👀Включите логирование медленных запросов, задав параметр log_min_duration_statement в конфигурации. Это позволит записывать все запросы, выполняющиеся дольше указанного времени.

👀Используйте команды EXPLAIN или EXPLAIN ANALYZE для просмотра плана выполнения запроса и оценки, где возникают задержки.

👀Проверьте, правильно ли настроены индексы для ускорения работы запросов, и при необходимости оптимизируйте сам запрос.

👀Анализируйте статистику запросов с помощью расширения pg_stat_statements, которое собирает информацию о времени выполнения и частоте запросов.

🐍 Pythoner

✈️Менеджер контекста позволяет выделять и освобождать ресурсы строго по необходимости. В Python за это отвечает блок с оператором with.

[async] with <функция> as <переменная>:
    #  до и после гарантированно срабатывают события входа в блок with и выхода из него.

__exit__ срабатывает в момент выхода из блока, в том числе по причине возникновения исключения. В этом случае в метод будут переданы exc_class, exc_instance и traceback.

➡️Пример:

with open('file.txt') as f:
    data = f.read()
process_data(data)

Файл гарантированно закроется.

➡️Реализация своего контекстного менеджера на основе класса:

class Printable:
    def __enter__(self):
        print('enter')

    def __exit__(self, type, value, traceback):
        print('exit')

➡️Реализация своего контекстного менеджера с использованием встроенной библиотеки contextlib:

from contextlib import contextmanager

@contextmanager
def printable():
    print('enter')
    try:
      yield
    finally:
      print('exit')

💡Контекстные менеджеры также можно использовать для временной замены параметров, переменных окружения, управления транзакциями в БД и других задач, где важен контроль за ресурсами.

🐍 Pythoner

✈️Elasticsearch — это распределенная поисковая система на основе Lucene, которая предоставляет мощные инструменты для поиска и анализа данных. Elasticsearch поддерживает множество функций, включая полнотекстовый поиск, агрегацию данных, машинное обучение и многое другое. Elasticsearch-py — это официальный клиент для работы с Elasticsearch в Python, который позволяет легко интегрировать Elasticsearch в ваши проекты.

➡️Основные возможности Elasticsearch:
- Полнотекстовый поиск: Elasticsearch предоставляет мощные инструменты для полнотекстового поиска, что позволяет быстро находить данные в больших объемах текста.

- Агрегация данных: Elasticsearch позволяет агрегировать данные, что полезно для аналитики и создания дашбордов.

- Машинное обучение: Elasticsearch поддерживает машинное обучение, что позволяет автоматически обнаруживать аномалии и тенденции в данных.

- Распределенная архитектура: Elasticsearch является распределенной системой, что позволяет масштабировать поиск и анализ данных.

➡️Пример cоздания клиента и индекса:

from elasticsearch import Elasticsearch

# Создание клиента Elasticsearch
es = Elasticsearch()

# Создание индекса
index_name = 'my_index'
es.indices.create(index=index_name)

➡️Агрегация данных:

# Агрегация данных
res = es.search(index=index_name, body={
    'aggs': {
        'author_count': {
            'terms': {'field': 'author.keyword'}
        }
    }
})
print(res['aggregations'])

🐍 Pythoner

✈️Это операция, которая при повторном выполнении даёт тот же результат и не изменяет состояние системы дополнительно.

➡️Повышение надёжности:
Если операция случайно выполнится несколько раз (например, из-за сбоя в сети), идемпотентность гарантирует, что это не повлияет на итоговое состояние.

➡️Предотвращение дубликатов:
Позволяет избежать непреднамеренного добавления данных или повторного применения изменений.

Работа с HTTP:
1. GET — идемпотентен

GET /users/1

2. PUT — идемпотентен

PUT /users/1
{
  "name": "Alice"
}

🔫Повторный вызов не изменит состояние.

3. POST — не идемпотентен

POST /users
{
  "name": "Alice"
}

🔫Каждый вызов создаст нового пользователя.

➡️Идемпотентность в БД
Идемпотентный:

DELETE FROM users WHERE id = 5;

🔫Повторное выполнение ничего не изменит, если пользователь уже удалён.

Не идемпотентный:

INSERT INTO users (name) VALUES ('Alice');

🔫Повтор — создаст дубликаты.

💡Заключение
Идемпотентность = безопасное повторное выполнение.

🐍 Pythoner

✈️Утечка памяти в Python — это ситуация, когда объекты, которые больше не нужны, продолжают занимать память, потому что на них всё ещё существуют ссылки. Это мешает сборщику мусора освободить ресурсы.

➡️Причины утечки памяти:
- Сильные ссылки в замыканиях или глобальных структурах.
- Циклические ссылки (например, два объекта ссылаются друг на друга).
- Использование списков/словарей как кэшей без ограничения размера.
- Неочищенные обработчики событий, соединения или файлы.

➡️Как избежать:
- Использовать weakref для слабых ссылок.
- Очищать ненужные переменные (del, clear()).
- Контролировать размер кэшей.
- Проверять утечки с помощью инструментов вроде objgraph, gc, tracemalloc.

🐍 Pythoner

✈️Поверхностное и глубокое копирование объектов в Python различается по тому, как они обрабатывают вложенные объекты:
- Поверхностное копирование создает новый объект и сохраняет ссылки на вложенные объекты. Подходит для копирования объектов с иммутабельными вложенными элементами.

- Глубокое копирование создает полностью независимую копию объекта с вложенными элементами. Полезно при необходимости полностью отделить копию от оригинала.

import copy

original = [1, [2, 3], 4]
shallow_copied = copy.copy(original)
deep_copied = copy.deepcopy(original)

original[1][0] = 'изменено'
print(original)         # [1, ['изменено', 3], 4]
print(shallow_copied)   # [1, ['изменено', 3], 4] — вложенный список изменился
print(deep_copied)      # [1, [2, 3], 4] — сохранено исходное состояние

Зная эту разницу при работе со сложными структурами данных, можно избежать неожиданного поведения. Но не забывайте, что глубокое копирование может быть более ресурсоемким.

🐍 Pythoner

😈 IT memer

✈️Ты наверняка знаешь try/except, но как часто используешь finally?
А ведь он нужен там, где что бы ни случилось — надо прибраться:

➡️Когда без него никак:
1. Закрытие файлов / соединений:

f = open("data.txt")
try:
    process(f)
finally:
    f.close()  # всегда выполнится

2. Откат транзакций:

try:
    db.begin()
    db.do_stuff()
finally:
    db.rollback_or_commit()

3. Остановка фоновых задач:

try:
    start_worker()
finally:
    stop_worker()

💡Даже если в try будет return, break, ошибка или KeyboardInterrupt — finally всё равно отработает.
Это твоя гарантированная уборка.

🐍 Pythoner

✈️При проверке паролей важно обеспечить безопасность ваших данных. Вместо сравнения паролей напрямую с помощью ==, лучше использовать библиотеку secrets. Это поможет защитить ваше приложение от атак.

➡️Пример кода:

import secrets

# Хранение паролей
password_storage = {}

# Функция для создания и хранения хэша пароля
def store_password(username, password):
    # Генерация случайного токена
    token = secrets.token_hex(16)
    password_storage[username] = {'token': token, 'password': password}

# Проверка пароля
def verify_password(username, provided_password):
    if username in password_storage:
        stored_password = password_storage[username]['password']
        # Сравнение паролей с использованием secrets.compare_digest
        return secrets.compare_digest(stored_password, provided_password)
    return False

# Использование
store_password("user1", "my_secure_password")

# Проверка входящего пароля
if verify_password("user1", "my_secure_password"):
    print("Пароль верный!")
else:
    print("Неверный пароль.")

💡Объяснение:
- Библиотека secrets используется для генерации криптографически стойкого токена, который можно хранить, но в этом примере основной акцент сделан на безопасном сравнении паролей.

- Функция compare_digest сравнивает пароли безопасным способом, защищая от тайминговых атак.

🐍 Pythoner

Во многих языках (C, Java, JavaScript) блоки кода обозначаются {}. В Python же используются отступы. Почему так?

- Читаемость — код без лишних {} и end выглядит чище.
- Принудительная структурность — нельзя "забыть закрыть скобку".
- Исторический фактор — Гвидо ван Россум вдохновлялся языком ABC.

➡️Пример кода на Python:

for i in range(3):
    print(i)  # Отступ обязателен

➡️Тот же код на C:

for (int i = 0; i < 3; i++) {
    printf("%d\n", i);
}

🐍 Pythoner

🤔Разбор

sorted("Python") → ['P', 'h', 'n', 'o', 't', 'y'].
[::-1] переворачивает список → ['y', 't', 'o', 'n', 'h', 'P'].
[0] возвращает первый элемент → "y".

🐍 Pythoner

✈️В FastAPI есть мощный инструмент для управления ресурсами приложения – @ asynccontextmanager в связке с lifespan. Это позволяет выполнить код инициализации при запуске и очистки при завершении приложения.

➡️Зачем это нужно?
- Подготовка базы данных: Создание таблиц, миграции.
- Инициализация соединений: Подключение к Redis, Kafka.
- Очистка ресурсов: Закрытие соединений, удаление временных файлов.

➡️Как это работает?
Декоратор @ asynccontextmanager создает асинхронный контекстный менеджер. Функция lifespan определяет, какой код выполняется до и после запуска приложения.

➡️Пример:

from contextlib import asynccontextmanager
from fastapi import FastAPI

# (Предположим, у вас есть функции create_db и close_db)
async def create_db():
    print("Подключаемся к базе данных...")
    # Здесь будет код подключения к БД
    await asyncio.sleep(1) # Имитация асинхронной операции
    print("База данных подключена!")

async def close_db():
    print("Закрываем соединение с базой данных...")
    # Здесь будет код закрытия соединения с БД
    await asyncio.sleep(1) # Имитация асинхронной операции
    print("Соединение с базой данных закрыто!")

@asynccontextmanager
async def lifespan(app: FastAPI):
    print("Запуск приложения...")
    await create_db()
    yield
    print("Завершение приложения...")
    await close_db()

app = FastAPI(lifespan=lifespan)

@app.get("/")
async def root():
    return {"message": "Hello World"}

# Запуск: uvicorn main:app --reload

- При запуске FastAPI (uvicorn main:app --reload) выполнится код до yield (создание таблиц).
- При остановке FastAPI выполнится код после yield (удаление таблиц).

lifespan + @ asynccontextmanager - это чистый и эффективный способ управлять ресурсами вашего FastAPI приложения!

🐍 Pythoner

➡️В Python is проверяет, один ли это объект в памяти, а не равны ли значения:

a = 1000
b = 1000
print(a is b)  # False

Даже если a == b, a is b может вернуть False, потому что это разные объекты. Python кэширует только небольшие числа и короткие строки.

➡️Частая ошибка:

if value is "test":  # ❌

Правильно:

if value == "test":  # ✅

➡️Когда is уместен?

Только для сравнения с singleton'ами, такими как:

if x is None:
    ...

🔫Неправильное использование is может вызвать странные баги, особенно в сравнениях. Будь точен — is не для значений.

🐍 Pythoner

✈️Dict comprehension – это удобный способ создания словарей в одну строку, используя генераторы. Он позволяет преобразовывать данные компактно и эффективно.

➡️Основной синтаксис:

{key: value for item in iterable}

➡️Создание словаря из списка:

numbers = [1, 2, 3, 4]
squared = {x: x**2 for x in numbers}
print(squared)  # {1: 1, 2: 4, 3: 9, 4: 16}

➡️Фильтрация значений:

original = {"a": 10, "b": 20, "c": 30}
filtered = {k: v for k, v in original.items() if v > 15}
print(filtered)  # {'b': 20, 'c': 30}

➡️Создание словаря из строки:

text = "hello"
char_count = {char: text.count(char) for char in set(text)}
print(char_count)  # {'o': 1, 'l': 2, 'e': 1, 'h': 1}

🐍 Pythoner

✈️Context Manager в Python - это объект, который позволяет работать с ресурсами в блоках кода с помощью ключевого слова "with". Context Manager предоставляет возможность автоматически захватывать и освобождать ресурсы, такие как файлы, сокеты, соединения с базами данных и т. д.

➡️Основные возможности контекстных менеджеров:
- Автоматическое управление ресурсами: Контекстные менеджеры автоматически управляют ресурсами, что позволяет избежать утечек и ошибок.

- Поддержка различных ресурсов: Контекстные менеджеры могут использоваться для управления различными ресурсами, такими как файлы, сетевые соединения, базы данных и другие.

- Создание собственных контекстных менеджеров: Вы можете создавать свои собственные контекстные менеджеры, используя протокол контекстных менеджеров.

➡️Примеры:
1. Создание контекстного менеджера с помощью класса:

class MyResource:
    def __enter__(self):
        print("Resource opened")
        return self

    def __exit__(self, exc_type, exc_val, exc_tb):
        print("Resource closed")

# Использование контекстного менеджера
with MyResource() as resource:
    print("Inside with block")

2. Работа с сетевыми соединениями:

import socket

class SocketManager:
    def __init__(self, host, port):
        self.host = host
        self.port = port
        self.socket = None

    def __enter__(self):
        self.socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
        self.socket.connect((self.host, self.port))
        return self.socket

    def __exit__(self, exc_type, exc_val, exc_tb):
        self.socket.close()

# Использование контекстного менеджера
with SocketManager('example.com', 80) as sock:
    sock.sendall(b"GET / HTTP/1.1\r\nHost: example.com\r\n\r\n")
    response = sock.recv(4096)
    print(response.decode())

💡Заключение:
Context Manager в Python удобен и надежен для работы с ресурсами, так как гарантирует их корректное освобождение и упрощает работу с ними.

🐍 Pythoner

✈️Функция filter() в Python используется для фильтрации элементов из итерируемого объекта (например, списка, кортежа и т.д.) на основе заданного условия. Она принимает два аргумента: функцию и итерируемый объект.

Функция должна возвращать True или False для каждого элемента, и filter() вернет только те элементы, для которых функция вернула True.

➡️Синтаксис:

filter(function, iterable)

- function: Функция, которая проверяет каждый элемент. Если None, то возвращаются все элементы, которые являются истинными (truthy).
- iterable: Итерируемый объект, который нужно фильтровать.

➡️Пример. filter() для фильтрации четных чисел из списка::

# Функция, которая проверяет, является ли число четным
def is_even(n):
    return n % 2 == 0

# Исходный список
numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

# Фильтрация четных чисел
even_numbers = filter(is_even, numbers)

# Преобразуем результат в список и выводим
even_numbers_list = list(even_numbers)
print(even_numbers_list)  # Вывод: [2, 4, 6, 8, 10]

🐍 Pythoner

✈️Устал от REST с кучей эндпоинтов? Взгляни на GraphQL — один гибкий запрос вместо 5 ручек.

➡️Для Python есть два удобных инструмента:
1. Strawberry:

На базе dataclass + type hints = лаконично и читаемо.
@strawberry.type
class User:
    name: str

@strawberry.type
class Query:
    @strawberry.field
    def hello(self) -> str:
        return "Привет!"

schema = strawberry.Schema(Query)

Работает с FastAPI и ASGI

2.Ariadne:
GraphQL-схема через SDL (как в JS/GraphQL-ecosystem). Гибкость + контроль:

type_defs = """
  type Query {
    hello: String!
  }
"""

@query.field("hello")
def resolve_hello(_, info):
    return "Привет из Ariadne"

Легко интегрируется с Starlette / FastAPI, поддерживает subscriptions

🐍 Pythoner

➡️В современном мире базы данных являются неотъемлемой частью многих приложений. Однако, перед выбором базы данных, необходимо понимать различия между типами баз данных. Сегодня мы рассмотрим разницу между SQL и NoSQL базами данных.

➡️SQL базы данных:
SQL (Structured Query Language) - это язык программирования, который используется для управления реляционными базами данных. SQL базы данных используют таблицы для хранения информации, а каждая таблица состоит из строк и столбцов. SQL базы данных поддерживают транзакции, что обеспечивает целостность данных. Они также легко масштабируются, что позволяет управлять большими объемами данных.

➡️NoSQL базы данных:
NoSQL (Not Only SQL) базы данных - это новый тип баз данных, который не использует традиционные таблицы для хранения информации. Вместо этого, они используют документы, ключи и значения, графы или колоночные семейства. NoSQL базы данных были созданы для управления большими объемами данные с высокой скоростью и производительностью. Они также легко масштабируются, что делает их отличным выбором для приложений, которые необходимо расширять.

➡️Различия между SQL и NoSQL базами данных:
Основное различие между SQL и NoSQL базами данных заключается в том, как они хранят и управляют данными. SQL базы данных используют таблицы, которые связаны друг с другом по ключам внешних таблиц. NoSQL базы данных используют документы, ключи и значения, графы или колоночные семейства, которые могут хранить неструктурированные данные. SQL базы данных имеют строгую схему, что означает, что каждый элемент данных должен соответствовать заданной схеме. NoSQL базы данных, с другой стороны, не имеют строгой схемы, что позволяет добавлять данные без необходимости изменения схемы.

🐍 Pythoner