Beautiful Soup — это популярная библиотека Python для парсинга HTML и XML документов. Она позволяет легко извлекать данные из веб-страниц, работая поверх библиотек для получения страниц, таких как requests.

Ниже приведен пример кода, который извлекает заголовки статей и ссылки с главной страницы блога:

import requests
from bs4 import BeautifulSoup

# URL страницы, которую будем парсить
url = 'https://example-blog-website.com/'

# Отправляем GET-запрос к странице
response = requests.get(url)

# Проверяем статус ответа
if response.status_code == 200:
    # Создаем объект BeautifulSoup
    soup = BeautifulSoup(response.content, 'html.parser')
    
    # Находим все элементы с классом 'post'
    posts = soup.find_all('div', class_='post')
    
    # Извлекаем заголовки и ссылки
    for post in posts:
        title = post.find('h2').get_text()
        link = post.find('a')['href']
        print(f'Заголовок: {title}')
        print(f'Ссылка: {link}\n')
else:
    print('Не удалось получить страницу')

Особенности данного примера:

1. Получение страницы: Используем библиотеку requests для отправки HTTP-запроса к целевому URL. Проверяем статус ответа, чтобы убедиться в успешном получении страницы.

2. Парсинг HTML: Создаем объект BeautifulSoup, передавая в него содержимое страницы и используемый парсер (`'html.parser'`).

3. Поиск элементов: Используем метод find_all() для поиска всех div с классом 'post'. Это возвращает список элементов, соответствующих заданным критериям.

4. Извлечение данных: В цикле проходим по каждому элементу post, извлекаем заголовок статьи с помощью find('h2').get_text() и ссылку с помощью find('a')['href'].

5. Вывод результатов: Печатаем заголовки и ссылки в удобочитаемом формате.

Особенности Beautiful Soup:

- Простота использования: Интуитивно понятный синтаксис для навигации и поиска элементов в дереве HTML.

- Поддержка разных парсеров: Можно использовать разные парсеры, такие как 'html.parser', lxml или html5lib, в зависимости от потребностей и установленных библиотек.

- Обработка невалидного HTML: Beautiful Soup хорошо справляется с разбором некорректно сформированного HTML, что часто встречается на реальных веб-сайтах.

- Мощные инструменты поиска: Методы find(), find_all(), select() позволяют искать элементы по тегам, классам, идентификаторам и CSS-селекторам.

- Извлечение текста и атрибутов: Легко получать текст внутри элементов с помощью .get_text() и значения атрибутов через доступ как к словарю (`element['attribute']`).

Важно учитывать:

- Уважение к правилам сайта: Перед парсингом убедитесь, что вы имеете право собирать данные с сайта. Проверьте файл robots.txt и условия использования ресурса.

- Эффективность: Для небольших проектов или единоразового сбора данных Beautiful Soup подходит идеально. Однако для больших объемов данных или сложных сайтов стоит рассмотреть использование Scrapy.

- Обработка динамического контента: Beautiful Soup не выполняет JavaScript. Для сайтов с динамическим контентом потребуется использовать Selenium или запросы к API.

Заключение

Beautiful Soup — отличный инструмент для быстрого и простого веб-скрейпинга. Он особенно полезен, когда нужно извлечь данные из статических веб-страниц с минимальными усилиями.

Подпишись 👉🏻 @KodduuPython 🤖

Octoparse — это мощный инструмент для веб-скрейпинга с графическим интерфейсом, который также предоставляет API для программного управления задачами и получения данных. С помощью Python вы можете взаимодействовать с Octoparse API для запуска задач, проверки их статуса и извлечения результатов.

Ниже приведен пример кода на Python, который запускает задачу в Octoparse и получает результаты:

import requests
import json
import time

# Ваш API-ключ Octoparse
api_key = 'YOUR_API_KEY'

# ID задачи, которую вы хотите запустить
task_id = 'YOUR_TASK_ID'

# Функция для запуска задачи
def run_task(api_key, task_id):
    url = 'https://dataapi.octoparse.com/api/task/startTask'
    headers = {'Content-Type': 'application/json'}
    payload = {
        'taskId': task_id,
        'apiKey': api_key
    }
    response = requests.post(url, headers=headers, data=json.dumps(payload))
    return response.json()

# Функция для проверки статуса задачи
def check_task_status(api_key, task_id):
    url = 'https://dataapi.octoparse.com/api/task/getTaskStatus'
    headers = {'Content-Type': 'application/json'}
    payload = {
        'taskId': task_id,
        'apiKey': api_key
    }
    response = requests.post(url, headers=headers, data=json.dumps(payload))
    return response.json()

# Функция для получения данных
def get_data(api_key, task_id):
    url = 'https://dataapi.octoparse.com/api/alldata/getData'
    headers = {'Content-Type': 'application/json'}
    payload = {
        'taskId': task_id,
        'apiKey': api_key,
        'size': 100,  # Количество записей для получения
        'skip': 0     # Пропустить первые N записей
    }
    response = requests.post(url, headers=headers, data=json.dumps(payload))
    return response.json()

# Запуск задачи
print('Запуск задачи...')
run_response = run_task(api_key, task_id)
if run_response.get('success'):
    print('Задача успешно запущена.')
else:
    print('Ошибка при запуске задачи:', run_response.get('message'))
    exit()

# Проверка статуса задачи
print('Ожидание завершения задачи...')
while True:
    status_response = check_task_status(api_key, task_id)
    if status_response.get('success'):
        status = status_response['data']['status']
        print('Текущий статус задачи:', status)
        if status == 'Completed':
            print('Задача завершена.')
            break
    else:
        print('Ошибка при проверке статуса:', status_response.get('message'))
        break
    time.sleep(10)  # Ждем 10 секунд перед следующей проверкой

# Получение данных
print('Получение данных...')
data_response = get_data(api_key, task_id)
if data_response.get('success'):
    data_list = data_response['data']['dataList']
    for item in data_list:
        print(item)
else:
    print('Ошибка при получении данных:', data_response.get('message'))

Особенности данного примера:

1. Аутентификация: Используется apiKey для авторизации запросов к API Octoparse.

2. Запуск задачи: Функция run_task отправляет запрос на запуск задачи по ее taskId.

3. Проверка статуса задачи: С помощью функции check_task_status происходит периодическая проверка состояния задачи до ее завершения.

4. Получение данных: После завершения задачи функция get_data извлекает данные, собранные задачей.

5. Структура кода: Код разделен на функции для удобства повторного использования и улучшения читаемости.

Особенности использования Octoparse с Python:

- Интеграция с API: Octoparse предоставляет RESTful API, что позволяет легко интегрировать его с Python с помощью HTTP-запросов.

- Обработка больших объемов данных: Octoparse способен обрабатывать большие объемы данных, а с помощью Python вы можете автоматизировать процессы извлечения и обработки этих данных.

- Гибкость: Возможность настраивать задачи в Octoparse и управлять ими программно дает высокую степень гибкости в веб-скрейпинге.

- Асинхронность: Поскольку задачи выполняются на серверах Octoparse, ваш скрипт может запускать задачи и продолжать выполнение без ожидания их завершения.

Важно учитывать:

- API-ключ: Ваш API-ключ должен быть защищен. Не размещайте его в общедоступных репозиториях и используйте переменные окружения или файлы конфигурации для его хранения.

- Ограничения API: У Octoparse есть ограничения на количество запросов и объема данных, зависящие от вашего тарифного плана.

- Законность: Убедитесь, что вы соблюдаете все правовые нормы и условия использования веб-сайтов, с которых собираете данные.

- Обработка ошибок: В реальном применении добавьте более детальную обработку ошибок и исключений для повышения надежности вашего скрипта.

Заключение

Использование Octoparse вместе с Python позволяет сочетать простоту настройки задач через графический интерфейс с мощью программной автоматизации. Это идеальное решение для сложных проектов по сбору данных, где требуется надежность и масштабируемость.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте создадим интересную программу на Python, которая рисует фрактальное дерево с помощью модуля turtle.

import turtle

def fractal_tree(branch_len, t):
    if branch_len > 5:
        t.forward(branch_len)
        t.right(20)
        fractal_tree(branch_len - 15, t)
        t.left(40)
        fractal_tree(branch_len - 15, t)
        t.right(20)
        t.backward(branch_len)

t = turtle.Turtle()
t.left(90)
t.up()
t.backward(100)
t.down()
t.color("green")
fractal_tree(100, t)
turtle.done()

Описание кода:

- Импортируем модуль `turtle`: позволяет создавать графические рисунки.
- Определяем функцию `fractal_tree`: она рисует ветви дерева рекурсивно.
- Если длина ветви больше 5, выполняем следующие действия:
- Движемся вперед на branch_len.
- Поворачиваем направо на 20 градусов и вызываем функцию снова с уменьшенной длиной ветви.
- Поворачиваем налево на 40 градусов и снова вызываем функцию.
- Поворачиваем направо на 20 градусов, чтобы вернуть исходное направление.
- Движемся назад на branch_len, возвращаясь к исходной точке ветви.
- Настраиваем черепаху `t`:
- Поворачиваем вверх (на 90 градусов).
- Поднимаем перо и отходим назад, чтобы дерево было по центру экрана.
- Опускаем перо и устанавливаем цвет.
- Вызываем функцию `fractal_tree` с начальной длиной ветви 100.
- `turtle.done()`: сохраняет окно открытым после завершения рисования.

Запустив этот код, вы увидите красивое фрактальное дерево, созданное с помощью рекурсии!

Подпишись 👉🏻 @KodduuPython 🤖

Создадим сложную программу на Python с использованием объектно-ориентированного программирования (ООП). Мы реализуем простой трассировщик лучей (ray tracer), который сможет генерировать изображения 3D-сцен с использованием основных принципов ООП: наследования, полиморфизма, инкапсуляции и абстрактных классов.

import numpy as np
from PIL import Image
from abc import ABC, abstractmethod

class Ray:
    def __init__(self, origin, direction):
        self.origin = origin  # Точка начала луча
        self.direction = direction / np.linalg.norm(direction)  # Нормализованное направление луча

class Material(ABC):
    @abstractmethod
    def shade(self, hit_point, normal, light_dir):
        pass

class LambertianMaterial(Material):
    def __init__(self, color):
        self.color = color

    def shade(self, hit_point, normal, light_dir):
        # Диффузное освещение по модели Ламберта
        return self.color * max(np.dot(normal, light_dir), 0)

class Sphere:
    def __init__(self, center, radius, material):
        self.center = center  # Центр сферы
        self.radius = radius  # Радиус сферы
        self.material = material  # Материал сферы

    def intersect(self, ray):
        # Решаем квадратное уравнение для пересечения луча со сферой
        oc = ray.origin - self.center
        a = np.dot(ray.direction, ray.direction)
        b = 2.0 * np.dot(oc, ray.direction)
        c = np.dot(oc, oc) - self.radius * self.radius
        discriminant = b * b - 4 * a * c

        if discriminant < 0:
            return None  # Пересечений нет
        else:
            sqrt_disc = np.sqrt(discriminant)
            t1 = (-b - sqrt_disc) / (2.0 * a)
            t2 = (-b + sqrt_disc) / (2.0 * a)
            t = min(t1, t2) if t1 > 0 else (t2 if t2 > 0 else None)
            if t:
                hit_point = ray.origin + t * ray.direction
                normal = (hit_point - self.center) / self.radius
                return (t, hit_point, normal, self.material)
            else:
                return None

class Light:
    def __init__(self, position, intensity):
        self.position = position  # Позиция источника света
        self.intensity = intensity  # Интенсивность света

class Scene:
    def __init__(self):
        self.objects = []  # Объекты в сцене
        self.lights = []   # Источники света в сцене

    def add_object(self, obj):
        self.objects.append(obj)

    def add_light(self, light):
        self.lights.append(light)

    def render(self, width, height):
        aspect_ratio = width / height
        camera_origin = np.array([0, 0, 0])
        viewport_height = 2.0
        viewport_width = aspect_ratio * viewport_height
        focal_length = 1.0

        # Создаем изображение
        image = Image.new("RGB", (width, height))
        pixels = image.load()

        for j in range(height):
            for i in range(width):
                u = (i + 0.5) / width
                v = (j + 0.5) / height
                x = (u - 0.5) * viewport_width
                y = (v - 0.5) * viewport_height
                direction = np.array([x, -y, -focal_length])
                ray = Ray(camera_origin, direction)
                color = self.ray_trace(ray)
                pixels[i, height - j - 1] = tuple((np.clip(color, 0, 1) * 255).astype(np.uint8))
        image.show()

    def ray_trace(self, ray):
        closest_t = float('inf')
        hit_info = None

        # Находим ближайший объект пересечения
        for obj in self.objects:
            result = obj.intersect(ray)
            if result and result[0] < closest_t:
                closest_t, hit_point, normal, material = result
                hit_info = (hit_point, normal, material)

if hit_info:
            hit_point, normal, material = hit_info
            color = np.zeros(3)
            for light in self.lights:
                light_dir = light.position - hit_point
                light_dir = light_dir / np.linalg.norm(light_dir)
                # Проверка на тени
                shadow_ray = Ray(hit_point + 1e-5 * normal, light_dir)
                in_shadow = False
                for obj in self.objects:
                    shadow_result = obj.intersect(shadow_ray)
                    if shadow_result and shadow_result[0] > 1e-5:
                        in_shadow = True
                        break
                if not in_shadow:
                    color += material.shade(hit_point, normal, light_dir) * light.intensity
            return np.clip(color, 0, 1)
        else:
            return np.array([0.2, 0.7, 1.0])  # Цвет фона

# Создаем сцену
scene = Scene()

# Добавляем объекты
material_red = LambertianMaterial(np.array([1, 0, 0]))
material_green = LambertianMaterial(np.array([0, 1, 0]))
material_blue = LambertianMaterial(np.array([0, 0, 1]))
material_yellow = LambertianMaterial(np.array([1, 1, 0]))

sphere1 = Sphere(np.array([-0.6, 0, -3]), 0.5, material_red)
sphere2 = Sphere(np.array([0.6, 0, -3]), 0.5, material_green)
sphere3 = Sphere(np.array([0, -1000.5, -3]), 1000, material_blue)  # Плоскость
sphere4 = Sphere(np.array([0, 0.75, -3]), 0.5, material_yellow)

scene.add_object(sphere1)
scene.add_object(sphere2)
scene.add_object(sphere3)
scene.add_object(sphere4)

# Добавляем источник света
light1 = Light(np.array([5, 5, -5]), 1.2)
light2 = Light(np.array([-5, 5, -5]), 1.0)
scene.add_light(light1)
scene.add_light(light2)

# Рендерим сцену
scene.render(400, 300)

Описание кода:

1. Импортируем необходимые модули:
- numpy для работы с векторами и матрицами.
- PIL (Python Imaging Library) для создания и отображения изображения.
- abc для создания абстрактных классов.

2. Определяем класс `Ray`:
- Представляет луч с origin (начало) и direction (направление).

3. Создаем абстрактный класс `Material`:
- Имеет абстрактный метод shade, который должен быть реализован в подклассах.

4. Класс `LambertianMaterial`:
- Наследует от Material.
- Реализует диффузное освещение по модели Ламберта.

5. Класс `Sphere`:
- Представляет сферу в 3D-пространстве.
- Метод intersect вычисляет пересечение луча со сферой и возвращает информацию о пересечении.

6. Класс `Light`:
- Представляет точечный источник света с позицией и интенсивностью.

7. Класс `Scene`:
- Содержит объекты и источники света.
- Метод render создает изображение, трассируя лучи из камеры в сцену.
- Метод ray_trace выполняет трассировку луча и вычисляет цвет пикселя.

8. Создаем сцену и добавляем объекты:
- Четыре сферы с разными материалами (красный, зеленый, синий, желтый).
- Большая сфера, представляющая плоскость (землю).

9. Добавляем источники света:
- Два точечных источника света для более сложного освещения сцены.

10. Рендерим сцену:
- Вызываем scene.render с заданными шириной и высотой изображения.

Как это работает:

- Трассировка лучей:
- Для каждого пикселя генерируется луч из камеры через плоскость проекции.
- Луч пересекается со всеми объектами сцены, выбирается ближайшее пересечение.
- Если есть пересечение, вычисляется цвет точки с учетом освещения и теней.
- Если пересечений нет, пикселю присваивается цвет фона.

- Освещение и тени:
- Используется модель освещения Ламберта для расчета диффузного освещения.
- Для каждого источника света проверяется, не находится ли точка в тени других объектов.

Основные концепции ООП, используемые в коде:

- Инкапсуляция: Классы Ray, Sphere, Light, Scene и другие скрывают детали реализации и предоставляют интерфейсы для взаимодействия.
- Наследование: LambertianMaterial наследует от абстрактного класса Material.
- Полиморфизм: Метод shade может быть переопределен в разных материалах для создания различных эффектов освещения.
- Абстрактные классы и методы: Использование ABC и abstractmethod для определения интерфейса материалов.

Как запустить код:

1. Установите необходимые библиотеки:

   pip install numpy pillow
   

2. Запустите скрипт.

Что вы увидите:

- Сгенерируется изображение сцены с несколькими разноцветными сферами и плоскостью, освещенными двумя источниками света.
- Сцена будет содержать реалистичные тени и освещение благодаря использованию трассировки лучей.

Дальнейшие улучшения:

- Добавить отражения и преломления для материалов.
- Реализовать дополнительные модели освещения.
- Добавить новые примитивы (плоскости, треугольники).
- Оптимизировать пересечения и добавить ускоряющие структуры данных.

Вывод:

Этот пример демонстрирует, как можно использовать ООП для создания сложных программ, таких как трассировщик лучей. Классы и наследование помогают структурировать код, а полиморфизм позволяет легко расширять функциональность.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте разработаем сложную программу на Python с использованием объектно-ориентированного программирования (ООП). Мы создадим простую версию интерпретатора языка программирования, который будет включать парсинг, интерпретацию и выполнение кода на нашем собственном мини-языке.

import re
from abc import ABC, abstractmethod

# Определение абстрактного синтаксического узла
class ASTNode(ABC):
    @abstractmethod
    def evaluate(self, context):
        pass

# Узел для числовых значений
class NumberNode(ASTNode):
    def __init__(self, value):
        self.value = value

    def evaluate(self, context):
        return self.value

# Узел для переменных
class VariableNode(ASTNode):
    def __init__(self, name):
        self.name = name

    def evaluate(self, context):
        return context.get(self.name, 0)

# Узел для бинарных операций
class BinaryOperationNode(ASTNode):
    def __init__(self, left, operator, right):
        self.left = left
        self.operator = operator
        self.right = right

    def evaluate(self, context):
        left_val = self.left.evaluate(context)
        right_val = self.right.evaluate(context)
        if self.operator == '+':
            return left_val + right_val
        elif self.operator == '-':
            return left_val - right_val
        elif self.operator == '*':
            return left_val * right_val
        elif self.operator == '/':
            return left_val / right_val

# Узел для присваивания
class AssignmentNode(ASTNode):
    def __init__(self, variable_name, expression):
        self.variable_name = variable_name
        self.expression = expression

    def evaluate(self, context):
        value = self.expression.evaluate(context)
        context[self.variable_name] = value
        return value

# Узел для вывода на экран
class PrintNode(ASTNode):
    def __init__(self, expression):
        self.expression = expression

    def evaluate(self, context):
        value = self.expression.evaluate(context)
        print(value)
        return value

# Парсер кода
class Parser:
    def __init__(self, code):
        self.tokens = re.findall(r'\w+|[\+\-\*/=()]', code)
        self.position = 0

    def parse(self):
        nodes = []
        while self.position < len(self.tokens):
            node = self.parse_statement()
            nodes.append(node)
        return nodes

    def parse_statement(self):
        if self.tokens[self.position] == 'print':
            self.position += 1
            expr = self.parse_expression()
            return PrintNode(expr)
        else:
            return self.parse_assignment()

    def parse_assignment(self):
        var_name = self.tokens[self.position]
        self.position += 1
        if self.tokens[self.position] == '=':
            self.position += 1
            expr = self.parse_expression()
            return AssignmentNode(var_name, expr)
        else:
            raise SyntaxError('Ожидалось "="')

    def parse_expression(self):
        node = self.parse_term()
        while self.position < len(self.tokens) and self.tokens[self.position] in ('+', '-'):
            op = self.tokens[self.position]
            self.position += 1
            right = self.parse_term()
            node = BinaryOperationNode(node, op, right)
        return node

    def parse_term(self):
        node = self.parse_factor()
        while self.position < len(self.tokens) and self.tokens[self.position] in ('*', '/'):
            op = self.tokens[self.position]
            self.position += 1
            right = self.parse_factor()
            node = BinaryOperationNode(node, op, right)
        return node

def parse_factor(self):
        token = self.tokens[self.position]
        if token.isdigit():
            self.position += 1
            return NumberNode(int(token))
        elif token.isalpha():
            self.position += 1
            return VariableNode(token)
        elif token == '(':
            self.position += 1
            node = self.parse_expression()
            if self.tokens[self.position] == ')':
                self.position += 1
                return node
            else:
                raise SyntaxError('Ожидалось ")"')
        else:
            raise SyntaxError(f'Неожиданный токен: {token}')

# Класс интерпретатора
class Interpreter:
    def __init__(self):
        self.context = {}

    def execute(self, nodes):
        for node in nodes:
            node.evaluate(self.context)

# Пример кода на нашем мини-языке
code = """
x = 10
y = 20
result = x * y + (x - y) / 2
print result
"""

# Парсим и выполняем код
parser = Parser(code)
ast_nodes = parser.parse()
interpreter = Interpreter()
interpreter.execute(ast_nodes)

Описание кода:

1. Импортируем необходимые модули:
- re для разбивки кода на токены.
- abc для создания абстрактных классов.

2. Создаем абстрактный класс `ASTNode`:
- Определяет интерфейс для всех узлов синтаксического дерева.
- Метод evaluate выполняет узел в заданном контексте переменных.

3. Реализуем различные типы узлов:
- NumberNode для числовых значений.
- VariableNode для переменных.
- BinaryOperationNode для бинарных операций (`+`, -, *, `/`).
- AssignmentNode для операций присваивания.
- PrintNode для вывода значений на экран.

4. Создаем класс `Parser`:
- Инициализируется кодом и разбивает его на токены.
- Метод parse анализирует код и строит список узлов AST.
- Методы parse_statement, parse_assignment, parse_expression, parse_term, parse_factor реализуют разбор различных частей кода.

5. Создаем класс `Interpreter`:
- Содержит контекст переменных (`self.context`).
- Метод execute выполняет список узлов AST.

6. Пример кода на нашем мини-языке:
- Присваиваем значения переменным x и y.
- Вычисляем result с использованием арифметических операций и скобок.
- Выводим result на экран.

7. Парсим и выполняем код:
- Создаем экземпляр Parser и парсим код, получая AST.
- Создаем Interpreter и выполняем AST.

Как это работает:

- Парсинг кода:
- Код разбивается на токены (слова, числа, операторы).
- Парсер строит абстрактное синтаксическое дерево (AST), представляющее структуру кода.

- Выполнение кода:
- Интерпретатор проходит по узлам AST и выполняет их.
- Контекст переменных сохраняется в словаре self.context.
- При выполнении арифметических операций вычисляются значения с учетом текущего контекста.

- Пример выполнения:
- x = 10 — переменной x присваивается значение 10.
- y = 20 — переменной y присваивается значение 20.
- result = x * y + (x - y) / 2 — вычисляется выражение и результат сохраняется в result.
- print result — выводится значение переменной result.

Особенности ООП в коде:

- Инкапсуляция:
- Классы узлов AST скрывают детали реализации каждой операции.
- Контекст переменных хранится внутри интерпретатора.

- Наследование и полиморфизм:
- Все узлы AST наследуют от абстрактного класса ASTNode.
- Метод evaluate переопределяется в каждом узле для специфического поведения.

- Абстрактные классы и методы:
- Использование ABC и @abstractmethod для определения интерфейса узлов.

Как запустить код:

1. Убедитесь, что установлен Python 3.x.

2. Сохраните код в файле с расширением `.py`, например, `mini_interpreter.py`.

3. Запустите скрипт:

   python mini_interpreter.py
   

Ожидаемый результат:

- На экране будет выведено число 190, которое является результатом вычисления выражения в переменной result.

Возможные улучшения:

- Добавить поддержку дополнительных операторов и функций:
- Операторы сравнения (`==`, !=, >, `<`).
- Логические операторы (`and`, or, `not`).
- Встроенные функции (например, sqrt, sin, `cos`).

- Реализовать управление потоком исполнения:
- Условные операторы (`if`, `else`).
- Циклы (`while`, `for`).

- Добавить обработку ошибок и исключений:
- Улучшить сообщения об ошибках синтаксиса и выполнения.

- Оптимизировать парсер:
- Использовать более продвинутые техники парсинга (например, грамматики и генераторы парсеров).

Вывод:

Этот пример демонстрирует, как с помощью ООП можно реализовать интерпретатор простого языка программирования. Такой подход позволяет легко расширять функциональность языка, добавляя новые конструкции и возможности. Это отличное упражнение для понимания принципов парсинга, интерпретации и выполнения кода, а также для практики в использовании ООП в Python.

Подпишись 👉🏻 @KodduuPython 🤖

Давайте создадим сложную программу на Python без использования ООП. Мы реализуем алгоритм Быстрого преобразования Фурье (FFT) и применим его для анализа звукового сигнала. Также визуализируем результаты с помощью matplotlib.

import numpy as np
import matplotlib.pyplot as plt
import wave
import sys

# Чтение звукового файла
def read_wave(filename):
    with wave.open(filename, 'r') as wf:
        n_frames = wf.getnframes()
        frames = wf.readframes(n_frames)
        signal = np.frombuffer(frames, dtype=np.int16)
        framerate = wf.getframerate()
    return signal, framerate

# Реализация алгоритма FFT
def fft(signal):
    N = len(signal)
    if N <= 1:
        return signal
    even = fft(signal[::2])
    odd = fft(signal[1::2])
    T = [np.exp(-2j * np.pi * k / N) * odd[k % (N//2)] for k in range(N//2)]
    return [even[k] + T[k] for k in range(N//2)] + \
           [even[k] - T[k] for k in range(N//2)]

# Пример использования
if __name__ == "__main__":
    # Проверка аргументов командной строки
    if len(sys.argv) < 2:
        print("Использование: python fft.py <filename.wav>")
        sys.exit(1)
    
    filename = sys.argv[1]
    signal, framerate = read_wave(filename)
    N = 1024  # Размер выборки

    # Обрезаем или дополняем сигнал до нужного размера
    if len(signal) < N:
        signal = np.pad(signal, (0, N - len(signal)), 'constant')
    else:
        signal = signal[:N]

    # Выполняем FFT
    spectrum = fft(signal)

    # Получаем частоты
    freqs = np.fft.fftfreq(N, d=1/framerate)

    # Визуализация
    plt.figure(figsize=(12, 6))

    plt.subplot(121)
    plt.plot(np.arange(N), signal)
    plt.title('Временная область')
    plt.xlabel('Образцы')
    plt.ylabel('Амплитуда')

    plt.subplot(122)
    plt.plot(freqs[:N//2], np.abs(spectrum[:N//2]) * 2 / N)
    plt.title('Частотная область')
    plt.xlabel('Частота (Гц)')
    plt.ylabel('Амплитуда')

    plt.tight_layout()
    plt.show()

Описание кода:

1. Импортируем необходимые модули:
- numpy для работы с массивами и математическими операциями.
- matplotlib.pyplot для визуализации.
- wave для работы с WAV-файлами.
- sys для доступа к аргументам командной строки.

2. Функция `read_wave`:
- Читает WAV-файл и возвращает сигнал и частоту дискретизации.

3. Функция `fft`:
- Рекурсивная реализация алгоритма Быстрого преобразования Фурье.
- Разделяет сигнал на четные и нечетные части и рекурсивно вычисляет их преобразования.
- Использует формулу "бабочки" для комбинирования результатов.

4. Основная часть программы:
- Проверяет наличие аргумента командной строки (имя файла).
- Читает звуковой сигнал из файла.
- Обрезает или дополняет сигнал до размера N (1024 образца).
- Выполняет FFT и получает спектр сигнала.
- Вычисляет частоты, соответствующие каждому значению спектра.
- Визуализирует исходный сигнал и его спектр.

5. Визуализация:
- Первая графика показывает сигнал во временной области.
- Вторая графика показывает амплитудный спектр сигнала в частотной области.

Как использовать:

1. Подготовьте WAV-файл:
- Убедитесь, что у вас есть звуковой файл в формате WAV для анализа.

2. Запустите скрипт:
- В командной строке выполните:

     python fft.py your_audio_file.wav
     

- Замените your_audio_file.wav на имя вашего файла.

3. Просмотрите результаты:
- Появится окно с двумя графиками, отображающими сигнал и его спектр.

Примечания:

- Размер выборки `N`:
- Выбранное значение N = 1024 обеспечивает баланс между разрешением по времени и частоте.
- Можно изменить N в коде для анализа большего или меньшего фрагмента сигнала.

- Ограничения:
- Данная реализация FFT не оптимизирована и предназначена для образовательных целей.
- Для больших сигналов рекомендуется использовать numpy.fft.fft для производительности.

Подпишись 👉🏻 @KodduuPython 🤖