🧩 Мини-решатель судоку за 20 строк!

Рабочий скрипт на Python, который решает любое корректное поле судоку через рекурсивный бэктрекинг.

def solve(board):
    for i in range(9):
        for j in range(9):
            if board[i][j] == 0:
                for n in range(1, 10):
                    if valid(board, i, j, n):
                        board[i][j] = n
                        if solve(board):
                            return True
                        board[i][j] = 0
                return False
    return True

def valid(board, r, c, n):
    row = all(board[r][i] != n for i in range(9))
    col = all(board[i][c] != n for i in range(9))
    box = all(board[r//3*3+i//3][c//3*3+i%3] != n for i in range(9))
    return row and col and box

board = [
    [5,3,0,0,7,0,0,0,0],
    [6,0,0,1,9,5,0,0,0],
    [0,9,8,0,0,0,0,6,0],
    [8,0,0,0,6,0,0,0,3],
    [4,0,0,8,0,3,0,0,1],
    [7,0,0,0,2,0,0,0,6],
    [0,6,0,0,0,0,2,8,0],
    [0,0,0,4,1,9,0,0,5],
    [0,0,0,0,8,0,0,7,9]
]

solve(board)
for row in board:
    print(row)

📌 Этот код решает судоку с помощью бэктрекинга без библиотек. Минималистичная, быстрая и полностью рабочая версия.

Без зависимостей. Просто скопировать и запустить.

Подпишись 👉🏻 @KodduuPython 🤖

📚 Как за минуту распарсить огромный CSV-файл размером в гигабайты без загрузки в память!

Когда файл влезает в оперативку — всё легко. Но если файл 10+ ГБ?
Тогда надо читать его построчно, аккуратно обрабатывать и не уронить машину.

Вот рабочий скрипт:

import csv

def process_row(row):
    # Здесь твоя логика обработки
    if int(row['price']) > 1000:
        print(f"{row['name']} стоит {row['price']}")

with open('bigfile.csv', newline='', encoding='utf-8') as csvfile:
    reader = csv.DictReader(csvfile)
    for row in reader:
        process_row(row)

📌 Этот код обрабатывает гигабайтные CSV-файлы без переполнения памяти.
Файл читается построчно через csv.DictReader, без полной загрузки в память.
Функция process_row позволяет применить любую бизнес-логику к данным.

📦 Ничего устанавливать не надо — только стандартная библиотека Python.

---

✅ Реальная сложность задачи:
- Оперативная память ограничена: файл нельзя просто pandas.read_csv().
- Нужно обрабатывать миллионы строк быстро и без потерь.
- Требуется минимальное потребление памяти, чтобы не убить сервер/ноутбук.

Подпишись 👉🏻 @KodduuPython 🤖

Для извлечения текста из пиксельных PDF (то есть отсканированных документов, где текст представлен как изображение), нужно использовать OCR (оптическое распознавание символов). Один из самых популярных инструментов — Tesseract OCR, в связке с pdf2image и pytesseract.

Вот пример кода:

### ✅ Установка необходимых библиотек:

pip install pytesseract pdf2image pillow

> 📌 Также нужно установить сам Tesseract OCR:

* macOS: brew install tesseract
* Ubuntu: sudo apt install tesseract-ocr
* Windows: [Скачать Tesseract здесь](https://github.com/tesseract-ocr/tesseract#windows)

---

### 🧠 Python-скрипт для извлечения текста из пиксельного PDF:

import pytesseract
from pdf2image import convert_from_path
from PIL import Image

# Путь к вашему PDF
pdf_path = 'example_scanned.pdf'

# Преобразуем PDF в изображения (по одной странице)
pages = convert_from_path(pdf_path, dpi=300)

all_text = []

# Обрабатываем каждую страницу
for i, page in enumerate(pages):
    # Преобразуем страницу в текст с помощью OCR
    text = pytesseract.image_to_string(page, lang='eng')  # для русского: lang='rus'
    all_text.append(f"--- Page {i+1} ---\n{text}\n")

# Сохраняем результат в файл
with open('output_text.txt', 'w', encoding='utf-8') as f:
    f.writelines(all_text)

print("✅ Текст успешно извлечен и сохранён в output_text.txt")

---

### ⚙️ Если нужен русский язык:

* Убедитесь, что установлен русский язык для Tesseract.
* Для macOS: brew install tesseract-lang + rus.traineddata
* Для Ubuntu: sudo apt install tesseract-ocr-rus
* В коде: pytesseract.image_to_string(..., lang='rus')

Подпишись 👉🏻 @KodduuPython 🤖

🐍 Python: Генерация QR-кодов с логотипом

Хочешь создать QR-код, который не только работает, но и выглядит стильно? Добавим логотип в центр QR-кода!

import qrcode
from PIL import Image

# Данные для QR-кода
data = "https://example.com"

# Создание QR-кода
qr = qrcode.QRCode(error_correction=qrcode.constants.ERROR_CORRECT_H)
qr.add_data(data)
qr.make()
qr_img = qr.make_image(fill_color="black", back_color="white").convert('RGB')

# Загрузка логотипа
logo = Image.open("logo.png")

# Изменение размера логотипа
box_size = qr_img.size[0] // 4
logo = logo.resize((box_size, box_size))

# Позиционирование логотипа в центре
pos = ((qr_img.size[0] - box_size) // 2, (qr_img.size[1] - box_size) // 2)
qr_img.paste(logo, pos)

# Сохранение результата
qr_img.save("qr_with_logo.png")

📌 Что здесь происходит:

- Используем библиотеку qrcode для создания QR-кода.
- Устанавливаем высокий уровень коррекции ошибок (`ERROR_CORRECT_H`), чтобы QR-код оставался читаемым даже с логотипом.
- Добавляем логотип в центр QR-кода с помощью PIL.

📎 Примечание: Убедитесь, что логотип не слишком большой, чтобы не затруднить сканирование QR-кода.

Подпишись 👉🏻 @KodduuPython 🤖

QR код с лого по коду выше 👆👆👆

Подпишись 👉🏻 @KodduuPython 🤖

🐍 Преврати любой текст в ASCII-арт прямо в терминале**

Добавь ретро-вайб своей программе — пусть вывод будет как в хакерских фильмах 👾

from pyfiglet import Figlet

f = Figlet(font='slant')  # Можно выбрать другие: 'block', 'bubble', 'doom', 'starwars' и др.
text = "Hack the World"

ascii_art = f.renderText(text)
print(ascii_art)

📌 Что делает код:

- Использует библиотеку pyfiglet для генерации текста в стиле ASCII-арта.
- Работает прямо в терминале, можно использовать в логотипах CLI-интерфейсов, баннерах, меню и т.п.

🛠 Установи через pip:

pip install pyfiglet

Подпишись 👉🏻 @KodduuPython 🤖

Ретро вайб по коду выше 👆👆👆

Подпишись 👉🏻 @KodduuPython 🤖

⚡️ Мега-быстрая загрузка 10 000 файлов через aiohttp и asyncio

Если нужны реально тысячи параллельных скачиваний — только асинхронность спасёт.

Вот рабочий код:

import asyncio
import aiohttp
import aiofiles

urls = [f"https://example.com/file{i}.txt" for i in range(1, 10001)]

async def download(session, url):
    try:
        async with session.get(url, timeout=10) as resp:
            if resp.status == 200:
                fname = url.split('/')[-1]
                async with aiofiles.open(fname, 'wb') as f:
                    await f.write(await resp.read())
    except Exception as e:
        print(f"Ошибка {url}: {e}")

async def main():
    connector = aiohttp.TCPConnector(limit=100)
    async with aiohttp.ClientSession(connector=connector) as session:
        tasks = [download(session, url) for url in urls]
        await asyncio.gather(*tasks)

asyncio.run(main())

📌 Этот код:
- Открывает до 100 соединений одновременно (`limit=100`).
- Асинхронно читает сеть и сохраняет файлы без блокировки диска.
- Ловит ошибки загрузки, чтобы не падать целиком.

📦 Установка зависимостей:

pip install aiohttp aiofiles

---

✅ Реальная сложность задачи:
- Асинхронное скачивание требует правильно держать много TCP-сессий одновременно.
- Нужно ограничивать коннекторы, чтобы не забить сеть и сервер.
- Нужно параллельно писать на диск без блокировки основного потока.

---

🔥 Что важно знать:
- Такой код может качать сотни файлов в секунду.
- Работает почти на уровне максимальной скорости вашего интернета.
- Если слишком агрессивно — можно получить 429 ("Too Many Requests") от сервера. Тогда надо добавить semaphore или задержку между запросами.

Подпишись 👉🏻 @KodduuPython 🤖

✍️ Как за 20 строк научить Python исправлять опечатки в текстах

Мини-скрипт для автокоррекции человеческих ошибок в строках.

from textblob import TextBlob

def correct_text(text):
    blob = TextBlob(text)
    return str(blob.correct())

examples = [
    "I havv goood speling",
    "Ths is a smple txt with erors",
    "Pythn is amazng!"
]

for sentence in examples:
    print(f"Before: {sentence}")
    print(f"After : {correct_text(sentence)}")
    print()

📌 Этот код:
- Использует TextBlob для анализа и исправления текста.
- Работает из коробки на английском языке.
- Исправляет самые частые опечатки автоматически.

📦 Установка:

pip install textblob
python -m textblob.download_corpora

---

✅ Реальная сложность задачи:
- Опечатки непредсказуемы → нужна статистическая модель исправления.
- Нужно быстро обрабатывать текст без больших моделей вроде GPT.
- Нужно уметь работать со словарями и контекстами без тонкой настройки.

---

💡 Этот трюк можно встроить в:
- Автоматические чат-боты
- Умные формы ввода
- Лингвистические анализаторы

Подпишись 👉🏻 @KodduuPython 🤖

🚀 Как скачать 10 000 файлов быстро и без перегрева системы

Когда надо скачать тысячи файлов (логов, документов, изображений) — тупой requests.get в цикле будет очень медленным.
Решение — параллельная загрузка через пул потоков.

Вот рабочий код:

import requests
from concurrent.futures import ThreadPoolExecutor

urls = [f"https://example.com/file{i}.txt" for i in range(1, 10001)]

def download(url):
    try:
        r = requests.get(url, timeout=10)
        if r.status_code == 200:
            with open(url.split('/')[-1], 'wb') as f:
                f.write(r.content)
    except Exception as e:
        print(f"Ошибка при скачивании {url}: {e}")

with ThreadPoolExecutor(max_workers=20) as executor:
    executor.map(download, urls)

📌 Этот код:
- Скачивает до 20 файлов одновременно (параметр `max_workers`).
- Обрабатывает ошибки (например, таймауты и падение сети).
- Бережёт ресурсы: не создаёт слишком много потоков и не душит сервер.

📦 Нужно установить только requests, если ещё нет:

pip install requests

✅ Реальная сложность задачи:
- Слишком много запросов → можно легко убить свой интернет или упасть по памяти.
- Нужна балансировка скорости и нагрузки (потому ThreadPoolExecutor с лимитом).
- Требуется аккуратно сохранять файлы и обрабатывать возможные сбои.

Подпишись 👉🏻 @KodduuPython 🤖

📌 Задача

Три тела взаимодействуют гравитационно в пустом пространстве. Мы хотим смоделировать их движение и визуализировать траектории.

## ✅ Требуемые библиотеки

pip install numpy matplotlib

## 🧠 Код: Решение и Визуализация

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

G = 1.0  # Гравитационная постоянная

# Массы тел
m1, m2, m3 = 1.0, 1.0, 1.0

# Начальные координаты (x, y, z) и скорости (vx, vy, vz)
# Можно изменить под свой случай
r1 = np.array([1.0, 0.0, 0.0])
r2 = np.array([-1.0, 0.0, 0.0])
r3 = np.array([0.0, 1.0, 0.0])

v1 = np.array([0.0, 0.3, 0.0])
v2 = np.array([0.0, -0.3, 0.0])
v3 = np.array([0.0, 0.0, 0.0])

# Функция для расчета ускорений
def acceleration(ri, rj, mj):
    r = rj - ri
    dist = np.linalg.norm(r) + 1e-5
    return G * mj * r / dist**3

# Метод Рунге-Кутты 4-го порядка
def rk4_step(r, v, m, dt):
    a = np.zeros_like(r)

    for i in range(3):
        for j in range(3):
            if i != j:
                a[i] += acceleration(r[i], r[j], m[j])

    r_new = r + v * dt + 0.5 * a * dt**2
    v_new = v + a * dt

    return r_new, v_new

# Инициализация массивов
steps = 5000
dt = 0.001

r = np.array([r1, r2, r3])
v = np.array([v1, v2, v3])
m = np.array([m1, m2, m3])

trajectories = [[], [], []]

# Основной цикл
for _ in range(steps):
    for i in range(3):
        trajectories[i].append(r[i].copy())

    r, v = rk4_step(r, v, m, dt)

trajectories = np.array(trajectories)

# 🎥 Визуализация в 3D
fig = plt.figure(figsize=(10, 7))
ax = fig.add_subplot(111, projection='3d')

for i in range(3):
    ax.plot(trajectories[i][:, 0], trajectories[i][:, 1], trajectories[i][:, 2], label=f"Body {i+1}")

ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
ax.set_title("Three-Body Problem Simulation")
ax.legend()
plt.tight_layout()
plt.show()

## ⚙️ Что делает код:

* Использует метод Рунге-Кутты для численного интегрирования движения.
* Визуализирует траектории всех трех тел в 3D.
* Можно изменить массы, начальные координаты и скорости для экспериментов.

Подпишись 👉🏻 @KodduuPython 🤖