✅ Image to PDF Converter

📱 Python 3.x
ℹ️ Модули: Pillow (PIL) и os — используется для обработки изображений и работы с файловой системой.

📌 Image to PDF Converter — утилита, которая берёт изображения из заданной папки, подгоняет их под нужный формат/размер (например, A4), и объединяет в один PDF-документ. Удобно, если у тебя есть множество JPG/PNG, и ты хочешь получить единый PDF без сторонних инструментов.

👨‍💻 Пример кода (адаптированная логика):

from PIL import Image
import os

def images_to_pdf(img_folder, output_pdf_path, paper_size=(595, 842)):
# paper_size в пунктах — примерно A4 (в зависимости от DPI)
imgs = []
for fname in sorted(os.listdir(img_folder)):
if fname.lower().endswith(('.png', '.jpg', '.jpeg')):
img_path = os.path.join(img_folder, fname)
img = Image.open(img_path).convert('RGB')
img = img.resize(paper_size) # подгонка под формат
imgs.append(img)
if not imgs:
print("Нет изображений для конвертации")
return
first, rest = imgs[0], imgs[1:]
first.save(output_pdf_path, save_all=True, append_images=rest)
print(f"Создан PDF: {output_pdf_path}")

if __name__ == "__main__":
images_to_pdf("input_images", "out.pdf")

📌 Что делает:

🟢 Сканирует папку с изображениями (JPG, PNG и др.)
🟢 Подгоняет каждый кадр под заданный размер (например, формат страницы)
🟢 Объединяет все изображения в один PDF-файл
🟢 Сохраняет PDF с указанным именем

🔗 Репозиторий GitHub

#скрипт

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ nselib

📌 nselib — библиотека для получения открытых данных с сайта биржи NSE (National Stock Exchange of India). С её помощью можно автоматически загружать котировки акций, данные о торговых объёмах, позиции по доставке, списки акций и многое другое.

📌 Особенности библиотеки:

🟢 Работает с Python 3.8+ — совместимость гарантируется.
🟢 Зависимости: requests, beautifulsoup, numpy, scipy, pandas, lxml и др.
🟢 Лёгкий старт: установка одной командой, изучение функций быстрое благодаря хорошему списку API.

⚙️ Установка:

pip install nselib

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ ransomwareDetection-Tool — скрипт, который следит за подозрительной активностью файловой системы

📱 Python 3.x
ℹ️ Модули: watchdog (для отслеживания изменений в папке), os, time, logging и др.

📌 ransomwareDetection-Tool — утилита командной строки, в которую указываешь папку на компьютере, и скрипт отслеживает события: создание, изменение, удаление файлов. Если активность “необычная” (например, много файлов стали изменяться/удаляться быстро), печатает предупреждение и логирует всё в файл. Полезно для домашнего уровня-защиты или мониторинга важных директорий.

👨‍💻 Пример кода (адаптация из main.py):

import time
import os
from watchdog.observers import Observer
from watchdog.events import FileSystemEventHandler

class RansomwareHandler(FileSystemEventHandler):
def __init__(self):
self.modified_files = set()
self.deleted_files = set()

def on_modified(self, event):
if not event.is_directory:
self.modified_files.add(event.src_path)
print("Modified:", event.src_path)

def on_deleted(self, event):
if not event.is_directory:
self.deleted_files.add(event.src_path)
print("Deleted:", event.src_path)

def monitor(path_to_watch, check_interval=10):
event_handler = RansomwareHandler()
observer = Observer()
observer.schedule(event_handler, path=path_to_watch, recursive=True)
observer.start()
try:
while True:
time.sleep(check_interval)
# Простая логика: если за интервал изменилось или удалилось слишком много файлов
if len(event_handler.modified_files) > 100 or len(event_handler.deleted_files) > 10:
print("Warning: Potential ransomware activity detected!")
# Можно логировать события
event_handler.modified_files.clear()
event_handler.deleted_files.clear()
except KeyboardInterrupt:
observer.stop()
observer.join()

if name == "__main__":
path = "/path/to/watch"
monitor(path, check_interval=10)

📌 Что делает:

🟢 Мониторит указанную директорию на события изменения и удаления файлов
🟢 Логирует эти события в консоль и файл (например ransomware_detection.log)
🟢 Периодически проверяется, если много изменений/удалений — вывод предупреждения о потенциальной атаке

🔗 Репозиторий GitHub

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ glasbey

📌 glasbey — библиотека для алгоритмической генерации цветовых палитр (categorical palettes), особенно полезных когда у тебя есть много категорий и ты хочешь, чтобы каждая категория была визуально отличимой.

📌 Особенности библиотеки:

🟢 Можно создавать палитры с произвольным количеством цветов: glasbey.create_palette(palette_size=15) — и цвета будут стараться быть максимально отличимыми визуально.
🟢 Можно расширять существующие палитры, или “с нуля” задавать seed цвета, чтобы новая палитра дополняла прежнюю (чтобы цвета не пересекались сильно).
🟢 Поддержка ограничений: можно задавать границы яркости, хромности (chroma), чтобы цвета не были слишком яркими или слишком блеклыми.
🟢 Можно создавать “блочные” палитры — когда есть иерархии категорий, вложенные группы.
🟢 Легко использовать в связке с matplotlib / seaborn и др. визуализациями — просто генерируешь цвета и передаёшь библиотеке визуализации.

⚙️ Установка:

pip install glasbey

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ CompressImages.py — скрипт для пакетной обработки изображений: сжатия и изменения размера

📱 Python 3.x
ℹ️ Модули: PIL (Pillow), os, sys, argparse — используется для обработки изображения и работы с файловой системой.

📌 CompressImages.py — утилита, которую запускаешь в папке с изображениями (или указываешь исходную папку), скрипт изменяет размер изображений до заданных лимитов (максимальная ширина/высота), сжимает качество (JPEG или др.), переименовывает по шаблону, и сохраняет в output-папку. Полезно, когда надо оптимизировать папки с фотографиями, иконками, медиа-контентом.

👨‍💻 Пример кода (адаптация из CompressImages.py):

import os
import sys
from PIL import Image
from argparse import ArgumentParser

def process_images(input_dir, output_dir, max_width, max_height, quality=70, rename_template=None):
    os.makedirs(output_dir, exist_ok=True)
    count = 0
    for fname in os.listdir(input_dir):
        if fname.lower().endswith(('.jpg', '.jpeg', '.png')):
            path = os.path.join(input_dir, fname)
            img = Image.open(path)
            # изменение размера с сохранением пропорций
            img.thumbnail((max_width, max_height))
            base_name, ext = os.path.splitext(fname)
            if rename_template:
                out_name = rename_template.replace("{count}", str(count)) + ext
            else:
                out_name = fname
            out_path = os.path.join(output_dir, out_name)
            img.save(out_path, quality=quality)
            print(f"Saved: {out_path}")
            count += 1

def main():
    parser = ArgumentParser()
    parser.add_argument("input_dir")
    parser.add_argument("output_dir")
    parser.add_argument("--max_width", type=int, default=800)
    parser.add_argument("--max_height", type=int, default=600)
    parser.add_argument("--quality", type=int, default=70)
    parser.add_argument("--rename", help="template, e.g. img_{count}")
    args = parser.parse_args()
    process_images(args.input_dir, args.output_dir, args.max_width, args.max_height, args.quality, args.rename)

if name == "__main__":
    main()

📌 Что делает:

🟢 Идёт по всем изображениям в папке с разрешениями .jpg, .jpeg, .png
🟢 Изменяет их размер до заданных максимальных ширины/высоты, сохраняя пропорции
🟢 Сжимает качество (для JPG например), чтобы уменьшить размер файлов
🟢 Опционально переименовывает файлы по шаблону с номером
🟢 Сохраняет всё в выходную папку, чтобы не перезаписывать оригиналы

🔗 Репозиторий/исходник

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ py-irt

📌 py-irt — библиотека для оценки латентных характеристик пользователей и элементов через Item Response Theory (IRT). Используется в психометрии, образовательных системах, тестировании для моделирования вероятности успешного ответа, понимания сложности заданий и способностей учащихся.

📌 Особенности библиотеки:

🟢 Масштабируемость — работает с большими наборами данных, использует PyTorch и Pyro под капотом для ускорения вычислений.
🟢 Байесовский подход — поддерживает обучение с априорными распределениями и вывод параметров через стохастические методы.
🟢 GPU-поддержка — если данные большие, можно ускорить обучение.
🟢 Чистый API — удобно интегрировать в образовательные платформы или аналитические пайплайны.

⚙️ Установка:

pip install py-irt

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ QR-code-generator

📱 Python 3.x
ℹ️ Модули: qrcode, Pillow

📌 QR-code-generator — утилита, в которую подается строка (ссылка, текст, контакт), и скрипт генерирует QR-картинку. Можно использовать в автоматизации рассылок, на визитках, для генерации QR в приложениях и т.д.

👨‍💻 Пример кода (адаптация):

import qrcode
import sys

def make_qr(data, output_file="qrcode.png", version=1, box_size=10, border=4):
    qr = qrcode.QRCode(
        version=version,
        error_correction=qrcode.constants.ERROR_CORRECT_L,
        box_size=box_size,
        border=border,
    )
    qr.add_data(data)
    qr.make(fit=True)
    img = qr.make_image(fill_color="black", back_color="white")
    img.save(output_file)
    print(f"QR saved to {output_file}")

if name == "__main__":
    if len(sys.argv) < 2:
        print("Usage: python qr_gen.py <text_or_url>")
        sys.exit(1)
    data = sys.argv[1]
    make_qr(data)

📌 Что делает:

🟢 Принимает строку (URL, текст и т.д.)
🟢 Генерирует QR-код с заданными параметрами (размер, граница)
🟢 Сохраняет в файл (PNG)
🟢 Можно встроить в GUI или веб-интерфейс

🔗 Репозиторий GitHub

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ nixnet

📌 nixnet — библиотека для работы с шинами CAN / LIN посредством оборудования NI-XNET. Если ты работаешь с автомобильными системами, встраиваемыми устройствами или робототехникой, она даёт интерфейс к железу, чтобы считывать и отправлять кадры, сигналы и работать с базами данных сетей.

📌 Особенности библиотеки:

🟢 Поддержка CAN и LIN — взаимодействие с сетями транспортных сообщений через NI-XNET оборудование
🟢 Возможность читать кадры, сигналы, преобразовывать данные между физическим и представлением (unit conversion)
🟢 Использует API NI-XNET / NI hardware — фактически “Python на железо” решение
🟢 Поддержка Windows и взаимодействие с runtime NI-XNET

⚙️ Установка:

pip install nixnet

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ ChainedDicts

📱 Python 3.x
ℹ️ Модули: чистый Python, без внешних зависимостей — использует механизмы словарей и дандер-методы.

📌 ChainedDicts — класс, который объединяет несколько словарей в один “цепочечный” словарь. При получении ключа он ищет его сначала во внутреннем (базовом), потом в первом, потом во втором словаре, таким образом можно создать “слоистые” конфигурации, с переопределениями. Это удобно, когда хочешь конфигурацию по умолчанию + локальные переопределения + динамические значения.

👨‍💻 Пример кода (отрывок из Gist):

class ChainedDicts(dict):
    def __init__(self, *dicts):
        self.dicts = dicts
        self.base = {}

    def __getitem__(self, item):
        if item in self.base:
            return self.base[item]
        elif item not in self.dicts[0]:
            raise KeyError
        for internal_dict in self.dicts:
            if item in internal_dict:
                item = internal_dict[item]
            else:
                return item
        return item

    def __setitem__(self, key, value):
        self.base[key] = value

    def __delitem__(self, key):
        if key in self.base:
            del self.base[key]
        if key in self.dicts[0]:
            del self.dicts[0][key]

# Пример использования из Gist:
d = ChainedDicts({1: 2, 3: 4}, {4: 5, 6: 8})
print(d[1])
print(d[3])

📌 Что делает:

🟢Конструирует словарь, объединяющий несколько уровней словарей
🟢При чтении ключа: сначала смотрит base (локальные переопределения), потом “цепочку” словарей
🟢При записи: всегда записывает в base
🟢При удалении: удаляет из base или из первого словаря, если там
🟢Позволяет иметь “умный” конфиг: “дефолт + overrides + runtime”

🔗 Репозиторий / Gist

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ GraSPy

📌 GraSPy — библиотека для статистики над графами: вычисление метрик, вероятностный анализ графовых данных, сравнение графов, визуализация распределений. Полезна, когда нужно работать с сетью и делать выводы не просто о связях, а о статистиках, тестах, случайных графах.

📌 Особенности библиотеки:

🟢 Поддерживает различные статистические методы для графов: распределения степеней, алгоритмы сравнения графов, random graph models.
🟢 API совместим с привычным стилем библиотек Python для работы с данными / машинным обучением: интеграция в пайплайны исследовательской работы.
🟢 Визуализация и инструменты анализа графов внутри библиотеки.
🟢 Открытый исходный код, лицензия Apache 2.0.

⚙️ Установка:

pip install graspy

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ autocut.py — ускоряем скучные моменты видео

📱 Python 3.x
ℹ️ Модули: argparse, subprocess (для вызова ffmpeg), time и др.

📌 autocut.py — скрипт, который автоматически ускоряет “тихие” части видео (например лекций), чтобы ты не тратил время на паузы и молчание. Можно задать порог тишины и насколько ускорять эти части. Полезно, если любишь смотреть длинные видео, лекции или стримы, но хочешь “вырезать” момент, когда ничего не происходит.

👨‍💻 Пример кода (фрагмент оригинала):

import argparse
import subprocess

def autocut(input_files, output, silent_speed=10, silent_threshold=600, denoise=False):
    for input_vid in input_files:
        cmd = ["ffmpeg", "-i", input_vid]
        # добавляется фильтр, который ускоряет silent части
        vfilt = f"silencedetect=n={silent_threshold}dB"
        # здесь опции ускорения, убирание шума и т.д.
        # пример:
        cmd.extend([
            "-vf", vfilt,
            "-filter_complex", f"[0:v]setpts=PTS/ {silent_speed}[v]",
            "-map", "[v]", "-map", "0:a",
            output or f"{input_vid}_faster.mp4"
        ])
        if denoise:
            cmd.extend(["-af", "arnndn"])
        print("Running:", " ".join(cmd))
        subprocess.run(cmd, check=True)

if __name__ == "__main__":
    parser = argparse.ArgumentParser(description="Speed up silent parts in videos.")
    parser.add_argument("--input", nargs='+', required=True, help="Input video files *.mp4")
    parser.add_argument("--output", help="Output filename or directory")
    parser.add_argument("--silent-speed", type=int, default=10, help="How much to speed up silent parts")
    parser.add_argument("--silent-threshold", type=int, default=600, help="What is considered silent (threshold in milliseconds/sound level)")
    parser.add_argument("--denoise", action="store_true", help="Remove background noise using ffmpeg model")
    args = parser.parse_args()
    autocut(args.input, args.output, args.silent_speed, args.silent_threshold, args.denoise)

📌 Что делает:

🟢 Определяет “тихие” участки видео, используя порог громкости / шумов
🟢 Автоматически ускоряет эти участки, чтобы сократить общее время просмотра видео
🟢 Опционально удаляет шум или фоновые звуки (denoise) при помощи фильтров ffmpeg
🟢 Сохраняет модифицированное видео с суффиксом или в указанное место

🔗 Репозиторий / исходник

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ nico-sc-sp

📌 nico-sc-sp — библиотека для анализа одно-клеточных пространственных транскриптомных данных (spatial transcriptomics) с акцентом на взаимодействие ядер и “ниши” клеток. Она помогает выявлять ковариации между типами клеток, находящимися рядом в ткани, и строить биологические выводы по связи генов и структуры ткани.

📌 Особенности библиотеки:

🟢 Аннотация типов клеток: библиотека помогает метить клетки по данным транскриптомики.
🟢 Выявление взаимодействий ниш: определение, какие типы клеток близко соседствуют и как они влияют друг на друга.
🟢 Ковариационный анализ: нахождение взаимозависимостей между наборами генов у взаимодействующих клеток.
🟢 Интеграция с популярными библиотеками: зависит от scanpy, pandas, numpy, pygraphviz и др.

⚙️ Установка:

pip install nico-sc-sp

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ Slideshare Downloader

📱 Python 3.x
ℹ️ Модули: requests, BeautifulSoup / lxml — для HTTP-запросов и парсинга HTML страниц.

📌 Slideshare Downloader — утилита, которая позволяет скачивать презентации (Slideshare) в виде PDF или изображений, удобно сохранять копии слайдов. Если видишь полезную презентацию, которую хочешь держать офлайн — этот скрипт может помочь.

👨‍💻 Пример кода (адаптация):

import requests
from bs4 import BeautifulSoup
import os

def download_slideshare(slide_url, output_dir="slides"):
    os.makedirs(output_dir, exist_ok=True)
    resp = requests.get(slide_url)
    soup = BeautifulSoup(resp.text, "html.parser")
    # найти контейнер со слайдами, получить ссылки на изображения слайдов
    img_tags = soup.select("img.slide_image")  # пример селектора
    for idx, img in enumerate(img_tags):
        img_url = img.get("data-full") or img.get("src")
        if not img_url:
            continue
        ext = img_url.split('.')[-1]
        fname = f"slide_{idx}.{ext}"
        path = os.path.join(output_dir, fname)
        r = requests.get(img_url)
        with open(path, "wb") as f:
            f.write(r.content)
        print("Downloaded:", fname)

if __name__ == "__main__":
    url = "https://www.slideshare.net/some-presentation"
    download_slideshare(url)

📌 Что делает:

🟢 Загружает HTML страницы Slideshare
🟢 Парсит HTML и извлекает ссылки на изображения слайдов
🟢 Скачивает каждый слайд как картинку
🟢 Сохраняет всё в указанную папку, нумеруя слайды

🔗 Репозиторий GitHub

#скрипты

🖥 Python_Scripts

🔥 Полезные библиотеки Python

✅ AnomalousLib

📌 AnomalousLib — библиотека, ориентированная на исследование аномальной диффузии (anomalous diffusion), часто встречающейся в физике, биологии и финансовых данных. Она предоставляет средства для генерации синтетических данных, статистического анализа, фиттинга моделей и визуализации результатов.

📌 Особенности библиотеки:

🟢 Поддержка Python 3.12.10 или новее.
🟢 Позволяет генерировать данные с различными типами аномальной диффузии (subdiffusion, superdiffusion и др.).
🟢 Встроенные методы статистического анализа (оценка показателей, сравнение моделей) + инференс моделей.
🟢 С визуализацией: возможность строить графики траекторий, распределений, оценки отклонения от нормальной диффузии.

⚙️ Установка:

pip install anomalouslib

🔢 Документация

#библиотеки

🖥 Python_Scripts

✅ 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