя динамически добавлять новые атрибуты, а некоторые механики требуют дополнительных слотов.

🟢 Запомнить:

Используйте __slots__, когда класс создаёт много экземпляров с стабильным набором полей.

Для поддержки weakref добавьте '__weakref__' в __slots__.

В иерархиях все классы должны быть «кооперативны»: у подклассов тоже задавайте __slots__ (или потеряете выгоды/совместимость).

В dataclasses пишите @dataclass(slots=True) (Python 3.10+) вместо ручного __slots__.

Если нужен словарь атрибутов, добавьте '__dict__' в __slots__ — но тогда теряете экономию памяти.

🐍 Ghostly Python | #собес

🐍 Ghostly Python | #мемы

🖼️ Библиотека: glom

glom — декларативная библиотека для извлечения и трансформации вложенных структур данных (dict/list/tuple). Позволяет описывать «что достать и как преобразовать» короткой спецификацией вместо ручных циклов и if.

ℹ️ Основные возможности:

🟢 Доступ к глубоко вложенным полям без try/except
🟢 Маппинг и агрегирование списков одной строкой
🟢 Значения по умолчанию и безопасные обходы отсутствующих ключей
🟢 Композиция спецификаций для сложных преобразований

⚙️ Пример использования:

from glom import glom, T

data = {
    "user": {"name": "Alice", "age": 30, "emails": ["a@x.io", "b@y.io"]},
    "orders": [{"id": 1, "total": 99.9}, {"id": 2, "total": 15.0}]
}

spec = {
    "username": T["user"]["name"],
    "primary_email": T["user"]["emails"][0],
    "order_ids": (T["orders"], [T["id"]]),
    "sum_total": (T["orders"], sum, [T["total"]]),  # суммируем totals
}

print(glom(data, spec))
# ➔ {'username': 'Alice', 'primary_email': 'a@x.io', 'order_ids': [1, 2], 'sum_total': 114.9}

# Безопасный доступ с дефолтом:
print(glom(data, "user.phone", default="no phone"))  # ➔ 'no phone'

✔️ Установка:

pip install glom

➡️ Ссылка на документацию

🐍 Ghostly Python | #библиотеки

👩‍💻 Контейнерная стеганография: Прячем гигабайты в DOCX, PDF и еще десятке форматов

Я расширил ChameleonLab: от картинок к документам. Разбираю стеганографию в DOCX/PDF, риски, методики и защиту; покажу демо и грабли. Да, ваши отчёты тоже могут шептать.

➡️ Ссылка на статью

🐍 Ghostly Python | #статьи

➡️ Python Tutor — визуализатор выполнения Python-кода в браузере

Python Tutor позволяет пошагово видеть, как исполняется ваш код: значения переменных, стек вызовов, переходы по строкам. Полезен для обучения, отладки рекурсий, понимания областей видимости и работы списков/словарей.

Примечательно, что сервис поддерживает пошаривание сессий и встроенные “сценарии” с примерами — удобно разбирать код с командой или наставником прямо по ссылке.

⛓️ Ссылка на ресурс

🐍 Ghostly Python | #ресурсы

🐍 Ghostly Python | #мемы

📱 Фишка: functools.cached_property — ленивое свойство с кэшированием

cached_property превращает метод в свойство, которое вычисляется один раз при первом доступе и кэшируется в экземпляре. Полезно для дорогих вычислений и ленивой инициализации

from functools import cached_property
import time

class Report:
def init(self, user_id):
self.user_id = user_id

@cached_property
def stats(self):
    print("Вычисляю...")  # выполнится только при первом доступе
    time.sleep(1)
    return {"orders": 42, "spent": 199.99}


r = Report(123)
print(r.stats) # первый доступ — расчёт и кэширование
print(r.stats) # последующие — мгновенно из кэша
del r.dict["stats"] # инвалидация кэша
print(r.stats) # пересчёт после инвалидации

📌 Как это работает?

🟢 @cached_property сохраняет результат в instance.__dict__ под именем свойства.
🟢 Для обновления данных удалите кэш: del obj.__dict__["attr"] — значение пересчитается при следующем доступе.
🟢 Идеально для «ленивых» параметров: конфигов, аггрегатов из БД/API, тяжёлых вычислений

🐍 Ghostly Python | #фишки

👩‍💻 Напердолил целую игру

Покажу, как я собрал TANKOLINI NAPIERDOLKI: монохром, канвас и пиксели, тетрис-вайб и редактор карт; мультиплеер на Python, карты в PostgreSQL, комнаты в Redis. Мемы прилагаются.

➡️ Ссылка на статью

🐍 Ghostly Python | #статьи

👩‍💻 Работа с конфигами TOML в Python с tomllib (+ запись через tomli-w)

TOML — удобный формат конфигураций. В Python 3.11+ есть встроенный tomllib для чтения; для записи используем лёгкий tomli-w.

⚙️ Пример: чтение → правка → сохранение

# pip install tomli-w
import tomllib            # Python 3.11+
import tomli_w            # запись TOML
from pathlib import Path

cfg = Path("config.toml")

# Создадим дефолтный конфиг, если его нет
cfg.write_text("[app]\nname='Ghostly'\ndebug=true\n\n[db]\nhost='localhost'\nport=5432\n",
               encoding="utf-8") if not cfg.exists() else None

# Чтение (важно: бинарный режим для tomllib)
with cfg.open("rb") as f:
    conf = tomllib.load(f)

# Изменим настройки
conf["app"]["debug"] = False
conf["db"]["host"] = "db.prod.local"
conf["db"]["port"] = 6432

# Запись обратно в TOML
cfg.write_text(tomli_w.dumps(conf), encoding="utf-8")

💬 Как это работает:

🟢 tomllib.load(f) — чтение TOML (3.11+); для ≤3.10 используйте tomli.
🟢 tomli_w.dumps(dict) — сериализация словаря в TOML.
🟢 Открывайте файл для tomllib в бинарном режиме: open("rb").
🟢 Разделяйте общие настройки и секреты (переменные окружения/.env).

🐍 Ghostly Python | #гайды

🐍 Ghostly Python | #мемы

❓ Вопрос с собеса

В чём разница между __getattr__ и __getattribute__ в Python и почему легко поймать бесконечную рекурсию?

Пример🔽

class Demo:
    def __getattribute__(self, name):
        if name == "x":
            return 42
        # ВАЖНО: делегировать наверх, иначе рекурсия
        return super().__getattribute__(name)

    def __getattr__(self, name):
        # Вызывается ТОЛЬКО если обычный поиск атрибута провалился
        return f"<missing:{name}>"

d = Demo()
print(d.x)  # ➔ 42
print(d.y)  # ➔ <missing:y>

class Bad:
    def __getattribute__(self, name):
        # Плохо: вызывает себя же через getattr → бесконечная рекурсия
        return getattr(self, name)

# Bad().anything  # ➔ RecursionError

Ответ🔽

__getattribute__(self, name) вызывается всегда при доступе к атрибуту экземпляра. Если внутри него вы обращаетесь к атрибутам через self.…/getattr(self, …), вы снова попадаете в __getattribute__ → RecursionError. Правильно — звать super().__getattribute__(name) или напрямую object.__getattribute__(self, name).

__getattr__(self, name) вызывается только если атрибут не найден обычным путём (включая __getattribute__). Удобен для ленивых/виртуальных атрибутов и значений по умолчанию.

🟢 Запомнить:

Внутри __getattribute__ используйте object.__getattribute__(self, name)/super() для безопасного доступа.

Чтобы передать управление __getattr__, поднимайте AttributeError из __getattribute__.

Меняя протокол доступа, легко сломать дебаг/инспекцию; держите реализацию минимальной и предсказуемой.

Для динамики часто достаточно __getattr__; __getattribute__ — инструмент «тяжёлого класса».

🐍 Ghostly Python | #собес