import qrcode
from PIL import Image

def generate_qr_code(data, filename="qr_code.png"):
    qr = qrcode.QRCode(
        version=1,
        error_correction=qrcode.constants.ERROR_CORRECT_L,
        box_size=10,
        border=4,
    )
    qr.add_data(data)
    qr.make(fit=True)

    img = qr.make_image(fill_color="black", back_color="white")
    img.save(filename)
    return filename

if __name__ == "__main__":
    print("Генератор QR-кодов")
    input_data = input("Введите текст или ссылку для кодирования в QR-код: ")
    output_filename = input("Введите имя файла для сохранения QR-кода (например, my_qr.png) или нажмите Enter для 'qr_code.png': ")

    if not output_filename:
        output_filename = "qr_code.png"
    elif not output_filename.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp', '.gif')):
        output_filename += ".png"

    saved_file = generate_qr_code(input_data, output_filename)
    print(f"QR-код успешно создан и сохранен как '{saved_file}'")

pip install qrcode Pillow

Дело в том, что разные версии библиотек могут иметь разный синтаксис. Например, популярный aiogram, который используют для написания асинхронных телеграм-ботов, во всех версиях 2. имеет совершенно иные методы/функции, нежели в версии 3. И даже внутри одного поколения, к примеру, aiogram 3.7 и aiogram 3.18 - есть значительные отличия. К чему это ведет? Проект написанный на какой-то конкретной, актуальной версии библиотеки, может просто не "стартовать" у пользователя уже через полгода. Для неопытного/начинающего разработчика - это беда.

requests
aiogram
pillow

pip freeze > requirements.txt

pip install pip-tools

pip-compile requirements.in -o requirements.txt

pip-sync requirements.txt

-r requirements.in
pytest
ruff
mypy

pip-compile requirements.in -o requirements.txt
pip-compile requirements-dev.in -o requirements-dev.txt

pip-sync requirements.txt requirements-dev.txt

#include <iostream>
#include <string>
#include <vector>
#include <curl/curl.h>
#include <gumbo.h>

size_t write_callback(void *contents, size_t size, size_t nmemb, std::string *s) {
    size_t new_length = size * nmemb;
    try {
        s->append((char*)contents, new_length);
    } catch(std::bad_alloc &e) {
        return 0;
    }
    return new_length;
}

void search_for_headers(GumboNode* node, std::vector<std::string>& headers) {
    if (node->type != GUMBO_NODE_ELEMENT) {
        return;
    }

    GumboTag tag = node->v.element.tag;
    if (tag >= GUMBO_TAG_H1 && tag <= GUMBO_TAG_H6) {
        GumboVector* children = &node->v.element.children;
        for (unsigned int i = 0; i < children->length; ++i) {
            GumboNode* child = static_cast<GumboNode*>(children->data[i]);
            if (child->type == GUMBO_NODE_TEXT) {
                headers.push_back(child->v.text.text);
            }
        }
    }

    GumboVector* children = &node->v.element.children;
    for (unsigned int i = 0; i < children->length; ++i) {
        search_for_headers(static_cast<GumboNode*>(children->data[i]), headers);
    }
}

int main() {
    CURL *curl;
    CURLcode res;
    std::string html_content;

    curl = curl_easy_init();
    if (curl) {
        curl_easy_setopt(curl, CURLOPT_URL, "https://ru.wikipedia.org/wiki/Заглавная_страница");
        curl_easy_setopt(curl, CURLOPT_WRITEFUNCTION, write_callback);
        curl_easy_setopt(curl, CURLOPT_WRITEDATA, &html_content);
        
        res = curl_easy_perform(curl);
        if (res != CURLE_OK) {
            std::cerr << "Ошибка curl_easy_perform(): " << curl_easy_strerror(res) << std::endl;
        }
        
        curl_easy_cleanup(curl);
    }

    if (html_content.empty()) {
        std::cerr << "Не удалось загрузить HTML." << std::endl;
        return 1;
    }

    GumboOutput* output = gumbo_parse(html_content.c_str());
    
    std::vector<std::string> headers;
    search_for_headers(output->root, headers);

    std::cout << "Найденные заголовки:" << std::endl;
    for (const auto& header : headers) {
        std::cout << "- " << header << std::endl;
    }

    gumbo_destroy_output(&kGumboDefaultOptions, output);

    return 0;
}

# Обновляем список пакетов
sudo apt update

# Устанавливаем Docker
sudo apt install -y docker.io

# Запускаем и добавляем Docker в автозагрузку
sudo systemctl start docker
sudo systemctl enable docker

# Устанавливаем Docker Compose
sudo apt install -y docker-compose

docker --version
docker-compose --version

cd /root/dialog_bot/

sudo docker-compose up --build -d

sudo docker-compose logs -f

1. Перейдите на официальный сайт Docker и скачай установщик для Windows.
2. Установите Docker Desktop:
- Запустите скачанный установщик.
- Следуйте инструкциям на экране. Очень важно: убедитесь, что выбрана опция "Use WSL 2 instead of Hyper-V" (Использовать WSL 2 вместо Hyper-V), если она доступна и твой Windows 10 это поддерживает (версия 2004 и выше, сборка 19041 и - выше). WSL 2 обеспечивает лучшую производительность. Если опции нет или твоя система старее, Docker Desktop может использовать Hyper-V.
- Установка может потребовать включения функций "Контейнеры" и "Подсистема Windows для Linux" (WSL). Установщик обычно предлагает сделать это автоматически или дает инструкции.
3. Запусти Docker Desktop после установки. Иконка кита появится в системном трее. При первом запуске может потребоваться некоторое время на инициализацию. Убедись, что Docker Desktop показывает, что он запущен (иконка кита в трее статична и не анимирована).

docker-compose up --build -d

pip install pyrofork

1. Веб-приложения на Django & Flask: Это самая частая сфера применения. Интернет-магазины, блоги, CRM-системы, социальные сети — везде, где нужно надежно хранить данные о пользователях, товарах или постах, MySQL отлично справляется с ролью хранилища. Django и Flask имеют прекрасную интеграцию с этой СУБД.
2. Аналитика и ETL-процессы: Представьте, что вы парсите данные с сайтов. Python-скрипт собирает информацию, обрабатывает ее и аккуратно записывает в таблицы MySQL. Позже эти данные можно легко анализировать и строить отчеты.
3. Телеграм-боты: Ваш бот должен помнить пользователей, их настройки или историю сообщений? MySQL — отличный и надежный выбор для хранения этой информации.
4. Системы мониторинга: Скрипты, которые следят за состоянием серверов или приложений, могут записывать логи и метрики в базу MySQL для последующего анализа.

import asyncio
from telegram import Bot

async def get_telegram_gifts(bot_token):
    bot = Bot(token=bot_token)
    gifts = await bot.get_available_gifts()
    for gift in gifts.gifts:
        print(f"ID подарка: {gift.id}, Эмодзи: {gift.sticker.emoji}, Размер файла стикера: {gift.sticker.file_size}, Стоимость: {gift.star_count}")



# Замените на токен бота!
bot_token = "ТОКЕН_АДМИН_КРАСАВЧИК"
asyncio.run(get_telegram_gifts(bot_token))

 pip install python-telegram-bot

import requests
import cv2
import os
from insightface.app import FaceAnalysis
from insightface.model_zoo import get_model

app = FaceAnalysis(name='buffalo_l')
app.prepare(ctx_id=0, det_size=(640, 640))


def download_model(url, model_path):
    if not os.path.exists(model_path):
        print(f"Загрузка модели с {url}...")
        response = requests.get(url)
        response.raise_for_status()
        with open(model_path, 'wb') as file:
            file.write(response.content)
        print(f"Модель сохранена как {model_path}")


model_url = "https://huggingface.co/ezioruan/inswapper_128.onnx/resolve/main/inswapper_128.onnx?download=true"
model_path = "inswapper_128.onnx"

download_model(model_url, model_path)

swapper = get_model(model_path)


def swap_face_between_images(source_image_path, target_image_path, output_image_path):
    source_img = cv2.imread(source_image_path)
    if source_img is None:
        print(f"Ошибка: Не удалось загрузить изображение-источник по пути: {source_image_path}")
        return

    target_img = cv2.imread(target_image_path)
    if target_img is None:
        print(f"Ошибка: Не удалось загрузить изображение-цель по пути: {target_image_path}")
        return

    print("Анализ лиц на изображении-источнике...")
    source_faces = app.get(source_img)
    if not source_faces:
        print("Ошибка: Лица на изображении-источнике не найдены.")
        return
    source_face = source_faces[0]

    print("Анализ лиц на изображении-цели...")
    target_faces = app.get(target_img)
    if not target_faces:
        print("Ошибка: Лица на изображении-цели не найдены.")
        return
    target_face_to_replace = target_faces[0]

    print("Выполнение замены лица...")
    result_img = target_img.copy()
    result_img = swapper.get(result_img, target_face_to_replace, source_face)

    cv2.imwrite(output_image_path, result_img)
    print(f"Изображение с замененным лицом сохранено как: {output_image_path}")


if __name__ == "__main__":
    path_to_source_photo = 'rojers.jpg'
    path_to_target_photo = 'stark.jpg'
    output_filename = 'swapped_result.png'

    if not os.path.exists(path_to_source_photo):
        print(
            f"Файл источника не найден: {path_to_source_photo}. Пожалуйста, создайте его или укажите правильный путь.")
    elif not os.path.exists(path_to_target_photo):
        print(f"Файл цели не найден: {path_to_target_photo}. Пожалуйста, создайте его или укажите правильный путь.")
    else:
        swap_face_between_images(path_to_source_photo, path_to_target_photo, output_filename)

opencv-python
onnxruntime
insightface

- захват аудио: скрипты непрерывно слушают аудиопоток с микрофона с частотой дискретизации 44100 Гц. Аудио делится на короткие фрагменты (фреймы) длительностью 20 мс;
- фильтрация: хлопок имеет характерный частотный спектр. Чтобы отсеять посторонние шумы (голос, музыку, звуки улицы), каждый фрейм проходит через полосовой фильтр Баттерворта. Фильтр пропускает только частоты в диапазоне от 1400 Гц до 1800 Гц. К фреймам применяется оконная функция Ханна для сглаживания и уменьшения спектральных искажений;
- детекция пиков: в отфильтрованном сигнале скрипт ищет резкие всплески амплитуды (пики), которые превышают заданный порог (например, 0.2);
- защита от ложных срабатываний: Чтобы один громкий хлопок не был засчитан как два, установлена минимальная задержка между обнаруженными пиками — 0.2 секунды.

from transformers import BlipProcessor, BlipForConditionalGeneration
import torch
from PIL import Image

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-base")

image_path = "img_4.jpg"
image = Image.open(image_path)

inputs = processor(images=image, return_tensors="pt")

with torch.no_grad():
    output = model.generate(**inputs)

description = processor.decode(output[0], skip_special_tokens=True)

print("Image description:", description)

transformers
torch
Pillow