⚡️ Как быстро превратить CSV в JSON на Python

Часто данные прилетают в формате CSV, а работать удобнее в JSON. Решается в пару строк кода:

import csv
import json

def csv_to_json(filename_in, filename_out):
    with open(filename_in, "r", encoding="cp1251") as csvfile:
        reader = csv.DictReader(csvfile, delimiter=";")
        rows = list(reader)
    with open(filename_out, "w", encoding="utf-8") as jsonfile:
        json.dump(rows, jsonfile, ensure_ascii=False, indent=2)

# Пример:
csv_to_json("price.csv", "output.json")

🔑 На что стоит обратить внимание:

* Кодировка: в России CSV-файлы часто в cp1251, а JSON лучше сохранять в utf-8.
* Разделитель: Excel любит ; вместо привычной запятой ,. Если структура другая — не забудьте поменять delimiter.

В итоге получаем аккуратный output.json с красивыми отступами и без кракозябр. 🚀

Помню те времена, когда ещё не было нейронок и именно Stack Overflow был нашей единственной надеждой.

Найдёшь то самое ключевое слово — и будто свет в конце туннеля. Покойся с миром, старый друг 😔

Карьерный буст, робот в подарок и призовой фонд 7 500 000 рублей 🤖
Успей зарегистрироваться до 20 октября.

Все это ждет участников трека «Программирование роботов» на всероссийском ИТ-чемпионате МТС True Tech Champ 2025. Присоединяйся, если пишешь на С++, Go, Python, JS, Java, C# или другом языке.

Соревнования пройдут в командах от 2 до 4 человек в несколько этапов:

— Квалификация. Тебе предстоит запрограммировать робота на прохождение виртуального лабиринта.
— Полуфинал. Ты будешь дистанционно управлять роботом на офлайн-полигоне и наблюдать за его перемещениями в трансляции.
— Финал. За две недели до финала организаторы отправят тебе настоящего робота для кастомизации. Ты сможешь модифицировать его, чтобы он оказался быстрее других в многоуровневом офлайн-лабиринте и смог выбить соперников с платформы в шоу-битве.

Команды финалистов получат по одному роботу Waveshare Cobra Flex в подарок и сразятся за крупные денежные призы: 4 000 000 ₽ за первое место, 2 500 000 ₽ за второе и 1 000 000 ₽ за третье.

Еще ты сможешь:

— Получить практический опыт работы с инструментами, с помощью которых создают домашних и промышленных роботов.
— Прокачать компетенции, которые помогут развиваться в ИТ.
— Заявить о себе на всю Россию и ускорить свой профессиональный рост.

📍 Финал состоится 21 ноября в МТС Live Холл в Москве.
👉🏻 Регистрируйся на сайте до 20 октября.

Мой боевой набор MCP-серверов для работы с AI

Делюсь инструментами, которые реально меняют подход к разработке с нейросетями. Использую их и в личных проектах, и в связке с агентами вроде Claude Code или Cursor.

Что такое MCP и почему это важно

Model Context Protocol — это протокол, который даёт AI-ассистенту прямой доступ к вашим инструментам: файловой системе, базам данных, git-репозиториям и API. Вместо бесконечного копипаста нейросеть сама читает код, выполняет запросы к БД и коммитит изменения.

Пять серверов, которые я настраиваю в каждом проекте

1. Filesystem — фундамент работы

"filesystem": {
  "command": "npx",
  "args": [
    "-y",
    "@modelcontextprotocol/server-filesystem",
    "/путь/к/вашему/проекту"
  ]
}

Зачем нужен: AI получает доступ к файлам проекта — может читать код, анализировать структуру, вносить изменения. Это базовый инструмент, без которого остальное не имеет смысла. Особенно актуальный инструмент в работе с собственными ии-проектами.

Совет: указывайте путь к корню конкретного проекта, а не к домашней директории. Это и безопаснее, и помогает AI сфокусироваться на релевантных файах.

2. Git — версионирование на автопилоте

"git": {
  "type": "stdio",
  "command": "uvx",
  "args": [
    "mcp-server-git",
    "--repository",
    "/путь/к/вашему/проекту"
  ]
}

Зачем нужен: AI может изучать историю коммитов, создавать ветки, делать коммиты. Особенно полезно для code review и анализа того, как менялся код со временем.

Требования: нужен Python и установленный uvx.

3. Postgres — работа с БД без головной боли

"postgres": {
  "command": "uv",
  "args": ["run", "postgres-mcp", "--access-mode=unrestricted"],
  "env": {
    "DATABASE_URI": "postgresql://user:password@localhost:5432/dbname"
  }
}

Зачем нужен: AI может выполнять SQL-запросы, анализировать схему базы данных, помогать с миграциями. Экономит массу времени на отладке запросов и оптимизации.

Важно:
- Флаг --access-mode=unrestricted используйте только в dev-окружении
- Никогда не коммитьте реальные пароли в конфиг — используйте переменные окружения

4. cURL — свобода работы с API

"curl": {
  "command": "npx",
  "args": ["-y", "@mcp-get-community/server-curl"]
}

Зачем нужен: AI может делать HTTP-запросы к любым API. Тестирование эндпоинтов, интеграция с внешними сервисами — всё через простое текстовое описание задачи.

5. Context7 — актуальная документация библиотек

"context7": {
  "command": "npx",
  "args": ["-y", "@upstash/context7-mcp"],
  "env": {
    "CONTEXT7_API_KEY": "ваш_api_ключ"
  }
}

Зачем нужен: даёт AI доступ к актуальной документации популярных библиотек и фреймворков. Вместо того чтобы полагаться на устаревшие знания из обучающей выборки, нейросеть получает свежую информацию об API, best practices и изменениях в новых версиях. Особенно критично для быстро развивающихся экосистем вроде React, Next.js или FastAPI.

API-ключ: получить можно на Сontext7

Как это работает в реальной жизни

Мой типичный workflow выглядит так:

1. Filesystem + Git — AI читает код, вносит изменения, коммитит их с осмысленными сообщениями
2. Postgres — проверяю и оптимизирую SQL-запросы, анализирую данные
3. cURL — тестирую API endpoints прямо в диалоге с AI
4. Context7 — AI работает с актуальной документацией библиотек, не галлюцинирует устаревшие методы

Безопасность превыше всего

Несколько правил, которых я строго придерживаюсь:

- Никогда не давайте AI доступ к продакшн-базам данных
- Создавайте отдельного пользователя БД с минимально необходимыми правами
- Храните секреты и пароли в переменных окружения, а не в конфигах
- Всегда ревьюте действия AI, особенно git-коммиты и изменения в БД

Эти пять MCP-серверов покрывают около 90% моих задач при работе с AI в проектах. Настраиваются один раз, работают везде. AI получает все необходимые инструменты для реальной работы — не просто генерации кода, а полноценного участия в разработке.

Какие MCP-серверы используете вы? Поделитесь опытом в комментариях! 👇

А что, GitHub тоже отказался работать?

Многие начинающие разработчики, которые уже пишут свои программы, рано или поздно приходят к понятию деплоя. К сожалению, часто в проектах, в которых нам приходится участвовать, нет DevOps-специалиста, поэтому ответственность за деплой ложится на нас.

Этот пост я хочу посвятить новичкам, у которых вызывает трепет задача запуска приложения на сервере.

Нужно понимать одну важную вещь: в абсолютном большинстве случаев вы будете работать с готовой операционной системой. Обычно это какой-то дистрибутив Linux (часто Ubuntu) или Windows Server, но с одним критическим отличием — там не будет графической оболочки. Мышкой некуда будет нажать.

В остальном же у вас не вызывает трепет взаимодействие с операционной системой, на которой вы работаете, верно? Вот и сервер — это та же самая операционная система, только без GUI. Файлы, процессы, сеть — все это работает точно так же.

Единственное, что меняется — способ взаимодействия. Вместо мышки у вас будет SSH и командная строка. Вместо двойного клика — команды типа python app.py или systemctl start myapp. Это не магия, это просто другой интерфейс для той же самой системы.

Так что не бойтесь серверов. Просто держите крышку открытой 😄

P.S. Рассказать в следующих постах про основные способы запуска Python приложений на VPS-сервере?