- Создание базового приложения для управления расписанием с визуализацией.

Создание базового приложения для управления расписанием с визуализацией

Когда задачи и встречи начинают жить собственной жизнью, пора заводить им цифровой «зоопарк» — небольшое приложение для расписания. Сделаем его на Python: будем хранить события, отображать их в виде таблицы и визуализировать нагрузку по дням.

### Шаг 1. Структура данных для расписания

Начнем с простой модели: список словарей, где каждое событие — это дата, время и описание.

from datetime import datetime

schedule = []

def add_event(date_str, time_str, title):
    event_datetime = datetime.strptime(
        f"{date_str} {time_str}", "%Y-%m-%d %H:%M"
    )
    schedule.append({
        "datetime": event_datetime,
        "title": title
    })

add_event("2025-01-10", "09:00", "Morning meeting")
add_event("2025-01-10", "14:30", "Code review")
add_event("2025-01-11", "11:00", "Gym")

### Шаг 2. Текстовая «визуализация» в виде таблицы

Отсортируем события и красиво выведем их в консоли.

def print_schedule():
    events_sorted = sorted(schedule, key=lambda e: e["datetime"])
    print(f"{'Date':<12} {'Time':<6} Title")
    print("-" * 40)
    for e in events_sorted:
        d = e["datetime"].strftime("%Y-%m-%d")
        t = e["datetime"].strftime("%H:%M")
        print(f"{d:<12} {t:<6} {e['title']}")

print_schedule()

Уже похоже на мини-органайзер, но хочется наглядности.

### Шаг 3. Визуализация загрузки по дням с matplotlib

Теперь посчитаем, сколько событий в каждый день, и построим столбчатую диаграмму. Для этого пригодится модуль collections и библиотека matplotlib.

from collections import Counter
import matplotlib.pyplot as plt

def plot_daily_load():
    dates = [e["datetime"].date() for e in schedule]
    counter = Counter(dates)

    days = sorted(counter.keys())
    counts = [counter[d] for d in days]

    plt.bar([d.strftime("%Y-%m-%d") for d in days], counts, color="skyblue")
    plt.xlabel("Date")
    plt.ylabel("Events count")
    plt.title("Schedule load by day")
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

plot_daily_load()

Теперь видно, какие дни перегружены, а где можно добавить еще пару дел.

### Шаг 4. Куда развиваться дальше

Идеи для улучшения:

- сохранять расписание в json или sqlite3;
- добавлять фильтр по дате/ключевому слову;
- заменить консольный вывод на tkinter-интерфейс;
- выделять цветом важные события на графике.

Так из нескольких десятков строк кода получается живое мини-приложение, которое уже помогает управлять временем и показывает картину загрузки глазами Python.

Создание собственных итераторов и генераторов: как и зачем

Создание собственных итераторов и генераторов: как и зачем

Если вы поняли, как работает for в Python, вы уже на полпути к итераторам и генераторам. Осталось узнать, как сделать свою «ленту данных», которую можно перебирать по одному элементу — лениво, экономно и красиво.

---

### Итераторы: ручной режим

Итератор — это объект, у которого есть два метода: __iter__() и __next__().
for под капотом просто вызывает их.

Создадим свой итератор, который выдает квадраты чисел от 1 до n:

class Squares:
    def __init__(self, n):
        self.n = n
        self.current = 1

    def __iter__(self):
        return self

    def __next__(self):
        if self.current > self.n:
            raise StopIteration
        value = self.current ** 2
        self.current += 1
        return value

for num in Squares(5):
    print(num)

Плюсы: полный контроль — можно кешировать, логировать, считать статистику.
Минусы: много шаблонного кода.

---

### Генераторы: автоматический режим

Генератор — это «упрощенный итератор». Достаточно функции с yield, и Python сам создаст нужные методы.

def squares(n):
    current = 1
    while current <= n:
        yield current ** 2
        current += 1

for num in squares(5):
    print(num)

Код компактнее, логика та же. Функция squares не возвращает сразу список, а выдает значения по одному — это экономит память.

---

### Где это полезно на практике?

1. Работа с большими данными

def read_lines(path):
    with open(path, 'r', encoding='utf-8') as f:
        for line in f:
            yield line.rstrip('\n')

Можно обрабатывать гигантские файлы построчно, не загружая их целиком.

2. Бесконечные последовательности

def infinite_counter(start=0, step=1):
    value = start
    while True:
        yield value
        value += step

Такое нельзя сделать обычным списком — но генератор легко выдаёт «бесконечный» поток.

3. Пайплайны обработки

Генераторы удобно «цеплять» друг за другом:

def even_numbers(numbers):
    for n in numbers:
        if n % 2 == 0:
            yield n

def squared(numbers):
    for n in numbers:
        yield n * n

data = range(10)
for num in squared(even_numbers(data)):
    print(num)

Каждый шаг обрабатывает данные лениво, без лишних промежуточных списков.

---

### Итог

Итераторы дают вам каркас, генераторы — быстрый инструмент.
Если нужно точное поведение и сложное состояние — пишите свой класс-итератор.
Если хотите простой, читаемый и ленивый поток данных — используйте генераторы.

Понимание этих двух механизмов превращает for из «магии» в управляемый инструмент, с которым легко строить эффективные и элегантные конструкции в Python.

Как использовать модуль itertools для сложных операций с коллекциями

Как использовать модуль itertools для сложных операций с коллекциями

Модуль itertools — это как швейцарский нож для работы с последовательностями. Многие задачи, которые обычно решают вложенными циклами и временными списками, здесь превращаются в одну-две строки кода.

---

### Комбинаторика без боли: product, permutations, combinations

from itertools import product, permutations, combinations

colors = ["red", "green"]
sizes = ["S", "M", "L"]

# Декартово произведение: все сочетания цвета и размера
for item in product(colors, sizes):
    print(item)
# ('red', 'S'), ('red', 'M'), ...

digits = [1, 2, 3]

# Все перестановки длиной 3
print(list(permutations(digits, 3)))  # порядок важен

# Все комбинации по 2 элемента
print(list(combinations(digits, 2)))  # порядок не важен

product идеально подходит для перебора параметров в тестах или конфигурациях, а permutations и combinations — для задач по перебору вариантов (пароли, маршруты, наборы).

---

### Цепочки и бесконечные последовательности: chain, count, cycle

from itertools import chain, count, cycle, islice

a = [1, 2]
b = [3, 4]

# Склеивание нескольких коллекций
for x in chain(a, b, [5, 6]):
    print(x)

# Бесконечный счетчик + ограничение через islice
for n in islice(count(10, 2), 5):
    print(n)  # 10, 12, 14, 16, 18

# Циклический перебор
colors = ["red", "green", "blue"]
for color in islice(cycle(colors), 7):
    print(color)

chain удобен, когда не хочется создавать новый список через +. count и cycle дают бесконечные последовательности, но с ними almost всегда используют islice, чтобы не зациклиться навсегда.

---

### Группировка и фильтрация: groupby, compress

from itertools import groupby, compress

data = "aaabbbccccdd"
for char, group in groupby(data):
    print(char, len(list(group)))  # символ и сколько раз подряд встретился

items = ["apple", "banana", "cherry", "date"]
selectors = [1, 0, 1, 0]

# Выбираем только те элементы, где selector == 1
print(list(compress(items, selectors)))  # ['apple', 'cherry']

groupby удобно использовать для сжатия повторов или простой аналитики. compress — это фильтрация по маске из True/False (или 1/0).

---

### Комбинаторика на стероидах: combinations_with_replacement

from itertools import combinations_with_replacement

coins = [1, 2, 5]
for combo in combinations_with_replacement(coins, 3):
    print(combo)

Можно перебирать комбинации с повторениями — полезно для задач типа «как разменять сумму монетами».

---

itertools позволяет писать компактный, но мощный код для сложных операций с коллекциями, не утопая в вложенных циклах и временных списках. Чем больше вы его используете, тем чаще ловите себя на мысли: «Так, это же удобно решить одной функцией из itertools».

Понимание и применение генераторов: экономия памяти с yield

Понимание и применение генераторов: экономия памяти с yield

Многие новички в Python сначала пишут всё через списки. Это удобно, но не всегда безопасно для памяти. Представьте файл на 10 миллионов строк: загружать его целиком в список — плохая идея. Вот тут и вступают в игру генераторы и ключевое слово yield.

---

### Что такое генератор?

Генератор — это «ленивый» источник данных. Он не хранит все значения сразу, а выдает их по одному по мере запроса. Вместо return в функции используется yield.

def count_up_to(n):
    current = 1
    while current <= n:
        yield current
        current += 1

gen = count_up_to(5)
for num in gen:
    print(num)

Здесь не создается список [1, 2, 3, 4, 5]. В каждый момент в памяти только одно число.

---

### Генераторы против списков: почему это экономично

# список
squares_list = [i * i for i in range(10_000_000)]

# генератор
squares_gen = (i * i for i in range(10_000_000))

squares_list реально занимает память под 10 млн чисел.
squares_gen — это объект, который умеет по запросу выдавать квадрат очередного числа. Его размер в памяти — примерно как у обычного небольшого объекта, независимо от диапазона.

Используйте генератор, когда:

- данные большие или потенциально бесконечные;
- вы проходите по последовательности один раз;
- вам не нужно случайно обращаться к элементу по индексу.

---

### Практический пример: чтение большого файла

def read_large_file(path):
    with open(path, 'r', encoding='utf-8') as f:
        for line in f:
            yield line.strip()

for line in read_large_file('logs.txt'):
    if 'ERROR' in line:
        print(line)

Мы не загружаем весь файл в память, а читаем его построчно. Для логов, дампов и CSV на гигабайты — это буквально спасение.

---

### Комбинирование генераторов

Генераторы отлично «цепляются» друг за друга:

def even_numbers(numbers):
    for n in numbers:
        if n % 2 == 0:
            yield n

nums = (i for i in range(100))        # генераторное выражение
evens = even_numbers(nums)            # генератор-фильтр

for n in evens:
    print(n)

Каждый шаг выдает только один элемент: минимум памяти, максимум гибкости.

---

### Главное запомнить

- yield превращает функцию в генератор.
- Генераторы не хранят все данные, а создают их «по требованию».
- Это критично для работы с большими файлами, потоками данных и длинными диапазонами.

Как только ловите себя на том, что создаете огромный список «просто чтобы по нему один раз пройтись» — подумайте: а не пора ли заменить его на генератор?

Работа с коллекциями: полезные структуры данных из модуля collections

Работа с коллекциями: полезные структуры данных из collections

Стандартный список и словарь решают 80% задач. Модуль collections помогает закрыть остальные 20% — красиво, быстро и без велосипеда. Разберём самые полезные структуры: Counter, defaultdict, deque и namedtuple.

---

### 1. Counter: кто здесь самый частый?

Counter считает, сколько раз элемент встретился в последовательности.

from collections import Counter

text = "banana apple banana orange apple banana"
words = text.split()

freq = Counter(words)
print(freq)              # Counter({'banana': 3, 'apple': 2, 'orange': 1})
print(freq.most_common(1))  # [('banana', 3)]

Удобен для анализа логов, текста, статистики кликов и т.д.

---

### 2. defaultdict: словарь, который не ругается

Обычный словарь выбросит ошибку, если обратиться к несуществующему ключу. defaultdict сам создаст значение по умолчанию.

from collections import defaultdict

scores = [("Alice", 10), ("Bob", 5), ("Alice", 7)]

user_scores = defaultdict(list)
for name, score in scores:
    user_scores[name].append(score)

print(user_scores)  # {'Alice': [10, 7], 'Bob': [5]}

Отлично подходит для группировки данных.

---

### 3. deque: быстрый список с двух концов

list медленный для вставки/удаления в начале. deque (double-ended queue) делает это за O(1).

from collections import deque

queue = deque()

queue.append("task_1")
queue.append("task_2")
queue.appendleft("urgent_task")

print(queue)  # deque(['urgent_task', 'task_1', 'task_2'])

queue.pop()       # убрали с конца
queue.popleft()   # убрали с начала

Используется для очередей, буферов, слайдинговых окон.

---

### 4. namedtuple: читаемые кортежи

Обычный кортеж — это item[0], item[1] и постоянное забывание, где что. namedtuple даёт имена полям.

from collections import namedtuple

Point = namedtuple("Point", ["x", "y"])
p = Point(3, 4)

print(p.x, p.y)        # 3 4
print(p[0], p[1])      # тоже работает

Легковесная альтернатива классам: почти не занимает памяти, но делает код понятнее.

---

Модуль collections — это маленький апгрейд стандартных структур, который сильно упрощает жизнь. Освоив эти четыре инструмента, вы уже будете писать более чистый и эффективный код, чем большинство начинающих.

Как работать с типизированными данными с помощью модуля typing

Как подружиться с типами в Python с помощью typing

Python динамический, но иногда это слишком большая свобода. Функция ждёт число, а получает словарь, и ошибка вылезает только в рантайме. Модуль typing помогает заранее описывать, что именно мы ожидаем, и ловить часть ошибок ещё до запуска — с помощью статических анализаторов (например, mypy, PyCharm, VS Code).

---

### Базовые аннотации

from typing import List, Dict

def average(values: List[float]) -> float:
    return sum(values) / len(values)

def word_count(texts: List[str]) -> Dict[str, int]:
    result: Dict[str, int] = {}
    for t in texts:
        result[t] = result.get(t, 0) + 1
    return result

Здесь мы явно говорим: values — список чисел с плавающей точкой, word_count возвращает словарь слово -> количество.

---

### Optional и Union: когда вариантов несколько

from typing import Optional, Union

def to_int(value: Union[str, float, int]) -> Optional[int]:
    try:
        return int(value)
    except (TypeError, ValueError):
        return None

Union означает: параметр может быть одним из перечисленных типов. Optional[int] — просто сокращение для Union[int, None].

---

### Собственные типы с TypedDict

Если вы любите словари, но хотите немного порядка:

from typing import TypedDict

class User(TypedDict):
    id: int
    name: str
    is_active: bool

def greet(user: User) -> str:
    status = "active" if user["is_active"] else "inactive"
    return f"{user['name']} ({status})"

Теперь статический анализатор предупредит, если вы забудете, например, is_active или передадите строку вместо int для id.

---

### Protocol: утка по правилам

Иногда важен не тип объекта, а то, какие у него есть методы:

from typing import Protocol

class Writer(Protocol):
    def write(self, data: str) -> None:
        ...

def log_message(writer: Writer, message: str) -> None:
    writer.write(message + "\n")

Любой объект с методом write(str) -> None подойдёт: файл, буфер, ваш собственный логгер. Это структурная типизация.

---

### Обобщения с TypeVar

Хотите одну функцию для разных типов, но с сохранением информации о них?

from typing import TypeVar, List

T = TypeVar("T")

def first(items: List[T]) -> T:
    return items[0]

Если передать List[int], тип результата будет int, а не «что-то неопределённое».

---

Модуль typing не делает код быстрее и не защищает от всех ошибок, но даёт мощный инструмент: формализовать ваши ожидания от данных. А чем точнее формулировки, тем меньше сюрпризов в рантайме.

Создание и экспорт PDF-файлов с помощью библиотеки ReportLab

Создание и экспорт PDF-файлов с помощью ReportLab

PDF любят бухгалтеры, юристы и вообще все, кому важен аккуратный документ “как из принтера”. А Python это тоже умеет — с помощью библиотеки ReportLab.

---

### Установка

pip install reportlab

После этого можно собирать PDF буквально по строчкам.

---

### Самый простой PDF

Создадим файл hello.pdf с одной строкой текста:

from reportlab.pdfgen import canvas

def create_simple_pdf(filename):
    c = canvas.Canvas(filename)
    c.drawString(100, 750, "Hello, ReportLab!")
    c.save()

create_simple_pdf("hello.pdf")

Пара моментов:

- Координаты считаются в поинтах (1/72 дюйма), (0, 0) — левый нижний угол.
- save() обязателен, иначе файл будет пустым.

---

### Добавляем шрифт и несколько строк

Можно управлять шрифтами и цветами:

from reportlab.pdfgen import canvas
from reportlab.lib.colors import blue, red

def create_styled_pdf(filename):
    c = canvas.Canvas(filename)

    c.setFont("Helvetica-Bold", 20)
    c.setFillColor(blue)
    c.drawString(100, 780, "Invoice #42")

    c.setFont("Helvetica", 12)
    c.setFillColor(red)
    c.drawString(100, 750, "Customer: John Smith")
    c.drawString(100, 730, "Total: $199.99")

    c.save()

create_styled_pdf("invoice.pdf")

Так уже можно генерировать простые счета, акты, сертификаты.

---

### Несколько страниц

PDF — не только один лист:

from reportlab.pdfgen import canvas

def create_multipage_pdf(filename):
    c = canvas.Canvas(filename)

    for page_num in range(1, 4):
        c.drawString(100, 750, f"Page {page_num}")
        c.showPage()  # переход на новую страницу

    c.save()

create_multipage_pdf("multipage.pdf")

Каждый вызов showPage() завершает текущую страницу и начинает следующую.

---

### Таблица с использованием platypus

Для отчетов удобен модуль platypus (он входит в ReportLab):

from reportlab.platypus import SimpleDocTemplate, Table, TableStyle
from reportlab.lib import colors

def create_table_pdf(filename):
    doc = SimpleDocTemplate(filename)
    data = [
        ["Name", "Quantity", "Price"],
        ["Apples", 3, "$5"],
        ["Oranges", 5, "$7"],
        ["Bananas", 2, "$4"],
    ]

    table = Table(data)
    table.setStyle(TableStyle([
        ("BACKGROUND", (0, 0), (-1, 0), colors.lightgrey),
        ("GRID", (0, 0), (-1, -1), 0.5, colors.black),
        ("ALIGN", (1, 1), (-1, -1), "CENTER"),
    ]))

    doc.build([table])

create_table_pdf("table_report.pdf")

Так уже получается вполне рабочий отчет: заголовки, сетка, выравнивание.

---

ReportLab — мощный “принтер” для Python: формировать счета, договоры, пропуска, сертификаты можно автоматически, просто подставляя данные. Скрипт запускается — и через секунду готов аккуратный PDF, который не стыдно отправить клиенту.

Основы сериализации объектов с использованием pickle и json

Python для начинающих: основы сериализации с pickle и json

Представьте, что вы написали класс, настроили кучу объектов, а программу нужно закрыть. Как сохранить их состояние, чтобы потом просто "разморозить" и продолжить? Здесь вступает в игру сериализация — превращение объекта в последовательность байт или строку, которую можно записать в файл или отправить по сети.

В Python для этого чаще всего используют два модуля: pickle и json. Они решают похожую задачу, но по-разному.

---

## pickle: все из Python — для Python

pickle умеет сериализовать почти любые Python-объекты: списки, словари, функции, пользовательские классы.

import pickle

class User:
    def __init__(self, name, score):
        self.name = name
        self.score = score

user = User("Alice", 42)

# Сериализация в байты
data = pickle.dumps(user)

# Запись в файл
with open("user.pkl", "wb") as f:
    pickle.dump(user, f)

# Чтение из файла
with open("user.pkl", "rb") as f:
    loaded_user = pickle.load(f)

print(loaded_user.name, loaded_user.score)  # Alice 42

Плюсы:
- поддерживает "почти всё" из мира Python;
- минимум кода.

Минусы:
- формат бинарный и нечитаемый человеком;
- небезопасен: никогда не загружайте pickle-файлы из непроверенных источников — там может быть произвольный вредоносный код.

---

## json: читаемо, переносимо, безопаснее

json сериализует данные в текстовый формат, понятный другим языкам (JavaScript, Go, Java и т.д.). Но он понимает только простые типы: dict, list, str, int, float, bool, None.

import json

user = {
    "name": "Alice",
    "score": 42,
    "tags": ["python", "beginner"]
}

# В строку
json_str = json.dumps(user)

# В файл
with open("user.json", "w", encoding="utf-8") as f:
    json.dump(user, f, indent=4)

# Из файла
with open("user.json", "r", encoding="utf-8") as f:
    loaded_user = json.load(f)

print(loaded_user["name"], loaded_user["tags"])

Если нужно сериализовать объект своего класса, его придётся "разобрать" в словарь:

class User:
    def __init__(self, name, score):
        self.name = name
        self.score = score

def user_to_dict(user):
    return {"name": user.name, "score": user.score}

user = User("Bob", 100)
json_str = json.dumps(user_to_dict(user))

---

## Что когда использовать?

- Нужна максимальная совместимость, читаемый текст и обмен с другими языками — берите json.
- Нужна быстрая работа с "нативными" Python-объектами и файл не покидает ваш сервис — подойдёт pickle, но помните о безопасности.

Сериализация — это способ дать вашим объектам "вторую жизнь" после завершения программы. Освоив pickle и json, вы уже делаете шаг в сторону реальных приложений: конфиги, кэш, сохранения состояния и обмен данными.

Как использовать модуль time для измерения скорости выполнения

Как использовать модуль time для измерения скорости выполнения кода

Когда код начинает тормозить, первым делом нужно ответить на простой вопрос: что именно работает медленно? Для этого не нужен сложный профайлер — в большинстве случаев хватит стандартного модуля time.

---

### 1. Быстрое измерение через time.time()

Функция time.time() возвращает текущее время в секундах с начала эпохи (обычно 1 января 1970). Если замерить время до и после участка кода — получим длительность его выполнения.

import time

def slow_operation():
    total = 0
    for i in range(10_000_000):
        total += i
    return total

start = time.time()
result = slow_operation()
end = time.time()

elapsed = end - start
print(f"Result: {result}")
print(f"Elapsed: {elapsed:.4f} seconds")

Плюс: просто и понятно.
Минус: точность зависит от системы, и эта функция не гарантирует высокую разрешающую способность.

---

### 2. Более точный замер через time.perf_counter()

time.perf_counter() специально создан для измерения интервалов времени. Он не привязан к "реальному" времени, зато максимально точен и не страдает от смены системных часов.

import time

def fast_operation():
    return sum(range(10_000_000))

start = time.perf_counter()
result = fast_operation()
end = time.perf_counter()

elapsed = end - start
print(f"Result: {result}")
print(f"Elapsed: {elapsed:.6f} seconds")

Используйте perf_counter() во всех случаях, когда вас интересует скорость кода, а не текущее время.

---

### 3. Сравниваем два варианта решения

Предположим, мы хотим понять, что быстрее: цикл или встроенная функция sum.

import time

def sum_loop(n):
    total = 0
    for i in range(n):
        total += i
    return total

def sum_builtin(n):
    return sum(range(n))

def measure(func, n, repeats=5):
    best = float("inf")
    for _ in range(repeats):
        start = time.perf_counter()
        func(n)
        end = time.perf_counter()
        elapsed = end - start
        if elapsed < best:
            best = elapsed
    return best

n = 5_000_000
t_loop = measure(sum_loop, n)
t_builtin = measure(sum_builtin, n)

print(f"Loop:    {t_loop:.6f} s")
print(f"Builtin: {t_builtin:.6f} s")

Здесь мы запускаем каждую функцию несколько раз и берём лучший результат — так меньше влияние случайных задержек (нагрузка системы, кэш, фоновые процессы).

---

### Вывод

Модуль time — это простой, но мощный инструмент, чтобы:
- измерять скорость отдельных участков кода;
- сравнивать разные реализации;
- находить узкие места без сложных инструментов.

Запомните правило:
time.time() — для "какой сейчас час", time.perf_counter() — для "как быстро это работает".

Редактирование изображений с помощью библиотеки pillow (PIL)

### Редактирование изображений с помощью Pillow: первые шаги в «фотошопе на Python»

Pillow — это библиотека, которая превращает Python в мини-фотошоп: можно обрезать, сжимать, накладывать текст, применять фильтры и даже собирать простые превьюшки для соцсетей.

Устанавливается просто:

pip install pillow

Базовый импорт:

from PIL import Image, ImageFilter, ImageEnhance, ImageFont, ImageDraw

---

### Открытие и сохранение изображений

from PIL import Image

img = Image.open("input.jpg")      # открываем
print(img.size, img.mode, img.format)

resized = img.resize((800, 600))   # изменение размеров
resized.save("output_resized.jpg", quality=85)

quality=85 полезно для оптимизации картинок под веб.

---

### Обрезка и поворот

img = Image.open("input.jpg")

# crop(left, upper, right, lower)
cropped = img.crop((100, 100, 600, 600))
rotated = cropped.rotate(30, expand=True)

rotated.save("output_cropped_rotated.png")

expand=True не обрежет картинку после поворота.

---

### Фильтры и улучшение качества

from PIL import Image, ImageFilter, ImageEnhance

img = Image.open("input.jpg")

blurred = img.filter(ImageFilter.GaussianBlur(radius=2))
sharpener = ImageEnhance.Sharpness(blurred)
sharpened = sharpener.enhance(1.8)   # 1.0 — без изменений

contrast = ImageEnhance.Contrast(sharpened).enhance(1.3)

contrast.save("output_filtered.jpg")

Так можно быстро «подтянуть» резкость и контраст фото.

---

### Нанесение текста (водяной знак)

from PIL import Image, ImageDraw, ImageFont

img = Image.open("input.jpg").convert("RGBA")
txt_layer = Image.new("RGBA", img.size, (0, 0, 0, 0))

draw = ImageDraw.Draw(txt_layer)
font = ImageFont.truetype("arial.ttf", 40)

text = "myblog.dev"
text_pos = (img.size[0] - 250, img.size[1] - 60)

draw.text(text_pos, text, font=font, fill=(255, 255, 255, 120))

watermarked = Image.alpha_composite(img, txt_layer)
watermarked.convert("RGB").save("output_watermarked.jpg")

Здесь создается прозрачный слой, на который рисуется полупрозрачный текст, а затем он накладывается на оригинал.

---

### Массовая обработка изображений

import pathlib
from PIL import Image

input_dir = pathlib.Path("photos")
output_dir = pathlib.Path("photos_optimized")
output_dir.mkdir(exist_ok=True)

for path in input_dir.glob("*.jpg"):
    img = Image.open(path)
    img.thumbnail((1200, 1200))
    img.save(output_dir / path.name, quality=80, optimize=True)

Этот скрипт автоматически уменьшит и сожмет все фото в папке — полезно перед загрузкой на сайт.

---

Pillow хорош тем, что порог входа низкий: уже через пару десятков строк кода можно автоматизировать то, что обычно делается руками в графическом редакторе. А дальше — фильтры, коллажи, генерация превью, мемы и целые пайплайны обработки изображений.