👩‍💻 *args и **kwargs: гибкие параметры без боли

Иногда ты не знаешь заранее, сколько аргументов получит твоя функция. Python даёт тебе две магические конструкции для таких случаев — *args и **kwargs.

📌*args собирает все позиционные аргументы в кортеж:

def add_all(*args):
    return sum(args)

add_all(1, 2, 3)  # ➡️ 6

📌 **kwargs собирает все именованные аргументы в словарь:

def print_config(**kwargs):
    for k, v in kwargs.items():
        print(f"{k} = {v}")

print_config(debug=True, timeout=10)
# ➡️ debug = True
# ➡️ timeout = 10

🔥Комбинируем всё:

def func(a, b, *args, **kwargs):
    pass

➡️ a и b — обязательные, args — остальные позиционные, kwargs — именованные.

🧠 Применения:

1. Проксирование аргументов
Ты вызываешь другую функцию, не зная её сигнатуру:

   def wrapper(*args, **kwargs):
       return real_func(*args, **kwargs)
   

2. Гибкий API без переписывания сигнатур

Вместо:

   def create_user(name, email, age, is_admin=False):
       ...
   

Можно:

   def create_user(**kwargs):
       ...
   

3. Расширение без поломки интерфейса

У тебя есть базовый метод:

   def process(data, **kwargs):
       ...
   

➡️ В будущем можно спокойно добавить флаги, не меняя вызовы.


🗣️ Запомни: *args и **kwargs — это про гибкость и масштабируемость. Главное — использовать их осознанно: когда действительно нужно, а не “на всякий случай”.

📍Где применяется:
Декораторы, middleware, логгеры, фреймворки (Django, Flask), адаптеры, кастомные API, генераторы CLI-интерфейсов.

👩‍💻 Как работает collections.Counter?

Counter — это удобный инструмент для подсчета элементов в коллекции.
Не обязательно писать цикл и вручную считать каждый элемент 👇

➡️ Пример:

from collections import Counter

data = "aabbbcccc"
counter = Counter(data)
print(counter)  # Counter({'c': 4, 'b': 3, 'a': 2})

✔️ Можно использовать для нахождения самых частых элементов:

print(counter.most_common(2))  # [('c', 4), ('b', 3)]

⚙️ Также работает со списками:

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

🔥 Counter особенно полезен для:
— анализа текста
— подсчёта слов
— статистики
— обработки данных

🖥 Как повторить строку несколько раз

В Python для этого не нужен цикл 👇

text = "Python! "

print(text * 3)

👉 Результат:

Python! Python! Python!

💡 То же самое работает со списками:

nums = [1, 2]

print(nums * 3)

Получим:

[1, 2, 1, 2, 1, 2]

🔥 Это удобно, когда нужно быстро создать повторяющуюся строку или последовательность.

⚠️ Но со списками есть нюанс: элементы не копируются глубоко - для вложенных изменяемых объектов это может привести к неожиданному поведению.

🖥 Как превратить текст в речь с помощью Python

Можно заставить Python буквально говорить 🔊

Для этого есть библиотека pyttsx3:

import pyttsx3

engine = pyttsx3.init()

engine.say("Привет! Я говорю с помощью Python")
engine.runAndWait()

📦 Установка:

pip install pyttsx3

💡 Можно сделать функцию:

def speak(text):
    engine.say(text)
    engine.runAndWait()

speak("Сегодня изучаем Python!")

🔥 На этой основе можно сделать:
— голосового помощника
— программу для чтения текста
— озвучку уведомлений
— простого desktop-бота

И всё это — без сложных моделей и API 🚀

🖥 Как превратить PDF в текст с помощью Python

Нужно быстро достать текст из PDF? Можно автоматизировать это 👇

import fitz

doc = fitz.open("document.pdf")

for page in doc:
    print(page.get_text())

📦 Установка:

pip install pymupdf

💡 А если нужно сохранить весь текст в файл:

with open("result.txt", "w", encoding="utf-8") as file:
    for page in doc:
        file.write(page.get_text())

🔥 Получается простой конвертер PDF → TXT.

На этом можно построить:
— поиск по документам
— обработку большого количества PDF
— извлечение данных из отчётов
— подготовку текста для AI

⚠️ Если PDF состоит из сканов, обычное извлечение текста может не сработать - тогда понадобится OCR.

🖥 Как найти дубликаты в папке с помощью Python

Например, в папке лежат сотни файлов, и нужно понять, какие из них полностью одинаковые.

Можно сравнивать их по хэшу 👇

from pathlib import Path
import hashlib

def get_hash(path):
    return hashlib.md5(path.read_bytes()).hexdigest()

files = {}

for file in Path("files").iterdir():
    if file.is_file():
        file_hash = get_hash(file)
        files.setdefault(file_hash, []).append(file)

for group in files.values():
    if len(group) > 1:
        print("Дубликаты:")
        for file in group:
            print("  ", file)

💡 Идея простая:

📄 файл → 🔢 хэш → 🔍 сравниваем хэши

Если хэши совпали, файлы с высокой вероятностью одинаковые.

🔥 Такой скрипт можно использовать для:
— очистки папок
— поиска повторяющихся фото
— анализа больших архивов
— автоматизации работы с файлами

🖥 Как сделать генератор случайных паролей на Python

Небольшой скрипт, который создаёт случайный пароль заданной длины 🔐

import secrets
import string

chars = string.ascii_letters + string.digits + "!@#$%^&*"

password = "".join(
    secrets.choice(chars)
    for _ in range(16)
)

print(password)

💡 Почему secrets, а не обычный random?

secrets предназначен именно для случаев, где важна непредсказуемость случайных значений.

📌 Можно менять длину:

length = 24

password = "".join(
    secrets.choice(chars)
    for _ in range(length)
)

🔥 На основе этого можно сделать:
— генератор паролей
— CLI-утилиту
— генератор токенов
— автоматическое создание временных ключей

🖥 Как автоматически отправить email с Python

Можно отправлять письма прямо из Python — например, уведомления об ошибках или отчёты 📩

import smtplib
from email.message import EmailMessage

msg = EmailMessage()
msg["Subject"] = "Отчёт"
msg["From"] = "you@example.com"
msg["To"] = "user@example.com"
msg.set_content("Отчёт готов!")

with smtplib.SMTP_SSL("smtp.example.com", 465) as smtp:
    smtp.login("you@example.com", "PASSWORD")
    smtp.send_message(msg)

💡 Что здесь происходит:

📨 EmailMessage — создаёт письмо
🔐 login() — авторизация на SMTP-сервере
🚀 send_message() — отправляет письмо

🔥 На этом можно сделать:
— автоматические отчёты
— уведомления о сбоях
— отправку файлов
— ежедневные рассылки

⚠️ Пароль лучше не хранить прямо в коде — используй переменные окружения или секреты.

🖥 Как запустить несколько задач одновременно в Python

Если есть несколько задач, которые ждут сеть или другие внешние операции, можно выполнять их конкурентно с asyncio ⚡

import asyncio

async def task(name, delay):
    await asyncio.sleep(delay)
    print(f"{name} готова")

async def main():
    await asyncio.gather(
        task("Задача 1", 2),
        task("Задача 2", 1),
        task("Задача 3", 3),
    )

asyncio.run(main())

💡 Здесь три задачи запускаются конкурентно.

⏱️ Вместо ожидания примерно 2 + 1 + 3 = 6 секунд программа закончит примерно за 3 секунды - по времени самой долгой задачи.

🔥 Особенно полезно для:
— запросов к API
— загрузки данных
— сетевых приложений
— Telegram-ботов

⚠️ asyncio не делает обычные CPU-вычисления быстрее — он особенно хорош для задач, где много ожидания.

🖥 Как превратить список в строку одной командой

Допустим, есть список слов:

words = ["Python", "это", "просто", "🔥"]

Можно быстро объединить их через join():

text = " ".join(words)

print(text)

👉 Получим:

Python это просто 🔥

А если нужен другой разделитель:

csv = ", ".join(words)

print(csv)

👉

Python, это, просто, 🔥

💡 Очень удобно, когда нужно собрать строку из множества элементов.

🔥 Например, вывести список тегов:

tags = ["python", "backend", "coding"]

print("#" + " #".join(tags))

Результат:

#python #backend #coding

📌 Запомни простое правило:
split() - строку → список
join() - список → строку

📐 Typing: TypedDict, Literal, Annotated в реальных проектах

Аннотации типов в Python — это не только int и str. Для сложных сценариев есть мощные инструменты: TypedDict, Literal, Annotated. Они помогают писать код понятнее и ловить ошибки ещё на этапе разработки.

📦 TypedDict — словари со строгой схемой

from typing import TypedDict

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

u: User = {"id": 1, "name": "Иван", "is_admin": False}

➡️ Теперь IDE и mypy знают структуру словаря. Ошибку в ключе или типе отловишь сразу.

🎯 Literal — фиксированные значения

from typing import Literal

def set_status(status: Literal["NEW", "IN_PROGRESS", "DONE"]) -> None:
    print(f"Статус: {status}")

set_status("NEW")          # ✅
set_status("INVALID")      # ❌ mypy отловит

➡️ Полезно, когда параметр должен принимать строго ограниченные значения.

🧩 Annotated — тип + метаданные

from typing import Annotated
from dataclasses import dataclass

@dataclass
class User:
    id: Annotated[int, "DB Primary Key"]
    email: Annotated[str, "must be valid email"]

➡️ Аннотации становятся документацией и могут использоваться библиотеками (например, валидацией в FastAPI).

⚡️ TypedDict с опциональными ключами

class Config(TypedDict, total=False):
    debug: bool
    log_level: str

cfg: Config = {"debug": True}  # ok

➡️ total=False позволяет делать часть ключей необязательными.

🔄 Literal в связке с Enum

from typing import Literal

Role = Literal["user", "admin", "moderator"]

def check_role(role: Role): ...

➡️ Даёт компактную альтернативу Enum, если не нужно хранить методы.

📑 Annotated для валидации данных
В FastAPI:

from typing import Annotated
from fastapi import Query

def read_items(size: Annotated[int, Query(ge=1, le=100)]):
    return {"size": size}

➡️Ограничения накладываются прямо через типы, без лишнего кода.

🧠 Совмещение инструментов

class Product(TypedDict):
    id: int
    status: Literal["active", "archived"]

def process(p: Product): ...

➡️ Получается словарь со строгой схемой и фиксированным набором значений.

🗣️ Запомни: TypedDict даёт строгие словари, Literal ограничивает набор значений, Annotated связывает тип с метаданными. Вместе они делают код самодокументируемым и надёжным.

👩‍💻 Библиотеки для ленивых: когда хочется больше делать с меньшими усилиями

Каждый программист знает: кодить можно быстрее, если использовать проверенные решения. В Python куча библиотек, которые делают работу за тебя — не нужно изобретать велосипед.

1. `pathlib` — путь к лёгкости работы с путями

Ты всё ещё юзаешь os.path? Пора остановиться. pathlib — это объектно-ориентированная альтернатива, которая позволяет работать с путями проще и чище.

Пример:

from pathlib import Path

p = Path("/home/user/docs")
print(p / "file.txt")  # /home/user/docs/file.txt

👉 Это значительно читаемее и проще, чем старые подходы с os.path.

2. `requests` — HTTP без головной боли

HTTP-запросы — одна из самых часто используемых операций, но с ними можно запутаться. requests делает этот процесс понятным и удобным.

Пример:

import requests

response = requests.get('https://api.example.com/data')
print(response.json())

👉 Всё! Нет лишнего кода, никаких ненужных сложностей.

3. `pydantic` — валидация данных с минимальными усилиями

Если тебе нужно проверять данные, а писать вручную кучу кода — не хочется, используй pydantic. Эта библиотека позволяет быстро проверять и валидировать данные, обрабатывая JSON, параметры и модели.

Пример:

from pydantic import BaseModel

class User(BaseModel):
    name: str
    age: int

user = User(name="Alice", age=30)
print(user)

👉 Валидация без лишних усилий и работы с типами. Всё автоматически.

4. `attrs` — создание классов без ненужного кода

Если ты создаёшь классы, но не хочешь писать лишние методы вроде __init__, __repr__, __eq__, то тебе в помощь attrs. Эта библиотека позволяет легко создавать классы с автоматическим заполнением всех необходимых методов.

Пример:

import attr

@attr.s
class Point:
    x = attr.ib()
    y = attr.ib()

p = Point(3, 4)
print(p)  # Point(x=3, y=4)

👉 Быстро, удобно, без лишних усилий.

5. `click` — консольные приложения без мук

Создание CLI-интерфейсов может быть утомительным, но с click это делается быстро и без боли. Ты можешь создавать простые и мощные консольные команды с минимальными усилиями.

Пример:

import click

@click.command()
@click.argument('name')
def greet(name):
    click.echo(f"Hello, {name}!")

greet()

👉 Лёгкая настройка, удобная обработка аргументов и флагов.

🗣️ Запомни: используй библиотеки, чтобы минимизировать шаблонный код, повысить читаемость и улучшить производительность разработки.

🎯 Как выглядеть как мидл, даже если ты джун

💡 Мидл — это не про годы опыта, а про то, как ты работаешь с задачами. Даже будучи джуном, ты можешь выглядеть как уверенный разработчик. Вот как.

👍 1. Не пиши код сразу — начни с понимания

Мидл сначала понимает задачу, уточняет детали, разбивает её на части — и только потом пишет код.

# ❌ Джун:
# Просто пишет как-нибудь

# ✅ Мидл:
# Планирует — какие модули затронет, где могут быть ошибки, какие кейсы проверить

👍 2. Всегда думай про edge cases

Мидлы знают, что код без тестов на крайние случаи — потенциальная мина.

def divide(a, b):
    return a / b

# ✅ А если b = 0?

👍 3. Дай коду имя и порядок

Пиши функции с понятными именами, дели на модули, убирай мусор.
Мидл пишет поддерживаемый код — это важно.

# ❌
def f(x): return x*2

# ✅
def double_price(price: float) -> float:
    return price * 2

👍 4. Будь предсказуемым

Мидлы не изобретают велосипеды. Используй стандартные конструкции, идиоматичный Python, pathlib, enumerate, with, dataclass, typing.

👍 5. Спрашивай правильно

Не “у меня не работает 😢”, а “я делаю X, жду Y, получаю Z. Вот код. Пробовал уже A и B.”

Это — уровень. И его видно сразу.


🗣 Пиши как мидл, спрашивай как мидл, думай как мидл — и к тебе начнут относиться как к мидлу.

📍 Где применимо:
На стажировках, джуниор-работе, open source — помогает получить фидбек, повысить доверие и быстрее вырасти.

🔄 Генераторы и yield: как делать ленивые вычисления и экономить память

Обычные функции в Python возвращают всё сразу. Генераторы — по частям. Это «ленивые» вычисления: результат отдаётся только тогда, когда он нужен. Экономия памяти и скорость работы на больших данных становятся колоссальными.

⚡️ Простейший пример с yield

def numbers():
    yield 1
    yield 2
    yield 3

for n in numbers():
    print(n)

➡️ Функция не возвращает список, а отдаёт значения по одному.

📂 Чтение больших файлов построчно

def read_file(path):
    with open(path, "r") as f:
        for line in f:
            yield line.strip()

for line in read_file("big.log"):
    print(line)

➡️ Файл читается строчка за строчкой, без загрузки всего в память.

♾️ Бесконечные последовательности

def counter(start=0):
    while True:
        yield start
        start += 1

for n in counter():
    if n > 5:
        break
    print(n)

➡️ Генератор может выдавать элементы бесконечно. Список так сделать нельзя.

🔗 Пайплайны генераторов

def numbers():
    for i in range(10):
        yield i

def squared(seq):
    for x in seq:
        yield x * x

for x in squared(numbers()):
    print(x)

➡️ Одни генераторы передают данные другим. Получается конвейер обработки.


🛠 Генераторные выражения

squares = (x*x for x in range(1_000_000))
print(next(squares))  # 1
print(next(squares))  # 4

➡️ Почти как list comprehension, но без хранения всех элементов в памяти.


🟢 Где это реально нужно:

🟢обработка логов и CSV гигабайтного размера;
🟢потоковые данные (сокеты, API);
🟢построение бесконечных последовательностей;
🟢конвейеры обработки (map/filter без лишних списков).

🗣️ Запомни:yield отдаёт результат по частям, не занимая память. Генераторы можно объединять в цепочки — как трубы. Если данных много или они бесконечны — только генераторы спасут.