💨 Air — новый фреймворк, который вдохнёт свежий воздух в Python-разработку

Air — это современный веб-фреймворк, построенный на основе FastAPI, Starlette и Pydantic, который объединяет скорость, простоту и выразительность. Он позволяет разрабатывать API и веб-приложения в одном стиле и с минимальным количеством шаблонного кода.

Основные возможности:
➡️ Работает на FastAPI — API и HTML-страницы из одного приложения
➡️ Air Tags — декларативное создание HTML прямо на Python
➡️ Поддержка Jinja — можно использовать Jinja-шаблоны или Air Tags, или даже комбинировать их
➡️ Интеграция с HTMX — создание динамичных интерфейсов без JavaScript
➡️ Валидация форм через Pydantic — строгая типизация и проверка данных прямо из HTML
➡️ Минимализм и расширяемость — фреймворк задуман как лёгкое ядро, расширяемое через пакеты

💡 Air сейчас находится в alpha-версии, поэтому возможны изменения в API.

Пример:

import air

app = air.Air()

@app.get("/")
async def index():
    return air.Html(air.H1("Hello, world!", style="color: blue;"))

Устанавливается одной командой:

pip install -U air

📘 Документация
📱 Репозиторий

🐸 Библиотека питониста

#буст

👉 Коротко и по делу: этот cheatsheet собрал самые часто используемые команды uv, которых достаточно, чтобы уверенно начать работать с инструментом.

🐸 Библиотека питониста

#буст

🧠 Новые Python type checker’ы: насколько хорошо они соответствуют стандартам

В 2025 году экосистема Python-инструментов для статической типизации переживает всплеск инноваций.

Сразу три новых инструмента — Ty (от Astral), Pyrefly (от Meta) и Zuban (от David Halter) — были написаны на Rust и привнесли новую скорость, стабильность и интеграцию в экосистему Python.

🚩 Ty (Astral)
Создан командой Astral, разработчиками ruff. Основан на принципах постепенного внедрения и высокой отзывчивости. Использует Rust-библиотеку salsa для инкрементальных вычислений, что делает проверку мгновенной в IDE.

🚩 Pyrefly (Meta*)
Новый инструмент от Meta, преемник pyre. Улучшен в плане автоматического вывода типов и глубокой аналитики. Разрабатывается с упором на производительность и масштабируемость, подходящую для крупных компаний.

🚩 Zuban (David Halter)
Проект автора jedi, с упором на совместимость с mypy. Недавно стал open source (AGPL). Отличается плавным переходом с других проверяющих систем и ориентацией на корпоративное использование.

🧭 Как выбрать инструмент

— Для новых проектов: любой из трёх подойдёт — все обеспечивают современный уровень типизации.
— Для больших кодовых баз: Zuban и Pyrefly обеспечивают лучшую совместимость и глубину анализа.
— Для ежедневной разработки: Ty предлагает идеальный баланс скорости, UX и интеграции с линтером ruff.

👉 Подробная статья с разбором

🐸 Библиотека питониста

#буст
* признана экстремистской организацией в России

⚙️ Компиляция Python, которая запускается везде

Python любим за простоту. Но его слабое место известно всем — производительность.
Что, если можно было бы оставить язык таким, как он есть, и при этом запускать его код так же быстро, как C++, на любой платформе — без интерпретатора и без контейнеров?

Новый экспериментальный компилятор превращает обычный Python-код в самодостаточные бинарные файлы — программы, которые работают где угодно:
✅ на сервере, в мобильном приложении, на десктопе и даже в браузере.
✅ Без JIT.
✅ Без переписывания.
✅ Без Python под капотом.

История началась с банальной боли:

Как удобно распространять и запускать AI-модели?
Контейнеры казались очевидным решением — но оказались тупиком.
Они громоздкие, медленные и тянут за собой целую мини-ОС.

И тогда родилась идея:

«А что если не упаковывать систему в контейнер, а собрать исполняемый файл, который сам запускает модель — без ничего лишнего?»

Так появился подход, при котором Python-код компилируется полностью ahead-of-time, превращаясь в нативные программы без зависимостей и без интерпретатора.

🔍 Подробнее: https://clc.to/CBk8YA

🐸 Библиотека питониста

#буст

🛠 Тестируем Python-проекты с разными версиями с помощью `uv` и `uv-test`

Удобная комманда для запуска тестов проекта против нескольких версий Python. Ключевой приём:

uv run --with-editable .[test]

Например, для проекта с [test] extras:

cd /tmp
git clone https://github.com/simonw/datasette
cd datasette
uv run --python 3.14 --isolated --with-editable '.[test]' pytest -n auto

▶️ --isolated — чтобы окружение было чистым.
▶️ --with-editable '.[test]' — ставит проект в editable mode, чтобы изменения сразу отражались.
▶️ -n auto — pytest-xdist использует все CPU автоматически.

uv-test: скрипт для упрощения

Чтобы не вводить длинную команду каждый раз, можно использовать простой helper-скрипт:

uv-test -p 3.14 -k permissions -vv

▶️ По умолчанию использует Python 3.14.
▶️ Можно указать версию через -p.
▶️ Все дополнительные аргументы передаются в pytest.

Скрипт проверяет наличие uv и pyproject.toml/setup.py, чтобы не запускать тесты не из корня проекта.

💡 Результат: быстрое тестирование проекта на любых версиях Python без лишнего геморроя с окружениями и контейнерами.

🐸 Библиотека питониста

#буст

🔥 Python 3.14 стал заметно быстрее — и это не просто цифры на бумаге

Свежий релиз Python 3.14 снова подвинул границы производительности.
Проведённые бенчмарки показывают — прирост скорости чувствуется и в рекурсии, и в итерациях, и даже в многопоточности.

Что тестировали:
➡️ 6 версий CPython — от 3.9 до 3.14
➡️ Pypy 3.11, Node.js 24 и Rust 1.90 — для сравнения
➡️ 3 интерпретатора: стандартный, JIT, free-threading (без GIL)
➡️ 2 скрипта: fibo(40) (рекурсия) и bubble sort (10 000 элементов)
➡️ 2 режима: 1 поток и 4 потока
➡️ Linux (Intel) и macOS (M2)

Результаты:
📍 Fibonacci (1 поток)
— Python 3.14 в среднем на 27% быстрее, чем 3.13.
— С версии 3.11 Python вышел из категории «медленный язык» в «уже вполне быстрый».
— Pypy по-прежнему монстр — ≈ 5 раз быстрее CPython 3.14, Rust — в 70 раз.

📍 Bubble sort (1 поток)
— Прирост скромнее — около 10%, но 3.14 всё ещё самый производительный CPython.
— Pypy — в 18 раз быстрее, Node — в 6 раз, Rust — в 36 раз.

📍 JIT vs Free-Threading
— JIT почти не ускорил код — эффект минимальный.
—А вот free-threading (без GIL) реально раскрылся: в многопоточном режиме Python 3.14 FT работает в 3 раза быстрее, чем стандартный интерпретатор.

Ключевые инсайты:
— Python 3.14 — самый быстрый CPython на сегодня
— Версии 3.11+ — огромный шаг вперёд
— JIT ещё сырый, но потенциал есть
— Free-threading — игра меняет правила для многопоточных нагрузок
— Pypy по-прежнему король скорости

Интересно, как free-threading поведёт себя в реальных ML и backend-нагрузках.
Уже кто-то пробовал запускать свои пайплайны на 3.14 FT? Делитесь наблюдениями 👇

🔗 Подробная статья-сравнение: https://clc.to/Dx4_iA

🐸 Библиотека питониста

#буст

😢 PyOCI — приватный PyPI без облаков и головной боли

Почему вообще нужен PyOCI? Потому что не хочется зависеть от очередного «облачного провайдера» только ради того, чтобы хранить приватные Python-пакеты.

PyOCI делает так, что любой OCI-registry (вроде ghcr.io или Azure Container Registry) начинает работать как обычный Python-index.
То есть можно использовать GitHub Packages как приватный PyPI — с уже встроенной системой доступа и без лишней настройки.

➡️ Как это работает

1⃣ PyOCI выступает прокси между pip и вашим OCI-registry.
2⃣ Он поддерживает любые регистры, реализующие [OCI distribution spec](https://github.com/opencontainers/distribution-spec).
3⃣ После публикации пакеты появляются прямо в интерфейсе OCI — как обычные контейнеры, просто с метаданными Python-пакетов.

Пример установки:

pip install --index-url="https://<user>:<token>@pyoci.com/<registry>/<namespace>/" <package>

Пример: установка пакета hello-world из организации allexveldman через ghcr.io:

pip install --index-url="https://$GITHUB_USER:$GITHUB_TOKEN@pyoci.com/ghcr.io/allexveldman/" hello-world

Идеально подходит, если хочется:
🔃 держать приватные Python-пакеты в GitHub Container Registry,
🔃 не возиться с доступами в PyPI,
🔃 использовать уже существующую инфраструктуру Docker-образов.

📱 Репозиторий

🐸 Библиотека питониста

#буст

👀 Что нового в Python 3.14

7 самых мощных фич новой версии, которые стоит знать 👇

1️⃣ Template Strings (t-строки)

Новый синтаксис t"" (PEP 750) — как f-строки, но безопасные.
Они предотвращают SQL-инъекции и другие уязвимости, возвращая объект Template, а не str.

➡️ Теперь можно форматировать строки без риска.

2️⃣ Встроенный Zstandard

Meta-разработанный алгоритм компрессии zstd теперь в стандартной библиотеке.

➡️ Быстрее, чем zlib и gzip, при этом с отличным уровнем сжатия.

3️⃣ Отложенная оценка аннотаций

Больше никаких NameError при аннотациях внутри классов!
Теперь Python лениво вычисляет типы только при обращении.

➡️ Код становится чище, читаемее и без хаков.

4️⃣ Новый REPL с подсветкой и автодополнением

Терминал Python теперь ближе к IDE:
подсветка синтаксиса, умное автодополнение — даже без VSCode.

➡️ Идеально для быстрого дебага и работы на удалённых серверах.

5️⃣ Контроль в finally-блоках

Теперь Python предупреждает, если в finally встречаются return, break, continue.

➡️ Меньше неожиданных багов, больше логики.

6️⃣ Упрощённый синтаксис except

Теперь без лишних скобок:

except ZeroDivisionError, TypeError:

➡️ Минимализм, как он есть. Мелочь — но приятно.

7️⃣ Настоящий Multithreading без GIL

Самое ожидаемое: Free-threaded Python официально поддерживается!
Без глобального интерпретатора блокировки (GIL).

➡️ Результат:
— Обычный Python: 12.65 сек
— Free-threaded Python: 3.16 сек

🐸 Библиотека питониста

#буст

⏫ Быстрый способ увидеть все зависимости Python-пакета

Инструмент PyPIPlus мгновенно показывает все зависимости любого Python-пакета с PyPI.

Полезно для дата-сайентистов:
😗 Офлайн-установки — особенно на изолированных серверах
😗 Экономия времени — мгновенный список всех зависимостей и их подзависимостей
😗 Аудит пакетов — быстро понять, что реально подтягивает пакет

Идеально для: подготовки окружений, деплоя моделей, аудита сторонних библиотек и управления зависимостями.

🐸 Библиотека дата-сайентиста

#буст

📚 Классика, которая не стареет: курс по структурам данных

Одни из легендарных лекций по структурам данных от MIT, где каждая лекция — как путешествие в глубину компьютерной науки.

Темы, которые остаются актуальными и сейчас:
➡️ Time travel — персистентные структуры данных: как «помнить прошлое», но не менять его.
➡️ Geometry — работа с многомерными данными (карты, таблицы, базы).
➡️ Dynamic optimality — идеальное дерево поиска: существует ли оно вообще?
➡️ Memory hierarchy — оптимизация работы с кэшем, даже не зная его размера.
➡️ Hashing — самая используемая структура данных в мире, и до сих пор поле активных исследований.
➡️ Integers — когда логарифм слишком медленно, а константа — возможна.
➡️ Dynamic graphs — как быстро пересчитывать граф при изменениях связей.
➡️ Strings — поиск подстрок в гигантских текстах (Google, ДНК и всё между).
➡️ Succinct structures — структуры, которые занимают почти столько же места, сколько сами данные.

🎓 Ссылка на лекции от MIT

Хочешь прокачаться в алгоритмах с практикой и поддержкой?
— Алгоритмы и структуры данных
⚡️ Сейчас действует акция –40% на курс и ещё несколько программ.

🐸 Библиотека питониста

#буст