Итоги недели в мире бэкенда и обзоры новых сервисов: 10 приемов для улучшения Python-кода

Простота Python позволяет разработчикам быстро создавать рабочие программы, но более продвинутые техники могут сделать ваш код более эффективным, гибким и элегантным.

Дескрипторы позволяют централизованно управлять доступом, чтением, записью и удалением атрибутов в классах. Это мощный инструмент для создания более гибкого и читаемого кода.

Пример: класс для проверки типов через дескриптор

class Typed: def __init__(self, name, expected_type): self.name = name self.expected_type = expected_type def __get__(self, instance, owner): if instance is None: return self return instance.__dict__.get(self.name) def __set__(self, instance, value): if not isinstance(value, self.expected_type): raise TypeError(f"Ожидаются данные типа {self.expected_type}, получены данные типа {type(value)}") instance.__dict__[self.name] = value def __delete__(self, instance): raise AttributeError("Невозможно удалить атрибут") class Person: name = Typed("name", str) age = Typed("age", int) def __init__(self, name, age): self.name = name self.age = age try: p = Person("Алиса", 10) print(p.name) p.age = "10" except TypeError as e: print(e)

Вывод:

Алиса Ожидаются данные типа <class 'int'>, получены данные типа <class 'str'>

Мы запустили еженедельную email-рассылку, посвященную последним новостям и тенденциям в мире бэкенда. В еженедельных письмах ты найдешь:

Языки программирования и фреймворки для бэкенда.
Архитектура и проектирование серверных приложений.
Базы данных и управление данными.
Безопасность и защита данных.
Облачные технологии и DevOps.
API и интеграции.
Тестирование и отладка.
Инструменты и утилиты для бэкенд-разработчиков.
Лучшие практики и паттерны проектирования.

📧 Подпишись, чтобы быть в числе первых, кто получит дайджест

Использование dataclass в Python – удобный способ упрощения кода для классов, которые предназначены только для хранения данных. Вместо ручного определения методов __init__, __repr__, __eq__ и т. д. можно автоматически генерировать их, используя аннотации типов. Преимущества использования dataclass:

Сокращение кода – нет необходимости вручную писать методы вроде __init__ и __repr__, и их поведение не нужно поддерживать.
Читаемость – код легче читать, потому что вы видите только список полей, описывающих объект.
Гибкость – можно добавлять методы или настройки, чтобы изменять поведение класса.
Автоматизация – встроенные методы генерируются автоматически, вероятность ошибок сводится к минимуму.

Пример:

from dataclasses import dataclass @dataclass class Employee: name: str last_name: str age: int position: str emp = Employee(name="Евгений", last_name="Онегин", age=30, position="бэкендер") print(emp) emp2 = Employee(name="Пьер", last_name="Безухов", age=30, position="фронтендер") print(emp == emp2) print(repr(emp2))

Вывод:

Employee(name='Евгений', last_name='Онегин', age=30, position='бэкендер') False Employee(name='Пьер', last_name='Безухов', age=30, position='фронтендер')

🎓☕ Подтянуть свои знания по Java вы можете на нашем телеграм-канале «Библиотека Java для собеса»

Когда возможностей стандартного контекстного менеджера (например, open) недостаточно, можно создать свой, чтобы упростить управление специфическими ресурсами.

Пример: собственный контекстный менеджер для работы с базой данных

import sqlite3 from contextlib import contextmanager from pathlib import Path @contextmanager def open_db(db_path): db_path = Path(db_path) if not db_path.exists(): raise FileNotFoundError(f"Файл базы данных {db_path} не найден.") connection = sqlite3.connect(db_path) try: yield connection finally: connection.commit() connection.close() db_file = "example.db" with open_db(db_file) as conn: cursor = conn.cursor() cursor.execute('''CREATE TABLE IF NOT EXISTS users ( id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT, age INTEGER)''') cursor.execute("INSERT INTO users (name, age) VALUES (?, ?)", ("Евгений", 30)) cursor.execute("INSERT INTO users (name, age) VALUES (?, ?)", ("Татьяна", 25)) print("Данные внесены в базу.")

Вывод:

Данные внесены в базу.

Аннотации функций показывают, какие типы данных ожидаются на входе и какой тип будет возвращен. Они делают код понятнее, безопаснее и удобнее для работы и особенно полезны в крупных проектах, где требуется строгий контроль типов и ясное описание поведения функций. Например, здесь сразу видно, что функция принимает length и width в виде чисел с плавающей точкой float и возвращает значение того же типа:

def calculate_area(length: float, width: float) -> float: return length * width

Многие IDE и инструменты проверки типов (например, MyPy) могут использовать аннотации для поиска ошибок в коде еще до его выполнения. Например, если вы случайно передадите строку вместо числа, то получите предупреждение, что строка str не соответствует ожидаемому типу float:

area = calculate_area("5.0", 3.2) # Ошибка!

➕➕🧩 Интересные задачи по C++ для практики можно найти на нашем телеграм-канале «Библиотека задач по С++»

Декораторы позволяют отделить дополнительную функциональность (например, логирование, проверку прав доступа, измерение времени выполнения) от основной логики функции. Это делает код более понятным и легким в сопровождении.

Пример: измерение времени выполнения функции

import time def measure_time(func): def wrapper(*args, **kwargs): start = time.time() result = func(*args, **kwargs) end = time.time() print(f"Функция {func.__name__} выполнена за {end - start:.4f} секунд") return result return wrapper @measure_time def compute(): sum(range(10**7)) compute()

Вывод:

Функция compute выполнена за 0.1000 секунд

Модуль functools – мощный инструмент, который:

Помогает оптимизировать производительность (за счет кэширования).
Облегчает создание гибких и модульных функций.
Упрощает работу с функциями высшего порядка.

Пример: оптимизация производительности с помощью кэширования

from functools import lru_cache @lru_cache(maxsize=100) def fibonacci(n): if n < 2: return n return fibonacci(n - 1) + fibonacci(n - 2) print(fibonacci(100))

Без кэширования вычисление больших значений Фибоначчи было бы чрезвычайно медленным из-за экспоненциальной сложности. Но с lru_cache предыдущие результаты сохраняются, что значительно сокращает время выполнения.

🦫🎓 Подтянуть свои знания по Go вы можете на нашем телеграм-канале «Библиотека Go для собеса»

Модуль collections предоставляет высокоуровневые структуры данных, которые оптимизируют задачи, связанные с обработкой коллекций. Например, defaultdict автоматически создает значения по умолчанию для отсутствующих ключей, что устраняет необходимость в проверках или дополнительных условиях. А еще он очень удобен для группировки или построения вложенных структур:

from collections import defaultdict grouped = defaultdict(list) data = [("фрукты", "яблоко"), ("животное", "кошка"), ("фрукты", "банан"), ("животное", "собака")] for key, value in data: grouped[key].append(value) print(grouped)

Вывод:

defaultdict(<class 'list'>, {'фрукты': ['яблоко', 'банан'], 'животное': ['кошка', 'собака']})

Counter обеспечивает подсчет:

from collections import Counter text = "hello world" char_count = Counter(text) print(char_count.most_common(3))

Вывод:

[('l', 3), ('o', 2), ('h', 1)]

namedtuple упрощает создание неизменяемых объектов с именованными полями:

from collections import namedtuple Point = namedtuple("Point", ["x", "y"]) p = Point(3, 4) print(p.x, p.y)

Вывод:

3 4

Модуль concurrent.futures предоставляет высокоуровневый интерфейс для параллельного выполнения задач с использованием:

ThreadPoolExecutor – для задач ввода-вывода.
ProcessPoolExecutor – для вычислительно сложных задач, нагружающих процессор.

Пример: загрузка нескольких веб-страниц в разных потоках

import requests from concurrent.futures import ThreadPoolExecutor def fetch_url(url): response = requests.get(url) return url, response.status_code urls = ["https://example.com", "https://python.org", "https://proglib.io"] with ThreadPoolExecutor(max_workers=3) as executor: results = executor.map(fetch_url, urls) for url, status in results: print(f"{url}: {status}")

Вывод:

https://example.com: 200 https://python.org: 200 https://proglib.io: 200

🧩☕ Интересные задачи по Java для практики можно найти на нашем телеграм-канале «Библиотека задач по Java»

Модуль pathlib позволяет работать с путями как с объектами, предоставляя интуитивный синтаксис и методы, которые делают код лаконичным и понятным. Преимущества pathlib по сравнению с os.path:

Более простые методы и операции.
Код работает одинаково на всех операционных системах.
Есть функционал для чтения, записи, проверки путей, обхода директорий и работы с файлами.
Объектно-ориентированный подход делает код более структурированным.

Пример: поиск .docx-файлов во всех поддиректориях:

from pathlib import Path path = Path("C:/Users/Admin/Documents") for file in path.rglob("*.docx"): print(file)

При использовании os.path код получается более громоздким:

import os path = "C:/Users/Admin/Documents" for dirpath, dirnames, filenames in os.walk(path): for filename in filenames: if filename.endswith(".docx"): print(os.path.join(dirpath, filename))

Использование мокинга в модульных тестах – мощный способ изолировать тестируемый код от внешних зависимостей (базы данных, веб-сервисы или сторонние API). Это сильно упрощает процесс написания тестов, а также дает возможность тестировать части системы, которые еще не интегрированы с внешними сервисами.

Пример: мокирование API для получения курса биткоина

import requests from unittest.mock import patch def get_bitcoin_price(): response = requests.get("https://api.coingecko.com/api/v3/simple/price?ids=bitcoin&vs_currencies=usd") data = response.json() if "bitcoin" not in data: raise ValueError("Ошибка получения данных от API") return data["bitcoin"]["usd"] @patch('requests.get') def test_get_bitcoin_price(mock_get): mock_get.return_value.json.return_value = { "bitcoin": { "usd": 99000 } } price = get_bitcoin_price() print(f"Текущая стоимость биткоина ${price}.") test_get_bitcoin_price()

Вывод:

Текущая стоимость биткоина $99000.

➕➕🎓 Подтянуть свои знания по C++ вы можете на нашем телеграм-канале «Библиотека С++ для собеса»

Каждый запрос к базе данных проходит через несколько важных этапов обработки. Давайте разберем этот процесс на примере запроса:

SELECT name, age FROM users WHERE city = 'New York';

Увлекательное путешествие запроса по базе данных

Когда вы запускаете запрос, строка запроса сначала попадает в транспортную подсистему базы данных. Эта подсистема отвечает за управление соединением с клиентом и выполняет первоначальные проверки аутентификации и авторизации. Если все в порядке, запрос передается на следующий этап.

Запрос попадает в обработчик запросов (Query Processor), который состоит из двух основных компонентов:

Парсер запроса (Query Parser). Он разбивает SQL-запрос на части (SELECT, FROM, WHERE и т. д.), проверяет синтаксические ошибки и создает дерево разбора (parse tree).
Оптимизатор запроса (Query Optimizer). После того как запрос разобран, оптимизатор проверяет его на семантические ошибки (например, существует ли таблица "users"). Он также определяет наиболее эффективный способ выполнения запроса. В результате работы оптимизатора создается план выполнения (execution plan), который описывает, как именно будет выполнен запрос.

🦫🧩 Интересные задачи по Go для практики можно найти на нашем телеграм-канале «Библиотека задач по Go»

План выполнения передается в движок выполнения (Execution Engine). Этот компонент координирует выполнение запроса, используя план, созданный на предыдущем шаге. Он вызывает хранилище данных (Storage Engine), выполняет шаги запроса и собирает результаты, чтобы вернуть их клиенту.

Движок выполнения отправляет низкоуровневые запросы на чтение и запись в хранилище данных в соответствии с планом выполнения. Хранилище данных состоит из нескольких подсистем:

Менеджер транзакций (Transaction Manager) обеспечивает выполнение запроса в рамках транзакции, чтобы гарантировать согласованность данных.
Менеджер блокировок (Lock Manager) получает блокировки на таблице "users", чтобы избежать конфликтов с другими запросами.
Менеджер буферов (Buffer Manager) проверяет, находятся ли нужные данные в памяти. Если их нет, он запрашивает их с диска и загружает в память.
Менеджер восстановления (Recovery Manager) записывает операции в журнал для возможности отката или восстановления данных.

Когда все эти шаги выполнены, результат запроса (например, имена и возраст пользователей из города Нью-Йорк) передается обратно клиенту. Вот так и происходит обработка вашего SQL-запроса в базе данных. 🙂

Автор рассылки: Наталья Кайда

📧 Подписаться на рассылку

Итоги недели в мире бэкенда и обзоры новых сервисов: 10 приемов для улучшения Python-кода

🐍 10 приемов для улучшения Python-кода

Использование дескрипторов для управления доступом к атрибутам

Привет!

Упрощение кода классов с помощью dataclass

Кастомные менеджеры контекста

Аннотации функций

Декораторы для повторного использования кода

Использование functools для оптимизации сложных операций

Эффективные структуры данных collections

Упрощение многопоточности и многопроцессорности

Работа с файловой системой

Мокинг в модульных тестах

🗣 Как работают запросы к базе данных

Шаг 1: Транспортная подсистема

Шаг 2: Обработчик запросов

Шаг 3: Движок выполнения

Шаг 4: Хранилище данных