Посты за август 2026

FastAPI ломается не на роутинге, а на неявных зависимостях и типах Чаще всего проект начинает “тормозить” не из-за самого фреймворка, а из-за того, как в нём собирают сервисный слой. Если зависимость тянет БД, кэш и внешний API в одном вызове, тестировать и отлаживать это почти невозможно. Держите базовый чек-лист: — разделяйте endpoint, service и repository; — выносите I/O в отдельные функции, а не в обработчик; — для входа и выхода используйте pydantic-схемы, а не сырые dict; — не смешивайте бизнес-логику с зависимостями через Depends, если это можно передать явно. Ещё одна частая ошибка — считать, что async везде ускорит код. Если внутри синхронный драйвер, тяжёлый JSON или блокирующий SDK, event loop всё равно будет ждать. В таком месте лучше честно оставить sync-участок или вынести его в отдельный worker. И последнее: держите OpenAPI и схемы ответа в порядке. Когда контракт не совпадает с реальным payload, интеграции ломаются тихо, а поиск причины занимает больше всего времени. Хороший FastAPI-проект читается не по количеству эндпоинтов, а по тому, насколько предсказуемо в нём проходят данные.

Python чаще ломается не в коде, а в том, как его запускают и читают Если скрипт «вроде работает», проверь три места: входные данные, окружение и границы ошибок. В Python половина багов сидит не в алгоритме, а в том, что файл приходит пустым, переменная окружения не задана, а исключение где-то проглотили. Для веб-проектов и автоматизации держите базовый набор привычек: • валидируйте вход через pydantic или явные проверки; • отделяйте чистую логику от I/O и сетевых вызовов; • не смешивайте бизнес-правила с парсингом ответа; • логируйте контекст ошибки, а не только текст traceback. Отдельно следите за async: не вызывайте блокирующие библиотеки внутри event loop без обвязки, не создавайте лишние соединения в цикле и не надеетесь, что «маленькая задержка» спасёт от таймаутов. Для Django и FastAPI это особенно заметно на интеграциях, когда внешние сервисы начинают отвечать медленнее обычного. И ещё одна вещь, которую стоит проверить в любом Python-проекте: повторяемость запуска. Если код нельзя поднять из чистого окружения по короткой инструкции, значит у вас не код, а набор удачных совпадений.

7 ошибок в python-скриптах, из-за которых автоматизация ломается в самый неудобный момент Скрипт, который «всегда работает», обычно просто ещё не получил плохой вход. В репозиториях чаще всего всплывают одни и те же проблемы: — жёстко прошитые пути, логины, токены и URL; — отсутствие проверок на пустой ответ и неожиданный формат; — падение на первом же исключении без повторной попытки; — запись результата прямо поверх исходных данных; — отсутствие понятных логов, из-за чего непонятно, где всё сломалось. Если скрипт ходит в сеть, добавляйте таймауты, ретраи и явную обработку 4xx/5xx. Если читает файлы — валидируйте кодировку, схему и наличие нужных колонок до основной логики. Если запускается по cron или из CI, вывод должен быть коротким, но достаточным: что обработали, сколько пропустили, на каком шаге упали. Ещё одна типовая ловушка — смешивать бизнес-логику, I/O и форматирование отчёта в одной функции. Потом такой код невозможно тестировать и трудно переиспользовать. Разделяйте: отдельный модуль для получения данных, отдельный для обработки, отдельный для вывода. Тогда смена источника не тянет за собой переписывание всего скрипта. Хороший скрипт не тот, который «мало кода», а тот, который переживает грязные данные и даёт понятную точку отказа.

7 типовых ошибок в Python-скриптах, которые ломают автоматизацию на ровном месте Скрипт, который «работает у меня», часто падает в cron, Docker или на чужой машине. Причина почти всегда одна: в коде не учли среду, входные данные или побочные эффекты. — Не фиксируют путь и запускают файл из текущей директории; в итоге относительные пути ищут не там, где лежит скрипт. — Читают CSV/JSON без проверки схемы: одно пустое поле, и пайплайн едет дальше с мусором. — Ловят Exception везде подряд и глотают ошибку, после чего баг становится «тихим». — Смешивают I/O и бизнес-логику: потом невозможно тестировать парсер, загрузчик или интеграцию отдельно. Ещё одна частая проблема — отсутствие идемпотентности. Если скрипт можно запустить повторно, он не должен дублировать записи, слать повторные письма или затирать уже обработанные файлы. Для автоматизации это важнее, чем «красивый» код. Минимальный набор защиты простой: явный конфиг, логирование с контекстом, проверки входных данных и осмысленные коды выхода. Если шаг провалился, скрипт обязан сказать, где именно, а не молча завершиться с нулём. Если перед запуском вы прогоняете только «примерный» файл, баг всё равно найдёт вас в проде. Проверяйте пути, формат входа и повторный запуск — это экономит больше времени, чем любой рефакторинг.

7 ошибок в python-скриптах, из-за которых автоматизация ломается в самый неудобный момент Скрипт работает на ноутбуке и падает на сервере — классика. Обычно причина не в Python, а в мелочах: зависимость от текущей папки, ручные пути к файлам, скрытые переменные окружения. Проверь базовый набор: — все пути строятся через pathlib или os.path.join; — входные данные валидируются до начала работы; — логирование пишет не только ошибку, но и контекст задачи; — сетевые запросы имеют timeout и retry; — временные файлы чистятся даже при исключении. Отдельно опасны скрипты, которые молча проглатывают исключения. Если except просто pass, баг уходит в тень и всплывает уже в данных, отчётах или интеграциях. Лучше падать шумно, чем делать вид, что всё в порядке. Ещё одна частая проблема — запуск без параметров окружения. Конфиг, токены, рабочие каталоги, права на запись и кодировка файлов должны задаваться явно. Тогда скрипт можно переносить между cron, Docker и локальной машиной без сюрпризов. Если скрипт нужен больше одного раза, относись к нему как к сервису: с конфигом, логами, проверками и понятной точкой входа. Так он переживёт и перенос, и рост данных, и чужие руки.