Посты за июнь 2025

📊 Шпаргалка по Python-профайлингу: как найти узкие места в коде Разбираем 4 мощных инструмента для анализа производительности и памяти в Python. 🧠 `cProfile` — встроенный профайлер времени ✅ Показывает, сколько времени тратится на каждую функцию ✅ Идеально для быстрого анализа python -m cProfile your_script.py Форматированный вывод с pstats: python -m cProfile -o result.prof your_script.py python -m pstats result.prof Для Jupyter: %load_ext cprofile %cprofile some_function() 🐍 py-spy — суперлёгкий sampling-профайлер ✅ Не требует изменений в коде ✅ Работает с чужими процессами ✅ Без тормозов, можно запускать в проде py-spy top --pid <PID> py-spy record -o profile.svg -- python your_script.py 👉 Показывает flame graph: удобная визуализация bottleneck-функций. 🔥 `Scalene` — профайлинг CPU, памяти и аллокаций ✅ Отслеживает: - сколько времени тратит CPU - где происходят аллокации - сколько памяти реально используется pip install scalene scalene your_script.py 👉 Выделяет проблемные строки, показывает выделение памяти по строчкам кода, а не только по функциям. 🧮 `memory_profiler` — анализ использования памяти ✅ Показывает, сколько памяти потребляет каждая строка ✅ Полезен для data science скриптов pip install memory-profiler Добавь декоратор: from memory_profiler import profile @profile def my_func(): ... Запуск: python -m memory_profiler your_script.py 💡 Как выбрать? | Инструмент | Что профилирует | Подходит для | |--------------------|----------------------|------------------------------| | `cProfile` | Время (встроенно) | Быстрый старт, базовый анализ | | `py-spy` | Время (sampling) | Прод, чужие процессы, flame graphs | | `Scalene` | Время + память + аллокации | Глубокий анализ по строкам | | `memory_profiler` | Только память | Data science, отладка RAM |

🐍 Задача на Python — Топ‑3 самых популярных товаров Допустим, у нас есть список покупок пользователей: orders = [ {"user": "alice", "items": ["apple", "banana", "apple"]}, {"user": "bob", "items": ["banana", "orange"]}, {"user": "carol", "items": ["banana", "apple", "orange", "banana"]}, {"user": "dave", "items": ["apple"]}, ] 🎯 Задание: Найти 3 самых популярных товара по количеству покупок (не по числу пользователей, а по общему количеству упоминаний). ✅ Ожидаемый результат: [('banana', 4), ('apple', 4), ('orange', 2)] 💡 Решение: from collections import Counter # Собираем все товары в один список all_items = [] for order in orders: all_items.extend(order["items"]) # Считаем количество каждого товара item_counts = Counter(all_items) # Получаем топ-3 самых популярных top_3 = item_counts.most_common(3) print(top_3) 📌 Что тренирует задача: • Работа со словарями и списками • Использование Counter из модуля collections • Умение работать с вложенными структурами • Сортировка по частоте с помощью most_common() #python #задача #кодинг #алгоритмы #учимпитон #collections

🧠 Сложная и интересная задача для Python-инженеров: "Запусти чужой Python-код... но так, чтобы он не сломал твой сервер" Представь, ты разрабатываешь платформу, где пользователи могут запускать произвольные Python-скрипты: например, в формате онлайн-компилятора, песочницы для тестов, или генератора графиков. 📌 Условия задачи: Ты должен написать систему, которая: • Принимает произвольный Python-код от пользователя • Выполняет его безопасно и изолированно • Ограничивает время выполнения до 2 секунд • Ограничивает память до 128 MB • Блокирует доступ к файловой системе, сети, subprocess, fork • Возвращает stdout, stderr и статус выполнения 🛡️ Безопасность — ключ: • Скрипт может попытаться сделать os.remove('/'), import socket, while True: и т.п. • Ваша система не должна пострадать. Даже если кто-то пошлёт fork-бомбу или запросит весь RAM. 📦 Технические ограничения: • Решение должно быть на Python • Можно использовать Docker, podman, или Firecracker — но обоснуй выбор • Стандартная библиотека разрешена, но доступ к os, sys.modules, inspect, eval, __import__ — должен быть отключён или переопределён • Никаких внешних HTTP-запросов, файловых сокетов или pip install 🔧 Что ожидается: 1. Функция запуска: result = run_code_safely(code="print(2 + 2)") # result = { "stdout": "4\n", "stderr": "", "exit_code": 0, "status": "ok" } Изоляция среды: • Вариант 1: через запуск контейнера с ограничениями (docker run --rm --net=none --memory=128m) • Вариант 2: через Firejail / chroot / seccomp / AppArmor профили • Вариант 3: через интерпретатор Python внутри subprocess с ограничениями через resource, signal, ast и multiprocessing.Process Блокировка опасных импортов и функций: • Запретить import os, import subprocess, import, eval, exec, open, globals() • Пример: AST-парсер удаляет запрещённые ноды до запуска Обработка ошибок и ограничений: • TimeoutExceededError — если код работает > 2 сек • MemoryLimitError — если процесс превысил лимит • SecurityViol