🎉 Python правит миром

Согласно майскому рейтингу TIOBE, Python снова побил рекорды:
🟠 +2.2% за месяц — теперь 25.35%
🟠 Это абсолютный максимум популярности языка за всю историю TIOBE (исключение — Java в 2001 году)
🟠 Отрыв от второго места (C++) — более 15%!

Почему не все ещё на Python?

Пока язык остаётся медленным и интерпретируемым — он не годится для realtime и критичных к сбоям систем. Но во всех остальных областях Python медленно, но уверенно становится стандартом.

➡️ Источник: TIOBE Index May 2025

Библиотека питониста #свежак

📍 How to: кэширование в Python с помощью flexicache

В Python удобно использовать декораторы для кэширования результатов функций и методов — как в оперативной памяти, так и во временных хранилищах вроде memcached. Один из наиболее гибких инструментов для этого — flexicache из библиотеки fastcore.

flexicache — это декоратор, который поддерживает:
• LRU-кэширование (удаление наименее используемых элементов),
• политику истечения кэша по времени — time_policy,
• инвалидирование кэша при изменении файла — mtime_policy.

➡️ Пример: time_policy

@flexicache(time_policy(0.1))
def random_func():
    return randint(1, 1000)

assert random_func() == random_func()
sleep(0.2)
assert random_func() != random_func()

➡️ Пример: mtime_policy. Инвалидирование при изменении файла main.py

@flexicache(mtime_policy('main.py'))
def random_func():
    return randint(1, 1000)

Path('main.py').touch()  # обновление времени изменения

➡️ Пример: совмещение политик

@flexicache(time_policy(0.1), mtime_policy('main.py'))
def random_func():
    return randint(1, 1000)

Кэш сбрасывается либо по времени, либо при обновлении файла — в зависимости от того, что произойдёт первым.

➡️ Пример: LRU-кэширование

@flexicache(maxsize=2)
def random_func(v):
    return randint(1, 1000)

random_func(1)
random_func(2)
random_func(3)  # результат для аргумента 1 будет удалён

➡️ Пример: удобный timed_cache. Для кэша с таймаутом и ограничением размера

from fastcore.xtras import timed_cache

@timed_cache(0.1, maxsize=2)
def random_func(v):
    return randint(1, 1000)

📌 flexicache — гибкий и мощный инструмент для продвинутого кэширования в Python. Поддерживает политики истечения, комбинирование стратегий и заменяет стандартный lru_cache.

Библиотека питониста #буст

🚨 Обновления безопасности для Django: 5.2.1, 5.1.9 и 4.2.21

7 мая 2025 года команда Django выпустила обновления, устраняющие уязвимость CVE-2025-32873, связанную с функцией strip_tags(). Уязвимость могла привести к отказу в обслуживании (DoS), если входные данные содержали большие последовательности незакрытых HTML тегов.

Теперь при обнаружении таких ошибок функция вызывает исключение SuspiciousOperation, предотвращая проблемы с производительностью.

✅ Рекомендуем обновить Django до версий 5.2.1, 5.1.9 и 4.2.21. Обновления доступны через:

pip install --upgrade Django

Библиотека питониста #свежак

*️⃣ Промт дня: оптимизация кода и повышение его производительности

Когда проект растет, вопросы производительности становятся критическими. Оптимизация кода — важный шаг на пути к масштабированию приложений, особенно когда дело касается обработки больших объёмов данных, многозадачности или работы с сетевыми запросами. Python, несмотря на свою удобство и читаемость, требует внимания к деталям в области производительности.

Промт:

Проанализируй текущий код на Python и оптимизируй его для повышения производительности.
• Произведи замер времени работы функций с использованием time или timeit.
• Используй Cython, NumPy или pandas для ускорения вычислений, где это возможно.
• Оптимизируй работу с памятью, избавляясь от лишних копий данных и используя эффективные структуры данных (например, deque, defaultdict, set).
• Применяй асинхронность (asyncio) или многозадачность (с помощью concurrent.futures или multiprocessing) для параллельной обработки данных.
• Профилируй код с помощью cProfile, line_profiler, чтобы выявить узкие места в производительности.

➡️ Задача:
Уменьшить время работы программы и потребление ресурсов, обеспечив эффективную обработку данных и улучшение отклика системы.

➡️ Рекомендуемые инструменты и методы:
🟠 timeit и cProfile — для замеров производительности,
🟠 NumPy, pandas — для векторизованных операций с данными,
🟠 asyncio или multiprocessing — для асинхронной и параллельной обработки,
🟠 memory_profiler — для анализа потребления памяти.

Библиотека питониста #буст

📰 Сокращения в Microsoft затронули команду Faster CPython

По информации от Python core developer'а Бретта Кэннона (Brett Cannon), Microsoft провела волну сокращений, в результате которой из компании ушли три ключевых участника проекта Faster CPython:
📍 Mark Shannon — технический лидер проекта Faster CPython и один из его инициаторов
📍 Eric Snow — core-девелопер CPython и автор идеи подмодуля subinterpreters
📍 Irit Katriel — одна из ведущих разработчиц в области исключений и трассировки в Python

🐍 Что такое Faster CPython

Faster CPython — это проект, стартовавший с релиза Python 3.11 при поддержке Microsoft, цель которого — повысить производительность интерпретатора Python, сохранив совместимость с существующим кодом. Благодаря работе команды, Python 3.11 и 3.12 получили значительный прирост скорости (до 25–60% в отдельных сценариях).

🤔 Что это значит для сообщества

📍 Потеря ключевых инженеров ставит под вопрос будущее темпа развития Faster CPython.
📍 Однако сам проект открыт и интегрирован в официальный CPython, а значит — работа продолжится под эгидой Python Software Foundation и сообщества.
📍 Многие выразили поддержку уволенным разработчикам — их вклад в Python остается фундаментальным.

💬 Что вы думаете об этих изменениях в команде Faster CPython? Как это скажется на будущем Python?

Библиотека питониста #свежак