Cобытия жизненного цикла компонента

Цитируя документацию, ссылку на которую я привел в первом ответе:

setup() не имеет доступа к компоненту экземпляра — thisбудет иметь значение undefinedвнутри setup(). 

Инициализация объекта происходит непосредственно перед вызовом beforeCreate (Called immediately when the instance is initialized and props are resolved)

​Это действительно может смущать, что есть какие-то переменные, которые объявляются до появления instance, и они станут атрибутами this после. Мы даже можем управлять видимостью этих переменных и решать, какие переменные в setup(), будут после отображены в instance, как атрибуты или методы. Ещё setup() может вернуть объекты явно, и такие объекты станут сразу отображены в глобальной зоне видимости всех элементов компонента, аналогично props-ам.

Cобытия жизненного цикла компонента

Да, спасибо. Стоило бы все же указать источник. Так вот, эта диаграмма подтверждает то, что компонента на этапе функции setup() не существует. В диаграмме даже отмечено цветом то, что функция Setup() (синий) не входит в список Component Lifecycle Hooks (красный), о которых рассказывается в текущей статье.

Cобытия жизненного цикла компонента

<zanuda mode="on">

В setup() компонента, как такового (тот самый this), еще не существует. Потому setup() не является событием жизни компонента. А статья именно про жизненный цикл, так что - все норм.

</zanuda>

Основы метаклассов в Python: Простое понимание и примеры

Откуда это взялось? Или я_точно_синглетон = dict() тоже синглетон? Класс это экземпляр класса type или одного из его наследников, не более.

В принципе любой объект питона уникален, так что я_точно_синглетон_dict() можно тоже назвать Cинглетоном. Единый объект класса доступен каждому объекту через type(obj) или через дандер и часто используется как хранитель единого состояния для порожденных объектов, что, собственно, является одной из причин создания Singleton. Потому я субъективно отношу классы к Singleton-объектам.

Класс это экземпляр класса type или одного из его наследников, не более.

Нет. Класс не наследует свойства класса type, а является производной работы type. В качестве доказательства: по умолчанию у класса нет методов что есть у type, хотя их можно добавить.

type ничего не добавляет своим наследникам. Единственное что type.new делает, так это создаёт новый экземпляр переданного класса и заполняет его словарь, используя переданные параметры. Ну и валидацию выполняет, чтобы от некоторых типов не наследовались, но это не суть важно.

Еще раз. Класс не является наследником type, он является результатом работы функции конструктора класса. На примере:

 MyClass = type('Name', (__bases__,), {'mymethod': lambda *args, **kwargs: 'hi'})

В примере вызывается функция конструктор, создающая в локальной области видимости класс с именем "Name". Unbounded функции "mymethod" нет в методах базовых классов (если они переданы), и эта функция будет добавлена конструктором type к классу, да, грубо говоря добавлена в MyClass.__dict__, но если попробовать сделать это вручную получим'mappingproxy' object does not support item assignment. Так что это не напрямую "заполнение словаря".

Насколько я знаю, pathlib никаким образом не использует метаклассы. Поправьте, если я ошибаюсь.

Поправляю, Path наследован class PurePath(object), который, в свою очередь, ведет себя как metaclass, переопределяя __new__.

И даже если использует, то зачем в теории может понадобиться переопределять div на каком-нибудь PathType, а не на самом Path?

Переопределенный __div__ позволяет использовать синтаксис Path('root') / Path('folder'). В этом примере на команду __div__ происходит Path('root').parts + Path('folder').parts. Но Path в реальности это просто маска двух классов:cls = PureWindowsPath if os.name == 'nt' else PurePosixPath. Потому переопределив что-то у класса Path ничего не получим, надо переопределять у PureWindowsPath и PurePosixPath.

Но спасибо @ValeryIvanov кое что я узнал про конструктор в python3, от отличается от Python2, а я это упустил.

Ты — это то, как ты пишешь. Как расти через качество кода

Мне понравилось, спасибо!

Вот только "С вероятностью в 20 % вы вернётесь к этому фрагменту и будете его дорабатывать" - а можно узнать как считалась вероятность? A то тут Мартин Фаулерс беспокоится, он то в статьях о рефакторинге совсем другие величины указал.

Legacy: поддерживать нельзя переписать

Мне кажется, что автор не до конца понимает слово "legacy" (наследие). Все. Абсолютно все. И что было написано, и то, что будет написано, это legacy проекта. Да да, даже то, что запланировано, но еще не реализовано.

Именно потому legacy не существует. Есть проект. В том состоянии, в каком он есть. Что-то устарело, что-то нет. На примере Django. Проекту множество лет. В проекте остаются следы переходов с одной технологии на другую, хотелки, не реализованные с 0.95 версии, куски разнотипного кода от разных авторов, и лютый Си-тон в некоторых папках. Legaсy? Нет. Просто фреймворк, с которым я работаю долгое время.

Я могу представить, что под понятием "Легаси" в статье спрятался "Технический долг". Набор технических решений, требующих вмешательства специалиста. Но надо ли с этим бороться?

Исходя из слов Мартина Фаулера о необходимости рефакторинга - в любом проекте есть Zero Tolerance Tech-Debt Zone, Михаель Феатерс уточнил, как эту зону обнаружить статистически. Всю остальную часть проекта стоит оставить неизменной.

Потому, не надо ни с чем бороться. Легаси, она в голове. А в проекте есть тех долг, только малая часть которого должна быть выплачена.

P.s. У меня либо паранойя, либо в тексте некоторые куски кода похожи на GPT. Подозреваю первое.

Основы метаклассов в Python: Простое понимание и примеры

"Ничего ты не знаешь, Джон Сноу"

Если рассматривать статью, как попытку разобраться в метаклассах. То зачет. Попытался.

Если рассматривать статью, как попытку разобраться в метаклассах. То мимо. Не разобрался.

Просто и понятно написано тут https://docs.python.org/3/reference/datamodel.html#metaclasses, но обычно это никто не читает.

1. Объекты класса как-то себя "проявляют" через методы и содержат атрибуты. Получить класс объекта можно командой type(obj).

2. Классы задают базовое поведение и задают шаблоны атрибутов для объектов класса. Любой класс это синглтон-объект, который как-то себя "проявляет" через методы и содержит атрибуты. Получить метакласс класса можно командой type(cls). Именно потому, что класс это тоже объект.

3. Метаклассы задают базовое поведение и задают шаблоны атрибутов для Классов, как объектов. Любой метакласс это синглтон-объект, который как-то себя "проявляет" через методы и содержит атрибуты. Получить Метакласс метакласса можно командой type(metacls). Именно потому, что метакласс - это тоже объект.

4. Можно продолжить. Создав мета мета класс, который будет задавать базовое поведение и задают шаблоны атрибутов для Мета классов, как объектов.

Фактически у нас есть только одно взаимоотношение. Класс --> Объект.

В списке выше это 2 --> 1, 3 --> 2, 4 --> 3, ...

Метакласс MyMetaв примере статьи, например, управляет поведением инициализации объекта классом MyClass.

Первый пример применения метакласса: фактически "Мета классом" мы "донастраиваем" работу некоторых методов класса. В Django метакласc модели превращает атрибуты-поля Класса Модели в атрибуты-дескрипторы объекта на моменте инициализации классом объекта. Если бы этого не происходило, то в объекте мы бы имели атрибут-поле (models.RelatedField). Но в объекте мы имеем models.DeferredDescriptor.

Метакласс имеет не так много методов, поскольку не так уж и много нам надо делать на этом уровне. Базовый метакласс, это который type, например, при создании любого класса добавляет ему набор стандартных дандер-методов, типа __getattr__, и т.п. В твоем примере ты создал class MyClass() ничего ему не объявил, а у класса есть метод __str__. Спасибо метаклассу type который по умолчанию является конструктором класса и делает всю грязную работу за нас.

Это может пригодиться, если хочется поменять некоторые атодобавляемые методы у ВСЕХ классов этого метакласса. Опять Django. Добавляемый метод __eq__ у класса модели переопределен. Теперь в классе это поведение поменяно. И объекты этого класса в момент сравнения начинают меряться obj.pk ? obj2.pk вместо стандартного поведения id(obj) ? id(obj2)

Вот второй пример применения метакласса: вместо ручного прописывания методов у каждого дочернего класса, делаем это через метакласс. Кстати, я предпочитаю использовать для этого миксины. В dataclass - это же делают через декоратор.

Поскольку Метакласс позволяет переопределять дандер и не только методы на момент объявления класса (это же возможно сделать и миксином и наследованием и декоратором) то можно переопределить "__div__" и всю остальную математику и получить класс Path из Pathlib который реализует DSL, в данном случае это привычный file system syntax. Но важно, что этот класс на самом деле - это несколько классов PosixPath, WindowsPath etc. Без метакласса надо было бы переопределять математику в каждом из них ручками. Количество кода увеличилось бы. А через метакласс удалось соблюсти DRY да и KISS тоже где-то рядом.

По сути метакласс - это всегда синтаксический сахар сильно уменьшающий количество кода, который надо писать. Тут нет магии или мистики. Это просто. Но не для всех.

Класс Reverse Mapping на Python

Верно. Но этот Exception в коде никак не обрабатывается. Я это имел ввиду под "не работает".

Pandas: от хаоса к красоте кода

Чет не торт:

В примере:

def compute_length(word: str) -> int:
    return len(word)

def prepare_data(df: pd.DataFrame) -> pd.DataFrame:
    return pd.concat([
        ...
        df.name.apply(compute_length).rename("name_len"),
        ...
    ],...)

Неужели только у меня екнула мылсь о тотальной ненужности compute_length как и тестов к этой функции :

def prepare_data(df: pd.DataFrame) -> pd.DataFrame:
    return pd.concat([
        ...
        df.name.apply(len).rename("name_len"),
        ...
    ],...)

Про падающий len(None) отписал ниже.

Далее, в оригинале непонятно что имел ввиду автор тут:

eries = df["name"].str.title()  # not a copy whatsoever (в любом случае не копия)

Из документации: str.len()возвращает новую серию, содержащую длины строк исходной серии. Таким образом, исходная серия остаётся неизменной. Так что это результат с числами вместо строк, о какой копии или не копии может идти речь?

Незнание базового Python тоже удручает:

def find_max_name_length(df: pd.DataFrame) -> int:
    df["name_len"] = df["name"].str.len()  # побочный эффект
    return max(df["name_len"])

@pytest.mark.parametrize("df, result", [
    (pd.DataFrame({"name": []}), 0),  # упс, здесь тест упадет

Да, точно, давайте создадим Safe Max функцию:

def find_max_element(collection: Collection) -> int:
    return max(collection) if len(collection) else 0

Вместо того что бы почитать документацию про max тут:

def find_max_element(collection: Collection) -> int:
    return max(collection, default=0)

Ну и, напоследок, про "пойманный баг". В оригинале автор(ка) прежде, чем работать с данными, их не провалидировала. По тестам видно, что данные - это набор строк, который вероятно, может содержать нулевые значения. Разумеется, можно на функции просчета len возвращать 0 если передано значение Null. Это, кстати, придется делать для всех функций падающих на Null. Ещё можно функцию применять не к df.Name а к df.Name.str. Падать len уже не будет, потому как будут передаваться 'None'. Но результаты плачевные, это видно тут:

def create_name_len_col(series: pd.Series) -> pd.Series:
    return series.str.len()

На каждое Noneзначение в исходной серии значений получим 4, вместо 0. Но в тестах это пропущено.

Так что... Товарищи! Мойте руки Валидируйте данные перед едой! Ну и про тесты не забывайте, а то - тут одно протестировали, там другое... не надо так.

p.s. За перевод спасибо!

Сказ о том, как я эмулятор Intel 4004 на Python писал (часть 2)

if / elif стильно/модно/моледежно заменять на словарь:

cmd_dict = {
    0x0: CPU.NOP, 
    0x6: CPU.INC,
    ...
}

...  # Где-то в коде run() 
cmd = cmd_dict.get(opcode)
if not cmd:
  raise UncnownOpCode()  # или print + return в зависимости от реализации.
address = memory[self.pc + 1]
cmd(self, address)
...

для CPU.NOP надо, правда, поменять сигнатуру что бы принимал address или завернуть в lambda безадресные команды:

cmd_dict = {
    0x0: lambda *args, **kwargs: CPU.NOP, 
    0x6: CPU.SUB,
    ...
}

А так спасибо @Yura_FX вспомнил детство за 8051 архитектурой. Было клево и безоблачно... ээх.

Класс Reverse Mapping на Python

Скорее всего, что подход "би"-маппинга стоит решать на уровне получения объектов из БД. Это работает, если возможно контролировать БД всех систем.

В остальных случаях идея может быть улучшена, если известна система "источник" и система "назначение", а они известны в текущем примере, поскольку в этом случае маппинг выполняется с помощью только одного словаря "sourse: destination" и исключено появление каких-либо ошибок по ключам, о которых писали предыдущие комментаторы.

PS. Код не работает, если values вmapping: dict не hashable. А на __init__ это не проверяется.

Проджект менеджер свалился под стол с кровавой пеной во рту — что делать?

Проджект менеджер свалился под стол с кровавой пеной во рту — что делать?

Загнанных лошадей пристреливают, не правда ли?

Метеорологи составили карту из 36 миллионов мест в США, куда били молнии

@SLY_G я все понимаю, запары и всякое такое. Но персидский залив в Америке это сильно! По английской статье понятно что речь идёт о южном побережье США, это Мексиканский залив. Я про подпись под картинкой о частоте ударов молнией.

Класс коннектор для Диадок API на Python

Согласен, я ещё не понял зачем заворачивать responce с повторением всех атрибутов/методов. Почему тогда не передать нормальный response, тот что лежит в _response

Улучшаем свой код на Python

Мод zanuda снимается. Не так прочел код. Там падение на .get

Но замечание про результат падения остается: при user.permissions.no_key.create_users непонятно, где выпал Еxception и выпал ли он. Я имею в виду, что None характеризует что (пустой словарь) or (нет user) or (user none) or (user пустой слолварь) or (user не содержит permissions) or ... продолжи сам.

Лучший стек для питониста-джуна 2024 (2 часть)

Все что делает FastAPI - это прикручивает валидацию входящих данных через Pydantic. У Marcelo есть хороший доклад на PyConIT 2023 о том, что именно делает FastAPI.

Если мне не нужна валидация, поскольку я пишу endpoints для второй части приложения с CQRS-архитектурой, то выбор FastAPI выглядит очень спорно, я писал на хабре про низкую скорость работы FastAPI на выдачу данных.

Что я хочу сказать - выбор технологии должен быть согласован с задачей. FastAPI из коробки решает малую часть задач, как и Sanic, LiteStar ... Предлагать FastAPI, как альтернативу Django, это, на мой взгляд, более чем недальновидно, поскольку Django из коробки без дополнительных батареек решает намного больший спектр задач и довольно эффективно, чем FastAPI даже с батарейками.

Для пруфов - реализация мультиязычности, реализация GEO, классы представлений. Напрмер для работы с классами представлений в FastAPI - либо ставить FastAP utils, либо написать свой. А в таком случае зачем мне враппер враппера?

@asedoy Предлагаю закончить этот holy-war тут. Мне кажется, что лучше написать статью про свое Альтернативное видение стека для питониста‑джуна 2024, чем спорить в комментах.

Лучший стек для питониста-джуна 2024 (2 часть)

Unittest пока имеет очень существенное преимущество перед pytest. Скорость выполнения тестов. На удобство становится пофиг, когда на precommit висит test all, и 1200 тестов. ..в качестве примера возьмем Shoop. Мы его на новую django переезжали, можно найти мой issue об этом. 1200 тестов в 4 потока на pytest 22 минуты. На unittest - около 7.

То что FastAPI знают больше Sanic, не объясняет выбор, поскольку непонятен сам выбор "малоизвестности". Если звезды не катят, тогда что? Я признаю, что Marcelo Trylesinski вкладывается на 100% в маркетинг FastAPI. Но FastAPI это просто wrapper к Starlette. Тогда почему не просто Starlette.

Улучшаем свой код на Python

@lorerv не завершил предудущий коммент, а править уже нельзя.

Блок с названием "Генераторы для ..." и без генераторов. Вероятно, планировалось так:

def user_paginate(client):
    limit, page = 3, 0
    for page, users in enumerate(iter(lambda:client.get_all_users(page, limit))):
        yield users

def user_limit_paginate(client, max_pages=3):
    for page, users in enumerate(user_paginate(client), 1):
        yield page, users
        if page >= max_pages:
            return

# gde to v code
all_paginated_users = yield from user_paginate(client)
paginated_users = yield from user_limit_paginate(client, 255)

# or with itertools, you are dont need user_limit_paginate function at all
import itertools
paginated_users = yield from itertools.batched(user_paginate(client), 255)

В первой функции я иду по итератору выдающему пачки users. уже позже понял что можно , что еще проще, если использовать generator.send(), но это оставим для следующей статьи.

Во второй функции я иду по итератору выдающему пачки users и стопаю итерацию после выдачи последнего допустимого user_chank. Хотя использовать itertools.batched в этом случае более предпочтительно.

Лучший стек для питониста-джуна 2024 (2 часть)

Малоизвестные кому? Малоизвестные кто? PonyOrm? Pylint? Conda? Ладно, вместо Litestar возьмем Sanic, а вместо Rue возьмем pipx. Сойдут за "более известные" библиотеки?

Ruff появился недавно, Flake8 в 2010, Pylint в 2001 - кто более проверен, кто более известен, у кого больше звезд и наработок?

И кстати, а что не так с unitest и почему его не надо сравнивать с pytest?

Я к тому, что у всех свое болото, и то, что неизвестно мне, не означает, что это неизвестно никому. Потому выбор предложения для альтернативы примерам в статье пока считаю не обоснованным.

Улучшаем свой код на Python

Я много лет работаю консультантом на сложных Python проектах, вот дорос даже до доклада на нескольких конференциях и могу сказать, что именно упустил автор: Любое улучшение должно быть выполнено в стилистике кода проекта, а не в стилистике специалиста выполняюшего рефакторинг.

Как было упомянуто выше, тернарник или конкатенация проверочного условия через OR не имеют категорий "лучше-хуже". Есть четкая характеристика "используемая стилистика проекта", не важно, есть у вас отдельный StyleGuide или только код проекта, который, сам по себе, и есть StyleGuide. И предлагать чуждые проекту syntactic sugar конструкции - это ухудшить DevEx, который на большом проекте и так уже ниже плинтуса.

Кстати, при использовании тернарного оператора мы защищены от ошибки смены объекта в отличие от конкатенации условий:

• в этом случае myobj будет указывать или на старый объект или на новый.

myobj = myobj or type(MyObj)()

• А в этом случае указатель будет поменян только если myobj еще не был создан.

myobj = myobj if myobj is None else type(MyObj)()

Разумеется, MyObj специальный класс с переопределенным "__bool__" или "__eq__"

Про comprehensions я писал и рассказывал на PyCon: если итерироваться надо будет один раз, то это должен быть генератор. Если несколько раз - то, вероятно, выбран не тот алгоритм. В проектах, где я провожу code review, неоходимость размещения в памяти сразу всего сгенеренного массива разработчик должен аргументировать. Иначе, будь добр, ставь генератор.

Прежде чем рефакторить return True False в несколько строк, так же, сначала смотрим в код или styleguide.

Ну и про поиск в Словарях. Можно еще сделать так:

class DataDict:
    def init(self, **kwargs):
        self.dict.update({key: DataDict(**val) if isinstance (val, dict) else val for key, val in kwargs.items()})
    
    def __getattr__(self, name):
        return None

# где то в коде
value = DataDict(**data).user.permissions.create_users

Вариант возврата Noneна несуществующий атрибут/ключ - это за гранью, поскольку нет возможности понять, значение ключа не передано или ключа нет вообще, но оставим это на совести атора.

Кстати <zanuda mode="on">:

В статье в примере этого раздела ошибка: при попытке получения в словаре несуществующего ключа быдет выброшен exception KeyError, а не AttributeError.

</zanuda>

Желаю автору успехов в работе с кодом. Ему это точно пригодится!