Обновить
256K+

Python *

Высокоуровневый язык программирования

377,99
Рейтинг
Сначала показывать
Порог рейтинга
Уровень сложности
Формат публикации

Ускоряем Python код в два раза с помощью типизации

Уровень сложностиСредний
Время чтения10 мин
Охват и читатели11K

Покажу, как можно ускорить код h11 (HTTP/1.1 библиотечка со 710k пользователями на Github) с помощью компиляции с mypyc примерно в два раза. В процессе расскажу, как я чинил разные интересные ошибки, связанные c адаптацией кодовой базы под mypyc.

Читать далее

Парсер, который не падает, а врёт: шесть случаев из моей практики

Уровень сложностиСредний
Время чтения5 мин
Охват и читатели6.6K

За полтора месяца я собрал браузером около двухсот карточек товаров, счётчики просмотров с одиннадцати площадок и содержимое пары десятков объявлений. Данные нужны были не для продажи, а для собственной аналитики: я веду небольшой сайт и считаю по нему цифры.

Все шесть случаев ниже объединяет одно свойство. Код не упал. Он отработал, записал результат в базу, и всё выглядело правильным ровно до того момента, пока я не полез проверять руками.

Читать далее

DeepseekExtractor Утилита для излечения чатов из бэкапов DeepSeek

Уровень сложностиПростой
Время чтения8 мин
Охват и читатели7.1K

Привет, земляне! Потребовалось мне тут на днях из истории переписки DeepSeek извлечь текст чата. Клиент позволяет выгрузить бэкап в формате JSON, и чтобы извлечь из него нужные мне данные я разработал простую утилиту, которой делюсь со всеми. В данной статье я описываю исследование структуры данных бэкапа и рассказываю как использовать утилиту.

Читать далее

Ускорение Python-сервиса с CinderX: JIT и статическая типизация

Уровень сложностиСложный
Время чтения29 мин
Охват и читатели6.9K

У любого ускорителя Python есть число: во сколько раз он быстрее. Меряют его на ядрах - сортировка, обход дерева, арифметика в цикле. Сервис устроен не так: обработчик ходит в базу, считает в numpy, сериализует ответ, и байткода, к которому это число применимо, в нём может почти не остаться. CinderX ускоряет байткод, и за пределы байткода это число не распространяется. Доля байткода в вашем сервисе - свойство вашего кода, а не расширения, и пока она не посчитана, «ставить или нет» решается угадыванием.

Читать далее

Представлен открытый проект NextSteamGame, который помогает выдавать рекомендации по играм в Steam. В отличие от...

Охват и читатели6.1K

Представлен открытый проект NextSteamGame, который помогает выдавать рекомендации по играм в Steam. В отличие от алгоритмов Valve, в этом проекте считываются не только пересечения предпочтений других игроков, а и метаданные каждого тайтла. Специальная нейросеть разбирает проект на набор механик и жанров, после чего ищет совпадения в других играх.

Читать дальше →

Модель уровня opus 5 бесплатно. swe-2 в devin, но есть нюансыНа выходных многие ломанулись тестировать SWE-2: до 10...

Охват и читатели7.2K

Модель уровня opus 5 бесплатно. swe-2 в devin, но есть нюансыНа выходных многие ломанулись тестировать SWE-2: до 10 октября он бесплатен в Devin Desktop и CLI. Модель интересная: дообученная от Kimi K3, аккуратно правит код, хорошо держит фронт и умеет много агентской рутины. Плюс сразу подхватывает AGENTS.md, skills, MCP и привычные CLI-интеграции. Целей нет, зато есть /loop

Читать дальше →

Как мы ускоряли сборку Python в 20 раз

Время чтения4 мин
Охват и читатели12K

Я не знаю человека, который любит долго ждать. Но ожидание и его последствия бывают разные.

Когда мы стали делать своего ИИ-помощника, который пишет/правит код и запускает его на сервере, поняли, что сборка должна быть быстрой. Очень быстрой.

В статье я расскажу, как нам удалось ускорить сборку Python до 20 раз.

Читать далее

Нужна ли умная модель для рутины? Дал четырём моделям пять одинаковых задач и сравнил

Уровень сложностиПростой
Время чтения4 мин
Охват и читатели9.4K

На этой неделе на Хабре спорили, нужны ли программисту самые умные модели или для рутины хватит дешёвых. Триста комментариев и ни одного замера на одинаковых задачах. Я сделал: пять рутинных задач, четыре модели одного семейства, по два прогона, скрытые тесты. Сорок прогонов.

Самая дорогая модель оказалась самой быстрой: 341 секунда против 395 у самой дешёвой, потому что ей нужно меньше ходов и вдвое меньше текста. Четыре задачи из пяти решили все, 32 прогона из 32. А на пятой младшая модель написала баг и отчиталась двумя галочками подряд, вторая из которых опровергает первую.

Читать далее

Вышло обновление открытого проекта для создания и хранения в электронной библиотеке книг разного формата Calibre 9.15

Время чтения4 мин
Охват и читатели8.8K

18 сентября 2026 года состоялся выпуск открытого мультиплатформенного проекта Calibre 9.15. Это программное решение для чтения, создания и хранения в электронной библиотеке электронных книг разного формата. Исходный код проекта написан на Python и C и опубликован на GitHub под лицензией GNU General Public License v3.0. Версия Calibre 7.0 вышла в ноябре 2023 года. Сборка Calibre 8.0 вышла в марте 2025 года. Выпуск Calibre 9.0 случился в конце января 2026 года. Проект находится в разработке более 11 лет.

Читать далее

Как попасть в ответы Perplexity AI и почему эта ИИ‑модель берёт не весь текст с цитируемых страниц

Уровень сложностиСредний
Время чтения10 мин
Охват и читатели12K

Я прогнал 20 промптов через Perplexity API по три повтора, собрал 60 ответов и у каждой отсылки [N] в тексте связал предложение ответа со страницей источника, на которую оно указывает. Дальше самое трудоёмкое: для каждой такой пары — предложение ответа и страница источника — я искал в HTML кусок текста, максимально похожий на утверждение из ответа. Из 1355 отсылок 948 привели на страницы, которые ещё открываются, и на 448 из них нашёлся пассаж — абзац, пункт списка или ячейка таблицы, — покрывающий хотя бы треть слов утверждения.

Главный результат для того, кто пишет страницы, а не гоняет замеры: на сработавшей странице задействовано медианно два пассажа из 85, длиной около 49 слов каждый. По числу кусков это 2%, по словам больше — медиана 6,4% текста страницы при среднем 11,6%: сработавший пассаж длиннее типичного. Планировать имеет смысл не прочтение страницы целиком, а то, что из неё вытащат один самодостаточный абзац; что это значит для конкретного текста, я развернул в разделе про работу с Perplexity — он стоит в середине, до разбора моих ошибок в коде. Границы, за которыми эти числа перестают работать, вынесены в отдельный раздел — там же написано, как проверить то же самое на своей нише.

Вопрос, с которого всё началось: в логе замера видно, какие URL Perplexity ставит в источники, и не видно, что именно со страницы поехало в ответ — весь текст, абзац или одна строка списка.

Читать далее

Кнопка нажата, а ответа нет: как не потерять действие пользователя и не наделать дублей

Уровень сложностиСредний
Время чтения9 мин
Охват и читатели10K

Пользователь нажал кнопку, сеть пропала, а браузер не знает, дошёл ли запрос до сервера. Повторите запрос — можно получить дубль. Не повторяйте — потеряете действие.

Показываю схему, которая решает обе проблемы: API без toggle, ключ идемпотентности в PostgreSQL, очередь в IndexedDB, Service Worker и проверка офлайна в Playwright. Это не полный offline-first — только защита действий в момент обрыва связи.

Разобраться с повторами

Агент пишет код. Что тогда остаётся инженеру данных?

Уровень сложностиСредний
Время чтения8 мин
Охват и читатели8.7K

В работе инженера данных хватает повторяющихся задач: забрать данные из API, проверить структуру, преобразовать поля, записать результат в хранилище. Вокруг этого — настройки, тесты, сообщения об ошибках и документация.

Такую работу удобно поручать Агенту.

Опять агенты

Подключил локальную Gemma к Codex, чтобы экономить лимит. На простой задаче расход вырос вдвое

Уровень сложностиСредний
Время чтения6 мин
Охват и читатели18K

У меня MacBook Pro 16 2019 года: шестиядерный Intel Core i7, 16 ГБ оперативной памяти и Radeon Pro 5300M с 4 ГБ VRAM. На нём уже стояли Ollama, gemma3:4b и gemma2:2b.

Идея казалась очевидной: зачем тратить облачный Codex на разбор короткого traceback, сводку лога или commit message? Пусть Codex отдаёт такую работу локальной модели, получает готовый результат и занимается только сложными задачами.

Я сделал MCP-сервер, подключил его к Codex, прогнал одинаковые задачи и посмотрел точный расход токенов. Интеграция заработала. Экономия — нет.

На одной простой задаче маршрут через локальную модель использовал примерно в два раза больше облачного input, чем прямой ответ Codex.

Ниже — не инструкция «как запустить нейронку за пять минут», а разбор эксперимента: что я собрал, где ошибся в первоначальной гипотезе и для каких задач маленькая локальная модель всё-таки пригодилась.

Читать далее

Ближайшие события

Graceful Shutdown в Python‑приложениях на Kubernetes: внедрение и практический опыт

Время чтения9 мин
Охват и читатели12K

Часто ли вы сталкиваетесь с проблемой потери данных, неконсистентными состояниями или ошибками в Sentry о внезапно закрытых соединениях при рестарте сервисов? Если вы когда-нибудь пытались это исправить, то наверняка слышали про Graceful Shutdown.

Привет! Меня зовут Антон, я бэкенд-разработчик Python в Selectel. В этой статье поделюсь опытом внедрения Graceful Shutdown в наши сервисы и расскажу, с какими сложностями мы столкнулись.

Читать далее

Решил проверить, что обо мне знает Google. И знает он достаточно. Я есть и в SEO, и в GEO выдаче. К слову, попасть...

Охват и читатели5.3K

Решил проверить, что обо мне знает Google. И знает он достаточно. Я есть и в SEO, и в GEO выдаче.

К слову, попасть туда не сложно. Достаточно иметь точные вхождения поисковых запросов в сочетании с именем на трастовых площадках, уважаемых поисковиками. В моем случае лучше всего отрабатывает любимый Habr.

К сожалению, разработчику это мало поможет в поиске работы, но сам принцип может пригодиться.

Читать дальше →

Релиз языка программирования Mojo 1.1

Время чтения4 мин
Охват и читатели67K

17 сентября 2026 года вышло обновление языка программирования Mojo 1.1. Этот выпуск примечателен началом приёма в кодовую базу компилятора изменений от сторонних участников. В августе 2026 года состоялся первый мажорный релиз Mojo, который ознаменовал стабилизацию языка и реализацию всех базовых возможностей и оценивается как готовый к повсеместному использованию. Использование стабильной ветки проекта Mojo 1.х позволяет разрабатывать крупные проекты, не опасаясь появления в языке изменений, нарушающих совместимость.

Читать далее

Автоматизация процесса привлечения инвестиций

Время чтения6 мин
Охват и читатели9.9K

У меня есть проекты, на который я привлекаю инвестиции. Потому что эти инвестиции помогут проектам масштабироваться, привлечь больше юзеров, выполнять задачи большего масштаба и тд и тп - в общем все, что будет приносить этим проектам больше денег. Соответственно, инвесторы с этого получат хороший процент прибыли.

Я автоматизировал почти всю цепочку действий по фандрейзингу: сбор инвесторов из источников, отбор, отправку им сообщений через свою CRM, отслеживание ответов и вывод на звонок.

Чуть ниже описываю, как делал и какие цифры получились. Ну и где не получилось так, как мне бы хотелось.

Читать далее

PhishIntel, инструмент WEB‑разведки для сбора публичных данных, обновлен. Он стал более юзерфрендли, добавлено...

Охват и читатели6K

PhishIntel, инструмент WEB‑разведки для сбора публичных данных, обновлен.

Он стал более юзерфрендли, добавлено интерактивное меню, и рендеринг человекочитаемого отчета. Кроме того, запускается одной командой, и не требует никаких дополнительных зависимостей. Инструмент написан на чистом Python c щепоткой Go.

Читать дальше →

Вышла новая версия плагина для агентов Google Analytics Advisor — с Search Console и полной диагностикой аналитики сайта

Время чтения2 мин
Охват и читатели5.5K

Google Analytics Advisor 0.20.0 — бесплатный open-source плагин для Codex и Claude Code, который помогает работать с GA4 без специальных знаний в веб-аналитике. В новой версии появились полная диагностика аналитики сайта, read-only-интеграция с Google Search Console, сопоставление поисковых данных с GA4 и возобновляемые проверки с понятными рекомендациями.

Читать далее

async def или def в FastAPI: как одна строчка делает сервис в 40 раз медленнее

Уровень сложностиСредний
Время чтения7 мин
Охват и читатели12K

В FastAPI можно объявить обработчик как async def, а можно как обычный def. Многие ставят async везде «потому что так быстрее» и спокойно вызывают внутри requests.get() или синхронный драйвер БД. Сервис при этом работает, тесты проходят, а на первой же реальной нагрузке всё встаёт колом, причём вместе с health‑check'ом.

В статье разберу, что на самом деле происходит с каждым вариантом, покажу замеры и дам короткую шпаргалку, какой вариант выбирать.

Читать далее