Foreign Function Interface (FFI)
یک مکانیسم است که به ما اجازه می دهد تا از توابع و رویه‌های نوشته شده در زبان‌های دیگه، تو زبان برنامه نویسی دیگه ای استفاده کنیم. این مکانیزم به برنامه‌نویسا این امکانو میده تا از قابلیت‌ها و کارایی زبان‌های دیگه در برنامه‌های خودمون استفاده کنیم.

استفاده از قدرت زبان راست در پایتون 😏
راست یک زبان برنامه‌نویسی مدرن است که به دلیل کارایی بالا و ایمنی حافظه محبوبیت زیادی پیدا کرده است. ترکیب پایتون و راست به شما این امکان را می‌دهد که از مزایای هر دو زبان بهره‌مند شوید: سادگی و قدرت کتابخانه‌های پایتون و کارایی بالای راست.

Pydantic
یک کتابخانه پایتونی برای مدیریت و اعتبارسنجی داده‌ها است که به دلیل استفاده از تایپ‌ها و انوتیشن‌های (annotations) تایپینگ پایتون، کارایی و کاربرپسندی بالایی دارد. این کتابخانه با استفاده از راست (Rust) برای بهبود کارایی استفاده می‌کند.

Pydantic

پایدانتیک به شما اجازه می‌دهد تا مدل‌های داده با تایپ‌های قوی بسازید و اعتبارسنجی داده‌ها را به صورت خودکار انجام دهید. این کتابخانه با استفاده از کتابخانه rust-typed که یک موتور اعتبارسنجی سریع به زبان راست است، کارایی بالایی دارد.

استفاده از راست در پایدانتیک
پایدانتیک با استفاده از کتابخانه‌های راست مانند
rust-typed
برای اعتبارسنجی سریع داده‌ها استفاده می‌کند. این امر به Pydantic اجازه می‌دهد که با سرعت و کارایی بالا اعتبارسنجی داده‌ها را انجام دهد. استفاده از راست در Pydantic باعث شده که این کتابخانه بتواند حجم بالایی از داده‌ها را به سرعت پردازش کند.

پکیج‌های دیگر که از راست استفاده می‌کنند

علاوه بر Pydantic، کتابخانه‌های دیگری نیز هستند که از راست برای بهبود کارایی استفاده می‌کنند. برخی از این کتابخانه‌ها عبارتند از:

1. Polars:
یک کتابخانه سریع برای تحلیل داده‌ها که با استفاده از راست ساخته شده است.

2. PyO3:
یک کتابخانه برای نوشتن افزونه‌های پایتون با راست.

3. RustPython:
یک مفسر پایتون که به زبان راست نوشته شده است و به منظور اجرای کدهای پایتون با کارایی بالاتر طراحی شده است.

استفاده از راست در پایتون به شما امکان می‌دهد که از مزایای کارایی و ایمنی حافظه راست در کنار سادگی و قدرت پایتون بهره‌برداری کنید. Pydantic نمونه‌ای عالی از این ترکیب موفق است که به شما اجازه می‌دهد مدل‌های داده‌ای کارآمد و قابل اعتماد بسازید.

#FFI

@Syntax_fa

یکی از سوال هایی که تو اکثر مصاحبه ها ازتون پرسیده میشه ☹️
(البته با خوندن این پست قرار نیست سوالات مصاحبه رو بخوبی جواب بدید😒
ولی میتونه بهتون دید بده تا بیشتر در خصوصش بخونید و یاد بگیرید)

درباره SQL و NoSQL بگو
SQL (Structured Query Language)
و
NoSQL (Not Only SQL)
دو نوع اصلی از سیستم‌های مدیریت پایگاه داده (DBMS) هستند که هر یک دارای مزایا و معایب خود می‌باشند. تفاوت‌های اصلی بین این دو شامل موارد زیر می‌شود:

تفاوت‌های اصلی SQL و NoSQL

1. ساختار داده‌ها:
- SQL
: از جداول با ساختار ثابت استفاده می‌کند که در آن‌ها داده‌ها به صورت سطرها و ستون‌ها سازمان‌دهی می‌شوند. این ساختار معمولاً نیازمند طراحی دقیق و پیش‌فرضی است.

- NoSQL:
انعطاف‌پذیرتر است و می‌تواند از انواع مختلفی از مدل‌های داده شامل سندی، ستونی، گرافی و مبتنی بر کلید-مقدار استفاده کند. این امر به راحتی در برخورد با داده‌های غیرساختاریافته و تغییرپذیر کمک می‌کند.

2. زبان پرس و جو:
- SQL:
از یک زبان پرس و جوی ساختاریافته (SQL) استفاده می‌کند که استاندارد و ثابت است.
- NoSQL:
زبان پرس و جوی خاصی ندارد و هر سیستم NoSQL ممکن است از روش‌های متفاوتی برای دسترسی و مدیریت داده‌ها استفاده کند.

3. نرمال‌سازی داده‌ها:
- SQL:
داده‌ها به صورت نرمال با روابط تعریف‌شده بین جداول ذخیره می‌شوند.
- NoSQL:
نرمال‌سازی کمتری دارد و داده‌ها به صورت غیرنرمال و بدون نیاز به روابط پیچیده ذخیره می‌شوند.

شرایط استفاده از SQL

1. پیچیدگی و انسجام داده‌ها:
- زمانی که داده‌ها دارای روابط پیچیده و متعددی هستند و نیاز به حفظ انسجام داده‌ها داریم، SQL انتخاب مناسبی است.

2. استانداردهای صنعتی:
- SQL
به دلیل سابقه طولانی و استاندارد بودن در بسیاری از صنایع و برنامه‌ها مورد استفاده قرار می‌گیرد.

3. پشتیبانی تراکنش‌های ACID:
- اگر برنامه نیاز به پشتیبانی از تراکنش‌های اتمی، یکپارچه، ایزوله و پایدار (ACID) دارد، SQL بهترین انتخاب است.

شرایط استفاده از NoSQL

1. حجم بزرگ داده‌ها:
- در شرایطی که با حجم بزرگی از داده‌های غیرساختاریافته یا نیمه‌ساختاریافته روبه‌رو هستیم، NoSQL عملکرد بهتری دارد.

2. مقیاس‌پذیری بالا:
- اگر نیاز به مقیاس‌پذیری افقی و انعطاف‌پذیری بیشتری داریم، NoSQL مناسب‌تر است.

3. سرعت بالا و تأخیر کم:
- برای برنامه‌هایی که نیاز به سرعت بالا و تأخیر کم در خواندن و نوشتن داده‌ها دارند، NoSQL گزینه بهتری است.

دلایل استفاده از SQL

1. پایداری و قابلیت اعتماد:
- سیستم‌های SQL به دلیل پایبندی به استانداردهای ACID و ساختار منظم، قابلیت اعتماد بالایی دارند.

2. ابزارهای تحلیلی و گزارش‌گیری قوی:
- وجود ابزارهای متنوع برای تحلیل و گزارش‌گیری داده‌ها SQL را به گزینه‌ای مناسب برای تحلیل‌گران و مدیران داده تبدیل کرده است.

3. پشتیبانی گسترده و جامعه کاربری:
- به دلیل استفاده وسیع و سابقه طولانی، پشتیبانی و منابع زیادی برای حل مشکلات و یادگیری SQL وجود دارد.

دلایل استفاده از NoSQL

1. انعطاف‌پذیری در مدل داده‌ها:
- NoSQL
اجازه می‌دهد داده‌ها به روش‌های مختلفی ذخیره و مدیریت شوند که این امر برای برنامه‌های مختلف انعطاف‌پذیری زیادی فراهم می‌کند.

2. سرعت و کارایی بالا:
- به دلیل ساختار غیرنرمال و مقیاس‌پذیری افقی، NoSQL می‌تواند عملیات را با سرعت بیشتری انجام دهد.

3. مدیریت داده‌های متنوع:
- NoSQL
مناسب برای مدیریت داده‌های متنوع و تغییرپذیر است که به سرعت در حال رشد و تغییر هستند.

به طور خلاصه، انتخاب بین SQL و NoSQL بستگی به نیازها و شرایط خاص هر پروژه دارد. SQL برای مواردی که نیاز به انسجام و یکپارچگی داده‌ها، تراکنش‌های ACID و استانداردهای صنعتی است، مناسب‌تر است. در مقابل، NoSQL برای برنامه‌هایی که نیاز به مقیاس‌پذیری بالا، انعطاف‌پذیری در مدل داده‌ها و سرعت بالا دارند، گزینه بهتری محسوب می‌شود.

Written by chatgpt 🍸

#sql #nosql

@Syntax_fa

وقتی تو Ipados ماشین حساب نمیارن و نمیارن، آخرش همچین چیز جذابیو رونمایی می کنن 😎

#fun

@Syntax_fa

مهندس نرم افزاره مدیر عامل شرکتشو سر پرداخت نکردن حقوقش کشته 🫠

#fun

@Syntax_fa

اگه کارفرمایی
ری اکشنارو میبینی؟
به خودت بیا مرد/زن
وگرنه «شاید برای شما هم اتفاق بیوفتد» 🔪

من هنوز فکر میکنم توضیح بیشتر نیازه ولی این دیگه آخریشه 😂

پس میشه گفت encoding زمانی اتفاق می افتد که یک byte array را به یک فرمت دیگه از byte array تبدیل کنیم ؟

دقیقاً. Encoding فرایندی است که طی آن یک byte array (آرایه ای از بایت ها) به یک فرمت دیگر از byte array تبدیل می‌شود. هدف از encoding معمولاً این است که داده‌ها به شکلی تبدیل شوند که برای انتقال، ذخیره‌سازی یا نمایش آسان‌تر یا امن‌تر باشند.

توضیح بیشتر با مثال

مثال 1:
Base64 Encoding
یک روش encoding است که داده‌های باینری را به یک رشته متنی تبدیل می‌کند که شامل تنها کاراکترهای قابل چاپ (A-Z، a-z، 0-9، +، /) است. این روش معمولاً برای انتقال داده‌های باینری به صورت متنی در پروتکل‌هایی مانند HTTP یا ایمیل استفاده می‌شود.

import base64

data = b'This is some binary data.'
encoded_data = base64.b64encode(data)
print(encoded_data)  # Output: b'VGhpcyBpcyBzb21lIGJpbmFyeSBkYXRhLg=='

# Decoding
decoded_data = base64.b64decode(encoded_data)
print(decoded_data)  # Output: b'This is some binary data.'

#### مثال 2: URL Encoding

URL encoding (یا percent encoding)
فرایندی است که طی آن کاراکترهای خاص در یک URL به یک فرمت خاص تبدیل می‌شوند که برای انتقال از طریق URL مناسب باشد.

import urllib.parse

data = 'This is a string with spaces and symbols: !@#'
encoded_data = urllib.parse.quote(data)
print(encoded_data)  # Output: 'This%20is%20a%20string%20with%20spaces%20and%20symbols%3A%20%21%40%23'

# Decoding
decoded_data = urllib.parse.unquote(encoded_data)
print(decoded_data)  # Output: 'This is a string with spaces and symbols: !@#'

#encoding

@Syntax_fa

یه روش آوردم صد درصد جوابه💅

میگه:
هربار که یه سوال برنامه نویسی دارم که بدجور به کمک نیاز دارم. میرم تو ردیت پستش میکنم بعد با یه اکانت دیگه یه جواب خیلی پرت میدم.
ملت براشون مهم نیست کمک کنن ولی خیلی دوست دارن جواب اشتباهو تصحیح کنن

#fun

@Syntax_fa

توضیح کامیت مناسب:
یه سری تغییرات کوچیک 😒

#fun

@Syntax_fa

الگوریتم Luhn

تاحالا شده که از کاربر شماره کارت و ... رو بگیرید اما نمیدونید چطور میشه در سطح برنامتون اعتبارسنجیش کنید!؟ این پست قراره درباره الگوریتم luhn صحبت کنیم و آخر کار تو کد یه مثال از نحوه اعتبار سنجی شماره حساب بانکی با الگوریتم luhn رو براتون میزنم.

خب قسمت توضیح چت جی بی تی عزیز زحمتو کشیده🤌😘:
الگوریتم Luhn که به عنوان "فرمول Luhn" نیز شناخته می‌شود، یک الگوریتم ساده برای اعتبارسنجی شماره‌های شناسایی است. این الگوریتم توسط Hans Peter Luhn، محقق IBM، در سال 1954 اختراع شده است. الگوریتم Luhn به طور گسترده در اعتبارسنجی شماره‌های کارت اعتباری، شماره‌های شناسایی ملی، و شماره‌های شناسایی دیگر استفاده می‌شود.

نحوه عملکرد الگوریتم Luhn

1. ورودی:
- یک رشته از ارقام که باید اعتبارسنجی شود. این رشته معمولاً شامل شماره کارت اعتباری یا شماره شناسایی است.

2. مراحل:
- از سمت راست به چپ شروع کنید و هر عدد دوم را دو برابر کنید. اگر دو برابر کردن یک عدد منجر به یک عدد دو رقمی شد (یعنی بزرگتر یا مساوی 10)، جمع ارقام آن عدد را به دست آورید (برای مثال، 18 تبدیل به 1 + 8 = 9 می‌شود).
خراب کردی هوش مصنوعی جان😒😒
بذار با یه روش ساده توضیح بدم:
از عدد سمت چپ شروع میکنیم. یکیو ضربدر دو میکنیم. بعدی رو ضربدر یک و حاصل رو جمع میکنیم. اگه موقعی که داریم ضربدر دو میکنیم، عدد بزرگ تر از 9 شد، 9 تا ازش کم میکنیم.
مثلا عدد ما 7 هستش ضربدر دو میشه 14 چون از 9 بزرگ تر شده منهای 9 میکنیم پس میشه 5.
در نهایت حاصل جمعی که بدست آوردیم باید باقی موندش به پیمانه که 10 هستش صفر بشه.

مثال

فرض کنید شماره‌ کارت این شخص عزیز که نمیدونیم کی هستش رو میخوایم اعتبارسنجی کنیم. "6037697646845005" است:

1. از چپ به راست شروع می کنیم اولی ضربدر دو، دومی ضربدر یک، سومی ضربدر دو و ... اگه هم بزرگ تر از 9 شده منهای 9 میکنیم:

result =  3 + 0 + 6 + 7 + 3 + 9 + 5 + 6 + 8 + 6 + 7 + 4 + 1 + 0 + 0 + 5

حاصل جمعشون مساوی میشه با 70 پس شماره کارت معتبر هستش 🍸

خب هوش مصنوعی ادامه توضیحاتو بده:
کاربردهای الگوریتم Luhn

1. اعتبارسنجی شماره‌های کارت اعتباری:
- تمامی کارت‌های اعتباری صادر شده توسط شرکت‌های مالی معتبر از الگوریتم Luhn برای اعتبارسنجی شماره کارت‌ها استفاده می‌کنند.

2. شماره‌های شناسایی ملی:
- برخی کشورها از الگوریتم Luhn برای اعتبارسنجی شماره‌های شناسایی ملی استفاده می‌کنند.

3. شماره‌های شناسایی محصول:
- برخی از کدهای محصول و شماره‌های سریال از این الگوریتم برای اطمینان از صحت داده‌های ورودی استفاده می‌کنند.

4. سیستم‌های مالی و بانکی:
- در بسیاری از فرآیندهای پرداخت و انتقال وجه، الگوریتم Luhn برای بررسی صحت شماره‌های حساب و کارت‌ها استفاده می‌شود.

مزایا و محدودیت‌ها

مزایا:
- سادگی و کارایی: الگوریتم بسیار ساده است و به راحتی پیاده‌سازی می‌شود.
- جلوگیری از خطاهای تایپی: بیشتر خطاهای تایپی در وارد کردن شماره‌های شناسایی را تشخیص می‌دهد.

محدودیت‌ها:
- امنیت: الگوریتم Luhn برای امنیت طراحی نشده است و نمی‌تواند از جعل شماره‌ها جلوگیری کند.
- تشخیص محدود: تنها قادر به تشخیص خطاهای ساده است و نمی‌تواند همه انواع خطاها را شناسایی کند.

الگوریتم Luhn به دلیل سادگی و کارایی بالا، به طور گسترده در سیستم‌های مختلف برای اعتبارسنجی شماره‌های شناسایی مورد استفاده قرار می‌گیرد.

بریم سراغ پیاده سازیش تو گولنگ:

package main

import (
  "fmt"
  "strconv"
)

func main() {
  fmt.Println(Valid("6037697646845005"))
}

func Valid(cardNumber string) bool {
  var sum int

  for i := 0; i < len(cardNumber); i++ {
    intNum, _ := strconv.Atoi(string(cardNumber[i]))

    if (i+1)%2 != 0 {
      if intNum*2 > 9 {
        sum += (intNum * 2) - 9
      } else {
        sum += intNum * 2
      }
    } else {
      sum += intNum
    }
  }

  return sum%10 == 0
}

#luhn

@Syntax_Fa boost