✅ GPTNicheFinder — скрипт / веб-приложение для поиска нишевых тем с помощью Google Trends + GPT

📱 Python 3.x
ℹ️ Модули: pytrends, flask, openai, requests и др. — взаимодействие с Google Trends API, веб-интерфейс, генерация текста.

📌 Что такое GPTNicheFinder:
Нишевый инструмент для маркетологов / предпринимателей: ты вводишь ключевые слова или темы, скрипт берёт тренды из Google Trends, комбинирует их с моделями GPT, и генерирует идеи нишевых подкатегорий, потенциально прибыльных тем или продукты.

👨‍💻 Пример кода (упрощённая логика):

from pytrends.request import TrendReq
from flask import Flask, request, jsonify
import openai

pytrend = TrendReq()
app = Flask(__name__)

@app.route("/niche", methods=["POST"])
def find_niche():
    data = request.json
    keywords = data.get("keywords")  # список ключевых слов
    trends = []
    for kw in keywords:
        pytrend.build_payload([kw], timeframe="today 12-m")
        interest = pytrend.interest_over_time()
        trends.append((kw, interest.mean()))
    # строим запрос в GPT, чтобы предложил нишевые идеи на основе трендов
    prompt = f"Given these keywords and their trends: {trends}, suggest niche ideas."
    resp = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role":"user", "content":prompt}]
    )
    ideas = resp.choices[0].message.content
    return jsonify({"ideas": ideas, "trends": trends})

if name == "__main__":
    app.run(port=5000)

📌 Что делает:

🟢 Берёт тренды по ключевым словам из Google Trends (pytrends)
🟢 Анализирует средние интересы или тренды роста
🟢 Отправляет данные + ключевые слова в модель GPT
🟢 Получает от GPT идеи ниш, подкатегорий или направлений
🟢 Возвращает JSON с предложениями и трендами

🔗 Репозиторий GitHub

#скрипты

🖥 Python_Scripts

✅ gitingest.py — превращаем Git-репо в текст для подсказок и clipboard

📱 Python 3.x
ℹ️ Модули: argparse, subprocess, pathlib, fnmatch, uuid, shutil, os, re — всё стандартное.

📌 gitingest.py — утилита, которая берёт Git-репозиторий (локальный или по URL), выбирает файлы до заданного размера, фильтрует по шаблонам (например, исключает логи, большие двоичные файлы и т.п.), и превращает содержимое в текст, пригодный для подсказок / вставки в clipboard / анализа. Полезно, если нужно “ознакомиться” с кодом, быстро получить обзор репозитория или подготовить данные для LLM.

👨‍💻 Пример кода (фрагмент из gitingest.py):

#!/usr/bin/env python3

"""
gitingest.py - Turn any Git repository into a prompt-friendly text and copy to clipboard.
Usage:
    python gitingest.py <URL/LOCAL_FOLDER> [options]
Options:
    --exclude PATTERN        Patterns to exclude (can be used multiple times)
    --max-size SIZE          Include files under SIZE kb (default: 50kb)
Examples:
    python gitingest.py https://github.com/user/repo
    python gitingest.py ./local-folder --exclude "*.log" --exclude "tests/*" --max-size 100
"""

import os
import sys
import subprocess
import tempfile
import shutil
import argparse
from pathlib import Path
from fnmatch import fnmatch
import uuid
import re

def clone_repo_if_needed(repo_path_or_url, tmp_dir):
    # если передана URL — клонировать, иначе использовать локальный путь
    pass

def collect_files(base_path, max_size_kb, exclude_patterns):
    # пройтись по базе, собрать пути файлов, которые
    # — меньше max_size
    # — не соответствуют exclude_patterns
    pass

def read_files(paths):
    # читать файлы, возможно ограничивать общую длину, фильтры по расширениям
    pass

def main():
    # парсинг аргументов, клонирование, сбор файлов, вывод в консоль / буфер
    pass

📌 Что делает:

🟢 Принимает на вход путь к репозиторию либо URL
🟢 Опции: --exclude шаблоны файлов / директорий, --max-size чтобы игнорировать большие файлы
🟢Сбирает содержимое подходящих файлов
🟢 Генерирует текстовый вывод — может копировать в clipboard или просто печатать
🟢 Удобное для подготовки данных перед аналитикой, обзором репо, работе с AI, чтобы “загрузить” код без лишнего мусора

🔗 Исходник Gist

#скрипты

🖥 Python_Scripts

✅ PySceneDetect — скрипт для автоматического поиска и разрезания видео на сцены

📱 Python 3.7+
ℹ️ Модули: opencv-python, numpy, click, ffmpeg
Использует алгоритмы анализа яркости, цвета и движения для определения точек смены сцен.

📌 PySceneDetect — мощный инструмент, который автоматически находит сцены в видео и может разрезать ролик на отдельные фрагменты. Полезен для видеоредакторов, аналитиков или просто тех, кто хочет нарезать длинные видео без ручного монтажа.

👨‍💻 Пример кода (фрагмент):

from scenedetect import detect, ContentDetector, split_video_ffmpeg

scene_list = detect('input.mp4', ContentDetector())
split_video_ffmpeg('input.mp4', scene_list)

📌 Что делает:

🟢 Анализирует видео и определяет, где происходит смена сцены
🟢 Разделяет видео на отдельные файлы по найденным сценам
🟢 Поддерживает экспорт списка сцен в CSV, HTML и EDL
🟢 Работает как через CLI, так и через Python API

🔗 Репозиторий GitHub

#скрипты

🖥 Python_Scripts

✅ ASCII Art Image Converter — скрипт, который превращает изображения в аккуратный ASCII-арт прямо в терминале или сохраняет результат в .txt файле. Отлично подходит для визуализации в текстовом режиме, генерации минималистичных логотипов или просто для развлечения.

📱 Python  3.7+
💾 Модули: Pillow, numpy, argparse

📌 Что делает ASCII Art Image Converter:

🟠Загружает изображение любого поддерживаемого формата
🟠Конвертирует в градации серого
🟠Делит изображение на сетку и заменяет среднюю яркость каждой ячейки ASCII‑символом (@, #, . и пр.)
🟠Сохраняет ASCII-арт в файл или выводит на экран
🟠Включает CLI‑интерфейс для настройки ширины и дискреты яркости.

🧑‍💻 Пример использования (CLI):

python ascii_art.py --input image.jpg --width 80 --output ascii.txt --detailed

👨‍💻 Код скрипта:

import os
import argparse
from PIL import Image
import numpy as np

GSCALE_SIMPLE = "@%#*+=-:. "
GSCALE_EXTENDED = "$@B%8&WM#*oahkbdpqwmZO0QLCJUYXzcvunxrjft/\\|()1{}[]?-_+~i!lI;:,\"^`'. "

def avg_brightness(tile):
    return np.array(tile).mean()

def image_to_ascii(image_path, cols=80, more_levels=False):
    image = Image.open(image_path).convert('L')
    W, H = image.size
    scale = 0.43  # поправка на соотношение символов в терминале
    w = W / cols
    h = w / scale
    rows = int(H / h)

    print(f"[ASCII] Рисунок: cols={cols}, rows={rows}")

    ascii_img = []
    gs = GSCALE_EXTENDED if more_levels else GSCALE_SIMPLE
    levels = len(gs)

    for row in range(rows):
        y1 = int(row * h)
        y2 = int((row + 1) * h) if row < rows - 1 else H
        line = ""
        for col in range(cols):
            x1 = int(col * w)
            x2 = int((col + 1) * w) if col < cols - 1 else W
            tile = image.crop((x1, y1, x2, y2))
            brightness = avg_brightness(tile)
            idx = int(brightness * (levels - 1) / 255)
            line += gs[idx]
        ascii_img.append(line)
    return ascii_img

def main():
    parser = argparse.ArgumentParser(description="ASCII Art Image Converter")
    parser.add_argument('--input', required=True, help='Путь к изображению')
    parser.add_argument('--width', '-w', type=int, default=80, help='Ширина в символах')
    parser.add_argument('--output', '-o', help='Выходной .txt файл (по умолчанию — stdout)')
    parser.add_argument('--detailed', action='store_true',
                        help='Использовать мелкую градацию (GSCALE_EXTENDED)')
    args = parser.parse_args()

    art = image_to_ascii(args.input, cols=args.width, more_levels=args.detailed)
    if args.output:
        with open(args.output, 'w', encoding='utf-8') as f:
            f.write('\n'.join(art))
        print(f"✅ Сохранено в {args.output}")
    else:
        print()
        print('\n'.join(art))

if __name__ == "__main__":
    main()

⚙️ Установка зависимостей:

pip install pillow numpy

#скрипты

🖥 Python_Scripts

✅ Hourly Time Tracker + Daily Summary

📌 Этот скрипт помогает отслеживать, сколько времени вы реально тратите на разные задачи в течение дня. Каждые, скажем, 60 минут он спрашивает, над чем вы работаете, записывает это в CSV, а к вечеру присылает красивую сводку времени по проектам. Абсолютно реально и полезно, если вы хотите прокачать свою продуктивность.

📱 Python 3.8+
💾 Модули: time, csv, datetime, argparse

📌 Что умеет этот скрипт:

Каждую заданную минуту спрашивает (CLI), чем вы заняты.
Записывает метку времени и описание задачи в CSV.
В конце дня автоматически выводит краткую таблицу: сколько времени ушло на каждую задачу.
Полезно, чтобы увидеть, куда уходит время, и перестать терять минуты зря.

👨‍💻 Пример использования (CLI):

python time_tracker.py --interval 60 --output time_log.csv

👩‍💻 Код скрипта (time_tracker.py):

import time
import csv
from datetime import datetime
import argparse
from collections import Counter

def track(interval, output):
    with open(output, 'a', newline='', encoding='utf-8') as f:
        writer = csv.writer(f)
        while True:
            now = datetime.now()
            task = input(f"[{now.strftime('%H:%M')}] Что вы сейчас делаете? ")
            writer.writerow([now.isoformat(), task])
            if task.lower() in ('выход', 'exit', 'quit'):
                break
            time.sleep(interval * 60)

def summarize(output):
    tasks = []
    with open(output, newline='', encoding='utf-8') as f:
        for row in csv.reader(f):
            if len(row) >= 2:
                tasks.append(row[1])
    counts = Counter(tasks)
    print("⏳ Итоги дня:")
    for task, cnt in counts.items():
        print(f"{task[:30]:30} — {cnt} отметок")

if __name__ == '__main__':
    parser = argparse.ArgumentParser("Hourly Time Tracker")
    parser.add_argument("--interval", type=int, default=60, help="Интервал опроса (в минутах)")
    parser.add_argument("--output", default="time_log.csv", help="CSV файл для логов")
    parser.add_argument("--summary", action="store_true", help="Показать итог за день и выйти")
    args = parser.parse_args()
    if args.summary:
        summarize(args.output)
    else:
        track(args.interval, args.output)

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ intelx

📌 intelx — Python SDK для работы с Intelligence X, платформой для поиска утекших данных, доменов, email-адресов, IP и прочего OSINT.

📌 Особенности библиотеки:

🟠Поиск в утечках (email, пароли, домены, IP и др.)
🟠Доступ к API IntelligenceX
🟠Получение и скачивание найденных записей

⚙️ Установка:

pip install intelx-sdk

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ Audio Chapters Splitter — скрипт, который автоматически делит длинное аудио (например, подкаст или лекцию) на главы по паузам или тишине. Удобно для разбиения больших треков и подготовки фрагментов для публикации, разбивки на главы или последующей расшифровки.

📱 Python 3.8+
💾 Модули: pydub, argparse, os, scipy.signal (только если нужен алгоритм кластеризации пауз)

📌 Возможности скрипта:

🟠Загружает аудиофайл (.mp3, .wav и др.)
🟠Находит паузы длиннее заданного порога (например, тишина ≥ 2 секунды)
🟠Делит трек на сегменты между этими паузами
🟠Сохраняет каждый сегмент как отдельный файл с порядковым номером
🟠Подходит для подкастов, интервью, лекций — автоматизирует разделение аудио

👨‍💻 Пример использования (CLI):

python split_audio.py --input lecture.mp3 --silence_thresh -40 --min_silence_len 2000 --output segmented/

👨‍💻 Код скрипта:

import os
import argparse
from pydub import AudioSegment
from pydub.silence import detect_silence

def split_on_silence(input_path, silence_thresh=-40, min_silence_len=2000, keep_silence=500, output_dir="segments"):
    audio = AudioSegment.from_file(input_path)
    os.makedirs(output_dir, exist_ok=True)

    silence_ranges = detect_silence(audio, min_silence_len=min_silence_len, silence_thresh=silence_thresh)
    silence_ranges = [(start, stop) for start, stop in silence_ranges]

    prev_end = 0
    count = 1
    for start, stop in silence_ranges:
        segment = audio[prev_end:start]
        segment_name = os.path.join(output_dir, f"segment_{count:03}.mp3")
        segment.export(segment_name, format="mp3")
        print(f"✅ Saved {segment_name}")
        count += 1
        prev_end = stop

    # last segment
    if prev_end < len(audio):
        segment = audio[prev_end:]
        segment_name = os.path.join(output_dir, f"segment_{count:03}.mp3")
        segment.export(segment_name, format="mp3")
        print(f"✅ Saved {segment_name}")

def main():
    parser = argparse.ArgumentParser(description="Split audio on silence into chapters")
    parser.add_argument("--input", required=True, help="Input audio file (mp3/wav/etc.)")
    parser.add_argument("--silence_thresh", type=int, default=-40, help="Threshold (dBFS) to detect silence")
    parser.add_argument("--min_silence_len", type=int, default=2000, help="Minimum silence length (ms)")
    parser.add_argument("--keep_silence", type=int, default=500, help="Silence to leave at edges (ms)")
    parser.add_argument("--output", default="segments", help="Directory to save segments")
    args = parser.parse_args()
    split_on_silence(args.input, args.silence_thresh, args.min_silence_len, args.keep_silence, args.output)

if __name__ == "__main__":
    main()

⚙️ Установка зависимостей:

pip install pydub

Также потребуется ffmpeg или avlib — убедись, что установлен!

📌 Где пригодится:

🟠Разбивка подкастов, лекций или интервью на главы
🟠Подготовка аудио к конвертации, генерации транскрипта по части
🟠Автоматизация медиа-обработки для подкастеров и создателей контента

#скрипты

🖥 Python_Scripts

ЧЕБУРНЕТУ БЫТЬ!🤭

Медный купол по-немногу накрывает, а ты даже не знаешь как действовать?

Ниже даю список каналов спецов из сферы кибербеза, которые уже придумали все за тебя:

HACK WARRIOR. – парни уже давно сели на измену и активно постируют контент на тему защиты своих личных данных в интернете, чтобы не сел ты.

secure sector – канал безопасника однажды сильно пострадавшего от халатного отношения к своей интернет-гигиене. Собственно, поэтому и стал безопасником...

INFOSEC LIZARD – твой личный криптонит от любых кибер-угроз в сети.

Я бы не хотел, чтобы в будущем ты пожалел о том, что пролистал этот пост. Оставайся в безопасности.

🔥 Полезные библиотеки Python

✅ NicheCompass

📌 NicheCompass — пакет для анализа пространственных мультиомных данных (spatial multi-omics) с акцентом на выявление «нишевых» клеточных сообществ и межклеточных коммуникаций. Он позволяет строить пространственный атлас тканей, определять, какие типы клеток находятся рядом и как они взаимодействуют, и создавать визуализации на основе графовых и эмбеддинговых методов.

📌 Особенности библиотеки:

🟢 Поддерживает Python 3, пакет опубликован на PyPI: версия 0.3.0 на 7 августа 2025.
🟢 Использует фреймворки для графовых данных (например, PyG) и AnnData — удобно, если работаешь с биоинформатикой или анализом клеточных микросред.

⚙️ Установка:

pip install nichecompass

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ gbak — скрипт для бэкапа всех ваших репозиториев GitHub

📱 Python 3.x
ℹ️ Модули: requests, os, zipfile, возможно GitHub API (через токен) — по описанию.

📌 Что такое gbak:
Скрипт, который позволяет скачать архивом все ваши репозитории GitHub (включая приватные, если есть токен), чтобы держать офлайн-копии ваших проектов. Идея: не полагаться полностью на GitHub-хостинг, а иметь локальный архив.

👨‍💻 Как работает:

🟢 Получает список репозиториев пользователя через GitHub API, используя токен, если указан.
🟢 Под каждый репо создаёт архив (.zip или .tar.gz) или клонирует его.
🟢 Сохраняет в указанную папку локально с именем репо и датой.
🟢 Может запускаться периодически как бэкап-утилита.

📌 Что делает:

🟢 Собирает все репозитории пользователя (public + приватные)
🟢 Скачивает как архив или клонирует, чтобы сохранить копию
🟢 Удобна для сохранения резервных копий проектов, особенно если много маленьких хобби-репо
🟢 Простая идея, но реально полезная при потере данных или закрытии аккаунта

🔗 Репозиторий GitHub

#скрипты

🖥 Python_Scripts

⚡️ Накануне в Telegram выложили 7ТБ курсов по IT.

Умельцы собрали все эти курсы и выложили их в свой канал - IT Matrix.

Забирай свое направление:

👩‍💻 Python - 1476 ГБ
👩‍💻 JavaScript - 1178ГБ
👩‍💻 Java - 1209 ГБ
👩‍💻 С/С++ - 1005 ГБ
👩‍💻 InfoSec - 1274 ГБ
👩‍💻 DevOps - 941 ГБ
👩‍💻 SQL & Базы Данных - 853 ГБ
👩‍💻 GO - 832 ГБ
👩‍💻Linux - 796 ГБ
👩‍💻 Kotlin - 790 ГБ
👩‍💻 PHP - 767 ГБ
👩‍💻 AI & Machine Learning - 743 ГБ
👩‍💻 Data Science - 677 ГБ

📌 Доступ открыли на 48 часов, успей подписаться

🔥 Полезные библиотеки Python

✅ EZPubSub

📌 EZPubSub — минималистичная библиотека для реализации шаблона publish/subscribe (pub/sub) в Python: типобезопасная, потокобезопасная, поддерживает синхронную и асинхронную работу. Отличный вариант для событийной архитектуры, небольших приложений с уведомлениями или внутренних модулей, которые требуют “сигналы-слоты” без лишнего веса.

📌 Особенности библиотеки:

🟢 Работает с Python 3.8+.
🟢 Ноль внешних зависимостей — чистый Python.
🟢 Поддержка синхронных сигналов и асинхронных событий (async/await) через единый API.
🟢 Строгая типизация: сигналы могут быть параметризованы типами данных, которые публикуются и подписываются.
🟢 Потоко-безопасность: подписчики могут регистрироваться/отписываться безопасно в многопоточном окружении.

⚙️ Установка:

pip install ezpubsub

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ Pyextract — скрипт для извлечения текста из изображений с помощью OCR

📱 Python 3.x
ℹ️ Модули: pytesseract (Tesseract OCR обёртка в Python), Pillow, clipboard (или аналог для захвата из буфера), os, sys.

👨‍💻 Пример кода из репозитория:

import pytesseract
from PIL import Image
import os, sys

def extract_text_from_image(image_path, lang="eng"):
    image = Image.open(image_path)
    text = pytesseract.image_to_string(image, lang=lang)
    return text

if __name__ == "__main__":
    folder = sys.argv[1]  # папка с изображениями или файл пути
    for fname in os.listdir(folder):
        if fname.lower().endswith((".jpg", ".png", ".jpeg", ".tiff")):
            path = os.path.join(folder, fname)
            txt = extract_text_from_image(path, lang="eng")
            print(f"=== {fname} ===")
            print(txt)
            # можно дополнительно: сохранять txt в файл или копировать

📌 Что делает:

🟢 Принимает файл изображения или папку с изображениями
🟢 Использует Tesseract OCR через pytesseract для извлечения текста
🟢 Поддерживает указание языка OCR и опционально настройку параметров
🟢 Выводит текст в консоль, может сохранять в .txt файл или копировать в буфер обмена
🟢 Удобно автоматизировать: пакет документов, извлечение текста из сто-снимков, “менеджмент документов”

🔗 Репозиторий GitHub

#скрипты

🖥 Python_Scripts

⚡️ DevOps теперь в Telegram!

Канал сеньора, где публикуются гигабайты материалов для DevOps-инженеров:

97 ГБ — Linux
48 ГБ — Docker
12 ГБ — Kubernetes
25 ГБ — Redis
81 ГБ — Git
19 ГБ — Jira
29 ГБ — Grafana

Присоединяйтесь: @devops_tg

✅ Windows Service Watchdog — скрипт следит за критичными Windows-службами и автоматически их перезапускает, если они падают. Простой, понятный, работает без GUI и отлично подходит для обращения с сервисами, которые не должны падать.

📱 Python 3.8+
💾 Модули: psutil, subprocess, argparse, time

📌 Возможности скрипта:

🟠Проверяет состояние заданной службы (через psutil.win_service_get)
🟠Если служба не работает — делает попытку перезапуска через sc start
🟠Логирует результат: статус до/после
🟠Можно указать таймаут между проверками и автоматический перезапуск — минималистично и эффективно (stackoverflow.com, gist.github.com)

👨‍💻 Пример использования (CLI):

python service_watchdog.py --service "Spooler" --interval 30

👨‍💻 Код скрипта (service_watchdog.py):

import psutil, subprocess, time, argparse

def check_service(name):
    try:
        svc = psutil.win_service_get(name).as_dict()
        return svc.get('status') == 'running'
    except Exception as e:
        print(f"Ошибка при проверке службы {name}: {e}")
        return False

def restart_service(name):
    print(f"Попытка перезапуска службы: {name}")
    subprocess.run(['sc', 'start', name], shell=True)

def main(service, interval):
    while True:
        running = check_service(service)
        print(f"[{time.strftime('%Y-%m-%d %H:%M:%S')}] {service} is {'running' if running else 'NOT running'}")
        if not running:
            restart_service(service)
            time.sleep(5)
            print(f"Снова проверяю...")
            time.sleep(interval)
        else:
            time.sleep(interval)

if __name__ == "__main__":
    parser = argparse.ArgumentParser("Windows Service Watchdog")
    parser.add_argument("--service", required=True, help="Name of the Windows service")
    parser.add_argument("--interval", type=int, default=60, help="Check interval in seconds")
    args = parser.parse_args()
    main(args.service, args.interval)

⚙️ Установка зависимостей:

pip install psutil

— psutil нужен для проверки статуса службы. Команда sc используется для запуска, есть в Windows по умолчанию.

#скрипты

🖥 Python_Scripts

✅ py_wayback_downloader — скрипт-архиватор сайтов с Web Archive

📱 Python 3.7+
ℹ️ Модули: requests, tqdm, urllib3.Retry, bs4/BeautifulSoup, threading, queue, pathlib и др.

📌 py_wayback_downloader — утилита, которая позволяет скачивать снимки (snapshots) веб-сайтов из Internet Archive (web.archive.org) за указанный период времени и сохранять их локально в целостной структуре (html, изображения, скрипты, css). Полезна для интернет-архивирования, цифровой археологии, офлайн-анализа сайтов.

👨‍💻 Пример использование (упрощённо):

# Упрощённый псевдокод
from wbmdownloader import WaybackDownloader

down = WaybackDownloader(
    url="http://example.com",
    output_folder="output/example.com",
    from_date="200703",
    to_date="200704",
    threads=8
)
down.run()

📌 Что делает:

🟢 Получает список снимков сайта на web.archive.org за указанный диапазон дат.
🟢 Скачивает файлы (HTML, изображения, CSS, JS и другие ресурсы) с параллельными потоками (--threads параметр) для ускорения.
🟢 Сохраняет файлы в структуре: output/{домен}/{дата}/{файлы} — удобно навигировать по временам.
🟢 Поддерживает фильтрацию (например, только HTML), проверку наличия файлов чтобы не перекачивать заново, логирование и рестарт.

🔗 Репозиторий GitHub

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ molecule

📌 Molecule — это инструмент для тестирования ролей и плейбуков Ansible. Он помогает DevOps-инженерам автоматически проверять, что инфраструктурный код работает корректно до применения в проде.

📌 Особенности:

🟠Поддержка Docker, Vagrant, Podman, EC2 и других драйверов
🟠Интеграция с Ansible, Testinfra, Goss
🟠Автоматические проверки, линтинг и CI
🟠Подходит для TDD в инфраструктуре

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ Bulk PDF Merger — утилита, которая объединяет все PDF-файлы из указанной папки в один итоговый документ. Простой инструмент для подготовки отчётов, документации, сборов материалов в одно PDF.

📱 Python 3.8+
💾 Модули: PyPDF2, argparse, os

📌 Bulk PDF Merger:

🟠Ищет все файлы .pdf в указанной директории
🟠Объединяет их в порядке сортировки по имени в единственный PDF
🟠Сохраняет итоговое объединение в указанное имя файла
🟠Полезен для сбора статей, отчетов, документов или презентаций

🧑‍💻 Пример использования (CLI):

python pdf_merger.py --input-dir ./pdfs --output merged_all.pdf

👨‍💻 Код скрипта:

import os
import argparse
from PyPDF2 import PdfMerger

def merge_pdfs(input_dir, output_file):
    merger = PdfMerger()
    pdf_files = sorted([
        f for f in os.listdir(input_dir)
        if f.lower().endswith('.pdf')
    ])
    for pdf in pdf_files:
        path = os.path.join(input_dir, pdf)
        merger.append(path)
        print(f"✅ Appended: {pdf}")
    merger.write(output_file)
    merger.close()
    print(f"📄 Merged into: {output_file}")

if __name__ == "__main__":
    parser = argparse.ArgumentParser(description="Bulk PDF Merger")
    parser.add_argument('--input-dir', required=True, help='Папка с PDF')
    parser.add_argument('--output', required=True, help='Имя итогового PDF')
    args = parser.parse_args()
    merge_pdfs(args.input_dir, args.output)

⚙️ Установка зависимости:

pip install PyPDF2

📌 Где пригодится:

🟠Компиляция серии отчетов или документов в единый PDF-файл
🟠Автоматизация сборки документации
🟠Удобное решение для подготовки больших PDF из множества файлов

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ lesserapi

📌 lesserapi — легковесная библиотека-обёртка для создания REST API с минимальными усилиями.

📌 Особенности этой библиотеки:

🟢 Совместима с Python 3.
🟢 Размер пакета небольшой (~2.5 MB для версии 1.1.20) — удобно для лёгких сервисов без тяжёлого фреймворка.
🟢 Может служить быстрым решением для создания API-слоя над вашим кодом: внутри проекта, автоматизации, MVP или в скрипте, где нужен “REST интерфейс” без развёртывания полноценного фреймворка.
🟢 Хороший выбор, если хотите написать свой скрипт-сервис, малую веб-службу или внутренняя утилита с доступом по HTTP.

⚙️ Установка:

pip install lesserapi

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ py2jn — скрипт для конвертации Python-скриптов в Jupyter Notebook

📱 Python 3.x
ℹ️ Модули: чистый Python, без внешних тяжёлых зависимостей.

📌 py2jn — утилита, которая берёт .py-файл (скрипт), и преобразует его в .ipynb-файл (Jupyter Notebook). Всё, что было в комментариях многострочных строках (""" … """), становится Markdown-ячейкой прямо в ноутбуке; блоки кода разделяются автоматически. Полезно, если ты хочешь переиспользовать скрипт как учебный материал или презентацию.

👨‍💻 Пример кода (логика):

# Импортируется интерфейс конвертера
from py2jn import convert

# Конвертировать скрипт в ноутбук
convert(
    input_path="script.py",
    output_path="script_converted.ipynb",
    split_markers=True
)

📌 Что делает:

🟢 Читает Python-скрипт (.py)
🟢 Находит многострочные строки (тройные кавычки) и превращает их в Markdown-ячейки
🟢 Остальной код разбивает и вставляет как код-ячейки
🟢 Сохраняет конечный файл .ipynb, который сразу можно открыть в Jupyter / Colab
🟢 Упрощает превращение рабочих скриптов в учебные ноутбуки или демонстрации

🔗 Репозиторий GitHub

#скрипты

🖥 Python_Scripts