Автоматизация отправки электронной почты

Автоматическая отправка email-сообщений может быть полезной в самых разных задачах, от уведомлений до отчетности. Вот пример, как отправить письмо с помощью библиотеки smtplib в Python:

import smtplib
from email.mime.text import MIMEText

# Настройки
sender_email = 'youremail@example.com'
receiver_email = 'receiver@example.com'
password = 'yourpassword'

# Создание письма
msg = MIMEText('Текст вашего сообщения')
msg['Subject'] = 'Тема письма'
msg['From'] = sender_email
msg['To'] = receiver_email

# Отправка письма
with smtplib.SMTP_SSL('smtp.gmail.com', 465) as server:
    server.login(sender_email, password)
    server.sendmail(sender_email, receiver_email, msg.as_string())

print("Письмо отправлено!")

Теперь вы можете автоматизировать процессы отправки уведомлений или отчетов

Экономия памяти с помощью __slots__

Когда вы работаете с классами, создающими множество экземпляров, возможно, замечали, что программа может внезапно начать использовать много памяти. Это связано с тем, что Python хранит атрибуты объектов в словарях. Такая структура данных удобна для быстрого доступа, но она не самая эффективная с точки зрения использования памяти. Для большинства задач это не критично, однако если ваша программа начинает "жадно" потреблять память, стоит попробовать использовать механизм slots.

Вместо того чтобы хранить атрибуты объектов в словаре, slots позволяет создать фиксированный набор атрибутов, что значительно снижает потребление памяти. Особенно полезно в ситуациях, когда вам нужно создать большое количество однотипных объектов.

Маленький лайфхак: использование slots может значительно улучшить производительность при обработке миллионов объектов, так что стоит учитывать эту возможность для оптимизации.

Простое создание графиков с Matplotlib

Модуль matplotlib позволяет легко строить графики на Python. Вот пример того, как можно построить график зависимости синуса от угла:

import matplotlib.pyplot as plt
import numpy as np

# Данные
x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

# Построение графика
plt.plot(x, y)
plt.title('График синуса')
plt.xlabel('Угол (радианы)')
plt.ylabel('Значение синуса')

# Отображение графика
plt.show()

С помощью matplotlib можно создавать не только простые графики, но и сложные визуализации для анализа данных.

Возврат нескольких значений

Функции в Python могут возвращать более одной переменной без применения словаря, списка или класса.

Сохранение данных в формате CSV

Если вам нужно работать с табличными данными, сохранение и чтение CSV-файлов с помощью Python — отличный способ. Пример записи данных в CSV:

import csv

# Данные для записи
data = [['Имя', 'Возраст', 'Город'],
        ['Иван', 25, 'Москва'],
        ['Мария', 30, 'Санкт-Петербург']]

# Запись в файл
with open('data.csv', mode='w', newline='') as file:
    writer = csv.writer(file)
    writer.writerows(data)

print("Данные сохранены в data.csv!")

Это простой способ сохранить структурированные данные и затем работать с ними.

Ограничение использования процессора и памяти в Python

Если вашей задаче нужно не столько оптимизировать использование ресурсов, сколько просто установить жёсткие ограничения на использование процессора или памяти, Python предлагает удобные решения через специальные библиотеки.

Преобразование текста в речь с использованием gTTS

Библиотека gTTS позволяет легко преобразовывать текст в речь. Вот как можно создать аудиофайл с голосом, читающим текст:

from gtts import gTTS

# Текст, который хотим озвучить
text = "Привет! Это тест преобразования текста в речь."

# Создание аудио
tts = gTTS(text=text, lang='ru')
tts.save("speech.mp3")

print("Аудиофайл сохранен как speech.mp3!")

Теперь ваш текст может быть озвучен и сохранен в аудиофайл. Можно использовать это для создания голосовых уведомлений или обучающих материалов

Упрощение создания операторов сравнения с помощью `functools.total_ordering`

Когда вам нужно реализовать операторы сравнения для объектов класса, можно значительно упростить задачу с помощью декоратора functools.total_ordering. Вместо того чтобы вручную реализовывать все операторы (такие как <=, >, >=, и т.д.), достаточно определить только два — __lt__ (меньше) и __eq__ (равно).

Декоратор total_ordering возьмёт эти два оператора и автоматически сгенерирует остальные, что сэкономит вам время и избавит от повторяющегося кода. Это особенно полезно, когда сравнение объектов важно, но вы не хотите вручную прописывать каждый оператор сравнения.

IceCream

IceCream — это библиотека, которая предоставляет простой и эффективный способ отладки кода. Вместо того чтобы использовать функцию print() для отладки, вы можете использовать функцию ic() из библиотеки IceCream, которая позволяет вам инспектировать переменные, выражения и выполнение программы с помощью одного простого вызова функции.

В этом примере кода вывод ic| указывает на то, что это вывод от IceCream, а result: 6 — имя переменной и ее значение.

IceCream может быть использован в любом месте, где требуется отладка кода: веб-разработка, научные вычисления, анализ данных и т.д.

😮 92% подписчиков этих каналов не просто мечтатели, а реальные python-программисты, которые каждый день пишут код для реальных проектов!

Вот эти каналы, где реально полезная инфа на каждый день:

👩‍💻 Python — каждый день новые знания для кодера любого уровня

👩‍💻 Backend — мастхев канал для бекендера

👩‍💻 Code Tests — идеальные тесты для проверки знаний

🔒Сделали бесплатный вход только на 48 часов, успей залететь!

Метод `__missing__` для работы с отсутствующими ключами в словарях

Если вы создаёте собственный тип данных, основанный на словарях, полезно использовать метод __missing__. Этот метод позволяет задать поведение, которое будет выполняться, когда запрашиваемый ключ отсутствует в словаре. Например, можно вернуть значение по умолчанию или вызвать ошибку, если ключ не найден.

При переопределении этого метода, вы получаете полный контроль над тем, что происходит в случае отсутствия ключа, вместо того чтобы полагаться на стандартное поведение, например, выброс исключения KeyError.

Vibe Draw — простой и удобный инструмент для 3D-моделирования

Vibe Draw — это интуитивно понятная программа для создания 3D-моделей, которая превращает ваши 2D-эскизы в полноценные 3D-объекты всего за один клик, используя возможности ИИ.

🔸 Рисуйте 2D-эскизы и мгновенно превращайте их в 3D-модели.
🔸 ИИ помогает оптимизировать и улучшать детали моделей.
🔸 Используйте текстовые подсказки для тонкой настройки и улучшения 3D-моделей.
🔸 Легко комбинируйте несколько моделей в 3D-пространстве для создания сцены.
🔸 Экспортируйте готовые модели в формат .glTF для дальнейшей работы в других приложениях.

Благодаря поддержке Docker и экспорту в .glTF, Vibe Draw идеально подходит для интеграции в ваши рабочие процессы. Удобно, быстро и эффективно

GitHub

🤔 Что такое стоимость владения (и почему это важно)?

Простыми словами, стоимость владения проектом (или TCO — total cost of ownership) — это сколько денег и ресурсов нужно, чтобы твой продукт не только жил, но и был полезен бизнесу.

И тут есть подвох: когда стоимость владения высокая, бизнес страдает, потому что деньги улетают в поддержку, баги, переписывание и разгребание хаоса вместо развития и новых фич. А если страдает бизнес, то страдаешь и ты, потому что вместо крутых задач приходится чинить старое легаси.

🔍 Что повышает стоимость проекта и почему это плохо для всех?

👉 Нечитаемый и грязный код
Это классика. Когда никто не понимает, что происходит в коде, каждая фича делается в разы дольше, а баги становятся кошмаром. В итоге бизнес получает фичи поздно, теряет клиентов и деньги.

👉 Слишком сложная архитектура (привет, переусложнённые микросервисы!)
Слишком много сервисов, сложные связи, запутанные процессы. Команда тратит время на выяснение отношений вместо написания кода. Менеджмент ждёт, бизнес теряет деньги.

👉 Отсутствие автоматизации
Если тесты, деплой и мониторинг делаются вручную, разработчики заняты рутинной работой, а не реальными задачами. Падает производительность, вырастает число ошибок — бизнес снова теряет.

👉 Большие технические долги и отказ от рефакторинга
Кажется, быстрее «залатать и забыть». На практике эти костыли превращаются в мины замедленного действия, которые потом больно взрываются на проде.

🛠️ Что разработчик может делать прямо сейчас, чтобы снизить стоимость владения?

✅ Регулярно рефакторить код
Держи код чистым. Рефакторинг — не роскошь, а необходимость. Чем чище код, тем быстрее идут задачи.

✅ Автоматизируй всё, что можно автоматизировать (без перебора)
Юнит-тесты, CI/CD, мониторинг, алерты — автоматизация высвобождает время для важных задач и снижает шанс ошибок на проде. Забудь о ручном деплое и тестировании. CI/CD pipeline, автоматизированные тесты и алерты экономят кучу времени и нервов.

✅ Выбирай осознанно архитектуру
Не прыгай сразу в микросервисы, если этого не требует задача. Выбирай решения, исходя из потребностей бизнеса и простоты поддержки, а не только из-за трендов.

✅ Документируй осознанно
Пиши кратко, чётко и по делу. Документация должна помогать команде быстро включиться в проект, а не создавать дополнительный хаос.

💡 Вывод:
Высокая стоимость владения проектом ударяет не только по карману бизнеса, но и по твоим собственным задачам. Чем выше TCO, тем меньше у команды времени на что-то новое и интересное. Уменьшая технический долг и автоматизируя процессы, ты не только помогаешь компании зарабатывать, но и делаешь жизнь проще лично себе и своей команде.

🔥 А вот как это донести до бизнеса и менеджеров - тема отдельного поста. Поделитесь идеями, потому что это, обычно, одна из самых сложных проблем.

Реклама. Лукьянов П.А. ИНН 780159889217. erid: 2W5zFGXczQG

Использование `dataclasses` для автоматизации создания классов

Python 3.7 и выше предлагает удобный способ для создания классов с помощью модуля dataclasses. Этот инструмент позволяет вам быстро создавать классы, автоматически генерируя методы __init__, __repr__, __eq__, и другие. Сэкономьте время и код!

Пример:

from dataclasses import dataclass

@dataclass
class Product:
    name: str
    price: float
    quantity: int

product = Product('Apple', 1.5, 10)
print(product)  # Product(name='Apple', price=1.5, quantity=10)

🔥 Бонус: dataclasses упрощают работу с неизменяемыми объектами и позволяют использовать frozen=True, чтобы сделать объект неизменяемым после создания:

@dataclass(frozen=True)
class ImmutableProduct:
    name: str
    price: float

# product.name = 'Orange'  # Это вызовет ошибку!

Как использовать `contextlib` для работы с контекстными менеджерами

Работа с файлами или базами данных часто требует корректного управления ресурсами. В Python это удобно делать с помощью контекстных менеджеров. Модуль contextlib упрощает создание таких менеджеров без необходимости писать громоздкий код.

Пример:

from contextlib import contextmanager

@contextmanager
def my_open_file(filename, mode):
    try:
        file = open(filename, mode)
        yield file
    finally:
        file.close()

with my_open_file('test.txt', 'w') as f:
    f.write('Hello, world!')

💡 Совет: Вместо использования try/finally, contextlib позволяет красиво и без лишних усилий управлять ресурсами.

Оператор is в Python используется для проверки, ссылаются ли два операнда на один и тот же объект в памяти, то есть, являются ли они фактически одним и тем же объектом.

Важно помнить, что is проверяет не равенство значений, а именно идентичность объектов в памяти. Для проверки значений обычно используется оператор ==

Использование генераторов для обработки больших данных

Если вам нужно обработать большой объём данных, но не хотите загружать всё в память, используйте генераторы. Они позволяют работать с данными по одному элементу за раз, экономя память.

Пример:

def my_generator():
    for i in range(1000000):
        yield i

gen = my_generator()

# Выводим первые 5 чисел
for _ in range(5):
    print(next(gen))

💡 Почему это полезно: генераторы могут работать с огромными данными, не загружая их полностью в память, что особенно важно для обработки больших файлов или потоков данных.

В чём разница между типами list и tuple?

В Python, список (list) и кортеж (tuple) являются двумя различными типами данных, которые предоставляют набор элементов в определенном порядке. Основная разница между ними заключается в том, что список может быть изменен (мутабельный тип), а кортеж является неизменяемым (иммутабельным типом).

То есть, после создания кортежа, вы не можете изменять его содержимое, добавлять или удалять элементы. Это делает кортежи более эффективными по памяти и дает гарантию того, что их содержимое не будет изменено случайно в коде. В то время как список может быть изменен, что было бы очень полезно, если вам нужна коллекция элементов, которые вы можете изменять по ходу выполнения кода.

Лямбда-функции для краткости кода

Если вам нужно быстро создать небольшую функцию, которую вы используете один или два раза, лямбда-функции — идеальный выбор! Они делают код компактным и читаемым.

Пример:

# Обычная функция
def square(x):
    return x ** 2

# Лямбда-функция
square_lambda = lambda x: x ** 2

print(square(4))  # 16
print(square_lambda(4))  # 16

🔥 Использование с функциями высшего порядка:

numbers = [1, 2, 3, 4, 5]

# Применяем лямбда-функцию через map
squared_numbers = list(map(lambda x: x ** 2, numbers))
print(squared_numbers)  # [1, 4, 9, 16, 25]

Лямбда-функции идеально подходят для коротких операций внутри функций, таких как map(), filter(), и reduce().

Функция sys.set_int_max_str_digits() в Python используется для ограничения количества цифр, которые могут быть преобразованы в тип данных int из строки. Это важно для предотвращения атак типа *Denial of Service* (DoS), когда с помощью очень длинных строк, представляющих огромные числа, можно истощить ресурсы системы и вызвать замедление работы программы.

По умолчанию Python может обрабатывать очень большие числа, что иногда приводит к проблемам, особенно если в программу поступают несанкционированные или вредоносные данные. Функция sys.set_int_max_str_digits() позволяет ограничить количество цифр, которые можно передать для преобразования в int, тем самым защищая систему от чрезмерных вычислений и угроз безопасности.

🖥 Вот 17 топовых GitHub-репозиториев для изучения Python с ссылками:

1. 30-Days-Of-Python — 30-дневный челлендж по основам Python.
2. Python Basics — азы Python для новичков, просто и с примерами.
3. Learn Python — справочник с кодом, пояснениями и практикой.
4. Python Guide — гайд по практикам, инструментам и сложным темам.
5. Learn Python 3 — руководство по Python 3 с практикой для начинающих.
6. Python Programming Exercises — 100+ задач по Python.
7. Coding Problems — алгоритмы и структуры данных для собесов.
8. Project-Based-Learning — Python через реальные проекты.
9. Projects — идеи проектов для прокачки навыков.
10. 100-Days-Of-ML-Code — ML на Python шаг за шагом.
11. TheAlgorithms/Python — алгоритмы и структуры данных на Python.
12. Amazing-Python-Scripts — полезные скрипты: от утилит до автоматизации.
13. Geekcomputers/Python — скрипты для сети, файлов и задач.
14. Materials — код и проекты от Real Python.
15. Awesome Python — топ фреймворков, библиотек и ресурсов.
16. 30-Seconds-of-Python — короткие сниппеты для быстрых решений.
17. Python Reference — скрипты, туториалы и лайфхаки.