22 Полезных Примера Кода на Python для Разработчиков

Проверьте свои навыки Python с этими 22 практическими примерами кода, которые помогут вам быстро решать распространённые задачи. Эти фрагменты кода можно использовать в различных проектах, что упростит разработку и сэкономит время. От простых операций с данными до создания веб-приложений – каждый пример подходит для немедленного применения.

Разберём примеры, которые работают с популярными библиотеками, такими как Pandas, Requests и Flask. В каждом фрагменте кода вы найдёте комментарии, которые поясняют его функциональность, что делает изучение ещё более удобным. Это значительно облегчит взаимодействие с библиотеками и улучшит ваши навыки работы с языком Python.

Не бойтесь экспериментировать! Каждый блок кода можно адаптировать под ваши нужды. Практические примеры помогут наладить понимание языка и его возможностей. Посмотрите, что можно сделать с помощью нескольких строк кода, и вдохновитесь на создание уникальных проектов.

Работа с файлами и данными

Используйте встроенные функции Python для работы с файлами. Например, для чтения текстового файла просто используйте следующий код:

with open('имя_файла.txt', 'r', encoding='utf-8') as файл:
содержимое = файл.read()
print(содержимое)

Этот метод автоматически закроет файл после завершения операций с ним. Для записи в файл подойдет следующий пример:

with open('имя_файла.txt', 'w', encoding='utf-8') as файл:
файл.write('Ваши данные для записи')  # Запись текста

Для добавления данных в конец файла используйте режим ‘a’:

with open('имя_файла.txt', 'a', encoding='utf-8') as файл:
файл.write('Добавленный текст
')

Для работы с CSV-файлами используйте модуль csv. Вот как можно читать и записывать данные:

import csv
# Чтение CSV-файла
with open('файл.csv', 'r', encoding='utf-8') as файл:
reader = csv.reader(файл)
for строка in reader:
print(строка)
# Запись в CSV-файл
data = [['Имя', 'Возраст'], ['Аня', 25], ['Игорь', 30]]
with open('файл.csv', 'w', newline='', encoding='utf-8') as файл:
writer = csv.writer(файл)
writer.writerows(data)

Для обработки JSON-данных импортируйте модуль json. Вот пример чтения и записи JSON:

import json
# Чтение JSON-файла
with open('данные.json', 'r', encoding='utf-8') as файл:
данные = json.load(файл)
print(данные)
# Запись в JSON-файл
data = {'Имя': 'Аня', 'Возраст': 25}
with open('данные.json', 'w', encoding='utf-8') as файл:
json.dump(data, файл, ensure_ascii=False, indent=4)

Для работы с текстовыми файлами можно использовать режимы r+ (чтение и запись), w+ (запись и чтение, перезапись файла) или a+ (добавление и чтение). Пример использования режима r+:

with open('файл.txt', 'r+') as файл:
содержимое = файл.read()
файл.write('Новая строка
')  # Запись в конец

Не забывайте об исключениях. Используйте конструкции try и except для обработки ошибок при работе с файлами, чтобы избежать аварийных завершений программы:

try:
with open('не_существующий_файл.txt', 'r') as файл:
print(file.read())
except FileNotFoundError:
print('Файл не найден.')

Чтение и запись текстовых файлов

Для чтения текстовых файлов используйте следующий код:

with open('имя_файла.txt', 'r', encoding='utf-8') as file:
содержимое = file.read()
print(содержимое)

Этот подход открывает файл в режиме чтения, автоматически закрывая его после выполнения блока кода. Укажите кодировку, чтобы избежать проблем с символами.

Для построчного чтения файла используйте так:

with open('имя_файла.txt', 'r', encoding='utf-8') as file:
for строка in file:
print(строка.strip())

Здесь strip() удаляет лишние пробелы и переносы строк.

Запись в файл происходит следующим образом:

содержимое_для_записи = "Привет, мир!"
with open('имя_файла.txt', 'w', encoding='utf-8') as file:
file.write(содержимое_для_записи)

Режим ‘w’ удаляет содержимое файла перед записью. Используйте режим ‘a’ для добавления текста в конец файла:

with open('имя_файла.txt', 'a', encoding='utf-8') as file:
file.write("
Дополнительная строка")

Для работы с большими файлами можно использовать буферизацию:

with open('имя_файла.txt', 'r', encoding='utf-8', buffering=1024) as file:
содержимое = file.read()

Настройка буфера может улучшить производительность при работе с большими объемами данных. Убедитесь, что в коде предусмотрены исключения для обработки ошибок:

try:
with open('имя_файла.txt', 'r', encoding='utf-8') as file:
содержимое = file.read()
except FileNotFoundError:
print("Файл не найден.")

Обработка CSV файлов с использованием pandas

Используйте библиотеку pandas для удобной работы с CSV файлами. Начните с установки pandas, если он у вас еще не установлен, командой pip install pandas.

Загрузите CSV файл в DataFrame. Это позволяет вам легко манипулировать данными. Вот пример кода:

import pandas as pd
df = pd.read_csv('файл.csv')

Выведьте первые несколько строк данных, чтобы убедиться в корректной загрузке:

print(df.head())

Чтобы просмотреть информацию о колонках и типах данных, используйте метод info():

df.info()

Для очистки данных удалите строки с отсутствующими значениями:

df = df.dropna()

Если нужно заменить значения, это можно сделать так:

df['колонка'] = df['колонка'].replace({'старое_значение': 'новое_значение'})

Для фильтрации данных используйте булеву индексацию:

отфильтрованные_d = df[df['колонка'] > значение]

Группируйте данные по категории и вычисляйте агрегированные значения. Например, чтобы найти средние значения, используйте:

средние_значения = df.groupby('категория')['значение'].mean()

Сохраните измененные данные обратно в CSV файл:

df.to_csv('измененный_файл.csv', index=False)

Эти простые операции позволяют быстро обрабатывать и анализировать данные в формате CSV. Используйте pandas для решения ежедневных задач и упрощения работы с данными.

Создание и чтение JSON файлов

Используй модуль json для работы с JSON файлами. Для создания JSON файла сначала составь данные в виде словаря или списка. Затем запиши их в файл с помощью функции json.dump().

import json
data = {
"имя": "Иван",
"возраст": 30,
"город": "Москва"
}
with open('данные.json', 'w', encoding='utf-8') as json_file:
json.dump(data, json_file, ensure_ascii=False, indent=4)

Чтобы прочитать JSON файл, используй функцию json.load(). Открой файл в режиме чтения и загрузите данные в переменную.

with open('данные.json', 'r', encoding='utf-8') as json_file:
loaded_data = json.load(json_file)
print(loaded_data)

Используя ensure_ascii=False, ты получаешь возможность сохранить символы в их оригинальной кодировке. Это важно для работы с языками, отличными от английского. Параметр indent=4 делает JSON более читабельным за счёт отступов.

Можешь легко изменять данные, добавляя новые ключи или изменяя значения, и затем перезаписывать их в файл с помощью json.dump(). Это позволяет быстро обновлять конфигурации или другие данные в приложениях.

Автоматизация задач

Используйте библиотеку schedule для планирования задач. Она позволяет выполнять функции в определённое время. Установите её с помощью pip install schedule. Вот пример кода, который запускает функцию каждую минуту:

import schedule
import time
def job():
print("Задача выполнена!")
schedule.every(1).minutes.do(job)
while True:
schedule.run_pending()
time.sleep(1)

Для работы с файлами применяйте библиотеку os. Она позволяет организовать процессы обработки. Например, можно создать резервную копию всех файлов в директории:

import os
import shutil
source_dir = 'путь/к/директории'
backup_dir = 'путь/к/резервной/копии'
for filename in os.listdir(source_dir):
full_file_name = os.path.join(source_dir, filename)
if os.path.isfile(full_file_name):
shutil.copy(full_file_name, backup_dir)

Для автоматизации рассылки писем используйте библиотеку smtplib. Она позволяет отправлять электронные письма. Пример кода для отправки простого письма выглядит так:

import smtplib
from email.mime.text import MIMEText
msg = MIMEText("Текст вашего сообщения")
msg['Subject'] = 'Тема письма'
msg['From'] = 'ваш_email@example.com'
msg['To'] = 'получатель@example.com'
with smtplib.SMTP('smtp.example.com', 587) as server:
server.starttls()
server.login('ваш_email@example.com', 'ваш_пароль')
server.send_message(msg)

Не забывайте использовать библиотеку requests для работы с API. Это упрощает взаимодействие с веб-сервисами. Здесь пример выполнения GET-запроса:

import requests
response = requests.get('https://api.example.com/data')
data = response.json()
print(data)

Также полезно использовать subprocess для выполнения команд операционной системы из Python. Это помогает выполнить внешние команды и скрипты.

import subprocess
subprocess.run(['ls', '-l'])

С этими инструментами вы сможете значительно упростить и ускорить выполнение рутинных задач. Используйте их для повышения своей продуктивности и автоматизации повседневных процессов.

Парсинг веб-страниц с помощью BeautifulSoup

Для парсинга веб-страниц используйте библиотеку BeautifulSoup. Начните с установки необходимых пакетов. Убедитесь, что установлены библиотеки BeautifulSoup и requests. Введите в терминале: pip install beautifulsoup4 requests.

Создайте запрос к веб-странице с помощью requests. Вот пример:

import requests
url = 'https://example.com'
response = requests.get(url)

После получения ответа создайте объект BeautifulSoup, который разберет HTML-код:

from bs4 import BeautifulSoup
soup = BeautifulSoup(response.content, 'html.parser')

Теперь можно начать извлечение данных. Например, чтобы получить все заголовки <h1>, используйте:

headers = soup.find_all('h1')
for header in headers:
print(header.text)

Если нужно извлечь ссылки, ищите все теги <a>:

links = soup.find_all('a')
for link in links:
print(link.get('href'))

Для более целенаправленного поиска уточняйте селекторы. Например, чтобы найти параграфы в определенном элементе с классом content:

content = soup.find('div', class_='content')
paragraphs = content.find_all('p')
for paragraph in paragraphs:
print(paragraph.text)

Работа с атрибутами также проста. Чтобы получить значение атрибута, используйте метод get. Например:

image = soup.find('img')
src = image.get('src')
print(src)

Если хотите обрабатывать данные дальше, преобразуйте их в нужный формат. Например, для сохранения в CSV используйте библиотеку pandas:

import pandas as pd
data = {'Header': [header.text for header in headers]}
df = pd.DataFrame(data)
df.to_csv('headers.csv', index=False)

Помните о соблюдении правил сайта. Перед парсингом ознакомьтесь с robots.txt на сайте, чтобы избежать возможных нарушений.

Автоматическая отправка электронных писем

Используйте библиотеку smtplib в Python для автоматической отправки писем. Этот модуль позволяет легко подключаться к SMTP-серверу и отправлять электронные письма.

Вот пошаговое руководство:

Импортируйте необходимые модули:

import smtplib
from email.mime.text import MIMEText
from email.mime.multipart import MIMEMultipart

Настройте SMTP-сервер:

smtp_server = "smtp.gmail.com"
smtp_port = 587
username = "your_email@gmail.com"
password = "your_password"

Создайте сообщение:

msg = MIMEMultipart()
msg['From'] = username
msg['To'] = "recipient@example.com"
msg['Subject'] = "Тема сообщения"
body = "Текст вашего сообщения."
msg.attach(MIMEText(body, 'plain'))

Подключитесь к серверу и отправьте письмо:

try:
server = smtplib.SMTP(smtp_server, smtp_port)
server.starttls()  # Защищенное соединение
server.login(username, password)
server.sendmail(msg['From'], msg['To'], msg.as_string())
print("Письмо отправлено")
except Exception as e:
print(f"Произошла ошибка: {e}")
finally:
server.quit()

Перед запуском убедитесь, что у вас разрешен доступ к менее безопасным приложениям в настройках вашей почты. Это необходимо, если вы используете Gmail.

Проверьте настройки безопасности своего почтового аккаунта, чтобы не возникло сложностей при отправке сообщений.

Теперь вы можете автоматизировать процесс рассылки электронных писем, например, для отправки уведомлений или отчетов. Это значительно упростит коммуникацию и сэкономит время.

Создание скриптов для периодического выполнения задач

Используйте библиотеку schedule для упрощения процесса планирования задач. Она позволяет легко настроить выполнение скриптов по расписанию. Установите библиотеку с помощью команды:

pip install schedule

После установки используйте следующий шаблон для планирования вашей задачи:


import schedule
import time
def ваша_задача():
print("Задача выполнена!")
schedule.every().day.at("10:00").do(ваша_задача)
while True:
schedule.run_pending()
time.sleep(1)

Этот код запускает функцию ваша_задача каждый день в 10:00. Вы можете легко изменить расписание на другое время или частоту, заменив every().day на every().hour, every().monday и прочие варианты.

Для более сложных задач используйте библиотеку APScheduler. Она предлагает больше возможностей для управления задачами, включая хранение JobStore. Установите библиотеку:

pip install APScheduler

Пример использования:


from apscheduler.schedulers.blocking import BlockingScheduler
scheduler = BlockingScheduler()
def ваша_задача():
print("Задача выполнена!")
scheduler.add_job(ваша_задача, 'interval', hours=1)
scheduler.start()

Этот код выполняет функцию ваша_задача каждый час. Вы можете настроить другие параметры, такие как временные интервалы и условия запуска.

Если нужны надежные решения для продакшен-систем, рассмотрите использование Celery. Этот инструмент позволяет распределять задачи и обрабатывать их в фоновом режиме. Установка выполняется командой:

pip install celery

Ваша конфигурация с использованием Celery может выглядеть так:


from celery import Celery
app = Celery('tasks', broker='pyamqp://guest@localhost//')
@app.task
def ваша_задача():
print("Задача выполнена!")

Запуск задачи с использованием Celery можно настроить посредством планировщика, такого как Celery Beat.

Чтобы следить за выполнением и отладкой задач, используйте логи, которые можно настроить с помощью модуля logging. Вот базовый пример:


import logging
logging.basicConfig(level=logging.INFO)
def ваша_задача():
logging.info("Задача выполнена!")

Храните записи о выполнении задач в логах, что поможет вам отслеживать их выполнение и выявлять проблемы.

Теперь у вас есть основные инструменты для планирования задач в Python. Выбор подходящей библиотеки зависит от вашей конкретной ситуации и требований.

Работа с API: получение данных из внешних источников

Используйте библиотеку requests для доступа к API. Эта библиотека упрощает обмен данными с внешними сервисами. Установите её с помощью команды pip install requests.

Для выполнения GET-запроса к API, используйте следующий код:

import requests
response = requests.get('https://api.example.com/data')
if response.status_code == 200:
data = response.json()
print(data)
else:
print('Ошибка:', response.status_code)

Замените URL на адрес нужного API. После успешного запроса данные будут в формате JSON. Обязательно проверяйте код состояния ответа для обработки ошибок.

Применяйте параметры запроса, если API это поддерживает. Например, передайте параметры через словарь:

params = {'key': 'value'}
response = requests.get('https://api.example.com/data', params=params)

Для работы с API, требующими аутентификацию, добавьте заголовок с токеном:

headers = {'Authorization': 'Bearer YOUR_TOKEN'}
response = requests.get('https://api.example.com/data', headers=headers)

При работе с POST-запросами используйте метод requests.post. Например, отправьте данные в формате JSON:

data = {'key': 'value'}
response = requests.post('https://api.example.com/data', json=data)

Не забывайте об обработке возможных исключений. Используйте конструкцию try-except для улучшения надежности:

try:
response = requests.get('https://api.example.com/data')
response.raise_for_status()  # Проверка на ошибки
data = response.json()
except requests.exceptions.HTTPError as err:
print('HTTP ошибка:', err)
except Exception as e:
print('Ошибка:', e)

Используйте библиотеку pandas для удобного анализа полученных данных. С помощью pandas.DataFrame вы сможете легко работать с таблицами:

import pandas as pd
df = pd.DataFrame(data)
print(df.head())

Следуйте этим рекомендациям, и работа с API станет более простой и понятной. Регулярно проверяйте документацию API на предмет обновлений и изменений в методах и параметрах.