🤔 Где лучше расположить логику — в моделях или сериализаторе?

Выбор зависит от типа логики:
- В моделях хранят бизнес-логику, связанную с данными (валидация, вычисления, обработка)
- В сериализаторах хранят логику, связанную с API (конвертация данных, валидация полей)
Если логика нужна в нескольких местах, лучше разместить её в моделях.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 В чем отличия pytz от datetime?

🟠`datetime` – встроенный модуль Python
Модуль datetime позволяет работать с датами и временем, но по умолчанию он не поддерживает часовые пояса.

from datetime import datetime

dt = datetime.now()  # Получаем текущую дату и время
print(dt)  # Например: 2024-02-28 14:30:00.123456
print(dt.tzinfo)  # None (нет информации о часовом поясе)

🟠`pytz` – внешний модуль для работы с часовыми поясами
Библиотека pytz добавляет поддержку часовых поясов и позволяет работать с разными временными зонами.

from datetime import datetime
import pytz

tz = pytz.timezone("Europe/Moscow")  # Часовой пояс Москвы
dt = datetime.now(tz)  # Получаем текущее время с учетом часового пояса

print(dt)  # Например: 2024-02-28 17:30:00+03:00
print(dt.tzinfo)  # Europe/Moscow

🚩Как работать с часовыми поясами правильно?

Создание datetime с часовым поясом pytz

dt = datetime(2024, 2, 28, 15, 0)  # Наивная дата
tz = pytz.timezone("Europe/Moscow")
dt = tz.localize(dt)  # Присваиваем часовой пояс
print(dt)  # 2024-02-28 15:00:00+03:00

Конвертация времени между часовыми поясами

ny_tz = pytz.timezone("America/New_York")
ny_time = dt.astimezone(ny_tz)
print(ny_time)  # Конвертированное время в Нью-Йорке

Использование UTC (лучший подход для серверов)

utc_now = datetime.now(pytz.UTC)  # Текущее время в UTC
print(utc_now)  # Например: 2024-02-28 14:30:00+00:00

Ставь 👍 и забирай 📚 Базу знаний

🤔 Какие есть модели в Django?

Модели представляют структуру базы данных. Основные типы моделей:
- Обычные (models.Model) — стандартные таблицы базы
- Абстрактные (AbstractModel) — базовые классы без создания таблиц
- Proxy-модели — позволяют изменять поведение без изменения схемы
- Many-to-Many модели — используются для связи ManyToManyField
Каждая модель соответствует одной таблице в базе.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 Какие ограничения есть у рекурсии в Python?

Рекурсия — это мощный инструмент, но в Python она имеет ограничения, которые нужно учитывать при написании кода.

🟠Ограничение на глубину рекурсии (`sys.getrecursionlimit()`)
В Python по умолчанию рекурсия ограничена 1000 вызовами, чтобы избежать переполнения стека.

import sys
print(sys.getrecursionlimit())  # 1000 (обычное значение)

Если превысить этот лимит, программа вызовет ошибку

def recursive():
    return recursive()

recursive()  # RecursionError: maximum recursion depth exceeded

🚩Как изменить лимит?

Можно увеличить глубину рекурсии, но это небезопасно

sys.setrecursionlimit(2000)  # Увеличиваем до 2000

🟠Рекурсия требует много памяти
Каждый рекурсивный вызов создаёт новый фрейм в стеке вызовов.

def factorial(n):
    if n == 1:
        return 1
    return n * factorial(n - 1)

print(factorial(10000))  # Ошибка из-за переполнения стека

🟠Отсутствие оптимизации хвостовой рекурсии
Другие языки (например, Lisp, JavaScript) автоматически оптимизируют хвостовую рекурсию (Tail Call Optimization, TCO).
Python не делает этого, поэтому даже "идеальная" рекурсия всё равно переполняет стек.

def tail_recursive(n, acc=1):
    if n == 1:
        return acc
    return tail_recursive(n - 1, n * acc)

print(tail_recursive(1000))  # Всё равно вызовет RecursionError

🟠Рекурсия медленнее цикла
Рекурсивный вызов требует больше накладных расходов (создание стек-фреймов), чем обычный for или while.

# Итеративный вариант (быстрее)
def factorial_iter(n):
    result = 1
    for i in range(1, n + 1):
        result *= i
    return result

# Рекурсивный вариант (медленнее)
def factorial_rec(n):
    if n == 1:
        return 1
    return n * factorial_rec(n - 1)

Ставь 👍 и забирай 📚 Базу знаний

🤔 Что такое models в Django?

Это основа Django ORM. Это Python-классы, которые представляют таблицы базы данных. Внутри моделей определяются поля, методы и связи между объектами. Django автоматически создаёт SQL-запросы на основе моделей.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 В чем отличие @foobar от @foobar()?

В Python @ используется для декораторов, и разница между @foobar и @foobar() заключается в том, вызывается ли сам декоратор с параметрами или без.

🟠`@foobar` — декоратор без вызова
Если мы пишем @foobar, то используется сам декоратор как есть, без передачи аргументов.

def foobar(func):
    def wrapper():
        print("Декоратор вызван!")
        return func()
    return wrapper

@foobar  # Просто передаём функцию в декоратор
def hello():
    print("Hello, world!")

hello()

Вывод

Декоратор вызван!
Hello, world!

🟠`@foobar()` — декоратор с вызовом (и параметрами)
Если декоратор принимает параметры, то он сначала вызывается (foobar()), а потом возвращает сам декоратор.

def foobar(arg):
    def decorator(func):
        def wrapper():
            print(f"Декоратор вызван с аргументом: {arg}")
            return func()
        return wrapper
    return decorator

@foobar("Привет")  # Вызываем foobar("Привет"), который вернёт реальный декоратор
def hello():
    print("Hello, world!")

hello()

Вывод

Декоратор вызван с аргументом: Привет
Hello, world!

Ставь 👍 и забирай 📚 Базу знаний

🤔 Как создать объект в Django ORM?

Создание объекта можно выполнить через:
- Метод create() — Model.objects.create(name="Example")
- Создание экземпляра и save() —
- obj = Model(name="Example")
- obj.save()
- Использование get_or_create() — создаёт объект, если он отсутствует
ORM Django упрощает взаимодействие с базой, используя Python-классы вместо SQL-запросов.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

На easyoffer 2.0 появится:
🎯 Тренажер "Проработка вопросов"

✅ Метод интервальных повторений и флеш-карточки
✅ Персональный подход изучения на основе ваших ответов
✅ Упор на самые частые вопросы

📌 Интервальные повторения по карточкам это научно доказанный метод эффективного обучения. Каждая карточка – это вопрос, который задают на собеседовании, вы можете выбрать "Не знаю", "Знаю", "Не спрашивать". После ответа вам показывается правильный ответ и возможность изучить вопрос подробнее (примеры ответов других людей). От ваших ответов зависит то, как часто карточки будут показываться на следующей тренировке. Трудные вопросы показываются чаще, простые – реже. Это позволяет бить в слабые места. Кроме того, изначальный порядок карточек зависит от частотности (вероятности встретить вопрос).

🚀 Благодаря этому тренажеру вы сможете очень быстро подготовиться к собеседованию, т.к. фокусируетесь отвечать на самые частые вопросы. Именно так готовился я сам, когда искал первую работу программистом.

Уже в течение недели я объявлю о старте краудфандинговой кампании на сбор финансирования, чтобы ускорить разработку сайта. Все кто поддержит проект до официального релиза получат самые выгодные условия пользования сервисом. А именно 1 год доступа к сайту по цене месячной подписки.

‼️ Очень важно, чтобы как можно больше людей поддержали проект в первые дни, по-этому те кто окажет поддержку первыми получат еще более выгодную стоимость на годовую подписку и существенный 💎 бонус о котором я позже расскажу в этом телеграм канале. Подписывайтесь, чтобы узнать о старте проекта раньше других и воспользоваться лимитированными вознаграждениями.

🤔 Что такое type?

В Python type — это встроенная функция и метакласс, который:
Определяет тип объекта (type(obj)).
Создаёт новые классы динамически (type(name, bases, attrs)).

🟠1. `type(obj)`: Определение типа объекта
Функция type(obj) возвращает класс (тип) объекта.

print(type(42))         # <class 'int'>
print(type("hello"))    # <class 'str'>
print(type([1, 2, 3]))  # <class 'list'>

if type(42) is int:
    print("Это целое число!")

🟠`type(name, bases, attrs)`: Создание класса динамически
Функция type может создавать новые классы "на лету".

MyClass = type("MyClass", (object,), {"x": 10, "hello": lambda self: "Hello!"})

obj = MyClass()
print(obj.x)       # 10
print(obj.hello()) # Hello!

🟠`type` как метакласс
В Python type — это метакласс для всех классов, то есть классы тоже являются объектами type.

class A:
    pass

print(type(A))  # <class 'type'>

Ставь 👍 и забирай 📚 Базу знаний

🤔 Какая разница в быстродействии между Django и Flask (и почему)?

Flask обычно быстрее Django, потому что он легковеснее и не имеет встроенных "тяжелых" компонентов (ORM, middleware, шаблонизатора). Django включает больше абстракций, что замедляет работу, но облегчает разработку.
Однако на больших проектах разница минимальна, так как основной фактор скорости – база данных, кэширование и архитектура.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 Что делать если нужно перехватить исключение, выполнить действия и опять возбудить это же исключение?

Если нужно:
Перехватить исключение
Выполнить какие-то действия (лог, очистка, уведомление и т. д.)
Снова выбросить это же исключение

try:
    x = 1 / 0  # Ошибка деления на ноль
except ZeroDivisionError:
    print("Ошибка! Записываем в лог...")
    raise  # Повторно выбрасываем то же исключение

Вывод

Ошибка! Записываем в лог...
Traceback (most recent call last):
  File "noscript.py", line 2, in <module>
    x = 1 / 0
ZeroDivisionError: division by zero

Пример: Логирование перед повторным выбросом

import logging

logging.basicConfig(filename="errors.log", level=logging.ERROR)

try:
    user_input = int("abc")  # Ошибка ValueError
except ValueError as e:
    logging.error(f"Ошибка: {e}")  # Записываем в лог
    raise  # Повторно выбрасываем исключение

Пример: Очистка ресурсов перед выбросом исключения

try:
    file = open("data.txt", "r")
    data = file.read()
except FileNotFoundError:
    print("Файл не найден. Освобождаем ресурсы...")
    raise  # Снова выбрасываем исключение
finally:
    file.close()  # Гарантированно закроет файл

Ставь 👍 и забирай 📚 Базу знаний

🤔 Как в Django работает система аутентификации?

Имеет встроенную систему аутентификации, которая:
- Управляет пользователями, группами, разрешениями.
- Использует User-модель, которую можно расширять (AbstractUser, AbstractBaseUser).
- Поддерживает аутентификацию по паролю, cookies, токенам (DRF), соцсетям (OAuth).
- Предоставляет login, logout, authenticate, is_authenticated.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 Что такое многопоточность/многопроцессорность?

В программировании многопоточность и многопроцессорность помогают выполнять задачи параллельно, но работают по-разному.

🟠Многопоточность (Multithreading)
Многопоточность позволяет одной программе запускать несколько потоков (threads), которые работают одновременно.

import threading
import time

def task(name):
    print(f"{name} начал работу")
    time.sleep(2)
    print(f"{name} завершил работу")

# Создаём два потока
t1 = threading.Thread(target=task, args=("Поток 1",))
t2 = threading.Thread(target=task, args=("Поток 2",))

t1.start()
t2.start()

t1.join()
t2.join()
print("Все потоки завершены")

Вывод

Поток 1 начал работу
Поток 2 начал работу
Поток 1 завершил работу
Поток 2 завершил работу
Все потоки завершены

🟠2. Многопроцессорность (Multiprocessing)
Многопроцессорность запускает отдельные процессы, которые работают полностью независимо и могут использовать разные ядра процессора.

import multiprocessing
import time

def task(name):
    print(f"{name} начал работу")
    time.sleep(2)
    print(f"{name} завершил работу")

if __name__ == "__main__":
    p1 = multiprocessing.Process(target=task, args=("Процесс 1",))
    p2 = multiprocessing.Process(target=task, args=("Процесс 2",))

    p1.start()
    p2.start()

    p1.join()
    p2.join()
    print("Все процессы завершены")

Вывод (процессы действительно работают параллельно)

Процесс 1 начал работу
Процесс 2 начал работу
Процесс 1 завершил работу
Процесс 2 завершил работу
Все процессы завершены

Ставь 👍 и забирай 📚 Базу знаний

🤔 Для чего используют Pydantic в FastAPI?

Pydantic в FastAPI используется для:
- Валидации данных – автоматически проверяет и преобразует входные данные.
- Автоматической генерации OpenAPI-схем.
- Удобного управления моделями – типизация улучшает читаемость и отладку.
Он заменяет Django Forms/Serializers, но работает быстрее благодаря Cython.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

На easyoffer 2.0 появится новый раздел:
Задачи с собеседований

🟠Задачи на Алгоритмические, Live-coding и System Design из реальных собеседований
🟠Вероятность встретить ту или иную задачу
🟠Возможность подготовиться к задачам конкретной компании

Есть много сайтов, на которых можно тренироваться решать задачи, но у них у всех одна проблема – сами задачи люди просто выдумывают. На easyoffer 2.0 вы сможете готовиться к live-coding и system design секциям на основе задач из реальных собеседований. Вы можете найдете самые частые задачи и сделаете упор на их решение.

Считаные дни остались до старта краудфандинговой кампании, чтобы ускорить разработку easyoffer 2.0. Все кто, поддержал проект на этом этапе смогу получить 1 год доступа к сайту по цене месячной подписки, а те кто поддержат проект раньше других ито дешевле + получат существенный бонус. Следите за стартом 👉 в этом телеграм канале.

🤔 Что такое git stash?

git stash — это команда в Git, которая сохраняет незакоммиченные изменения во временное хранилище (stash) и очищает рабочую директорию.

🚩Когда это полезно?

Нужно переключиться на другую ветку, но есть незаконченные изменения. Хочешь сохранить текущую работу, но не коммитить её. Нужно экспериментировать, но без риска потерять код.

🚩Как использовать `git stash`?

Сохранить изменения в stash

git stash

Посмотреть список сохранённых изменений

git stash list

Выведет список всех stash-ов

stash@{0}: WIP on main: 1234567 Добавил новую фичу
stash@{1}: WIP on dev: 89abcde Исправил баг

Восстановить сохранённые изменения

git stash pop  # Восстановит изменения и удалит stash

ИЛИ

git stash apply  # Восстановит, но stash останется в списке

Удалить stash после применения

git stash drop stash@{0}  # Удалит конкретный stash
git stash clear  # Удалит все stash'и

🚩Пример использования

Сценарий
- Ты работаешь в ветке main, но нужно срочно переключиться на dev.
- У тебя есть изменения, которые ты не хочешь коммитить.
Решение

git stash          # Сохраняем изменения
git checkout dev   # Переключаемся на другую ветку
# Делаем нужную работу...
git checkout main  # Возвращаемся в основную ветку
git stash pop      # Восстанавливаем изменения

Ставь 👍 и забирай 📚 Базу знаний

🤔 Как бы отнесся к смене Django на Flask?

Зависит от задачи. Flask хорош для легковесных API, но Django упрощает разработку полноценных приложений благодаря встроенным компонентам (ORM, Admin, Auth). Если нужен гибкий API, Flask – отличная альтернатива.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 Какие есть особенности исключения в Python?

В Python исключения (exceptions) — это специальные объекты, которые возникают при ошибках и прерывают выполнение программы, если их не обработать.

Все исключения в Python — это объекты, унаследованные от BaseException.

try:
    1 / 0
except ZeroDivisionError as e:
    print(type(e))  # <class 'ZeroDivisionError'>
    print(e)  # division by zero

Все исключения унаследованы от BaseException:

BaseException
 ├── Exception
 │   ├── ArithmeticError
 │   │   ├── ZeroDivisionError
 │   │   ├── OverflowError
 │   ├── ValueError
 │   ├── IndexError
 │   ├── KeyError
 │   ├── TypeError
 ├── SystemExit
 ├── KeyboardInterrupt

Можно перехватывать несколько исключений

try:
    x = int("abc")  # Ошибка ValueError
except (ValueError, TypeError) as e:
    print(f"Ошибка: {e}")

Если не знаем, какая ошибка может произойти:

try:
    x = 1 / 0
except Exception as e:
    print(f"Ошибка: {e}")  # division by zero

finally выполняется всегда

try:
    1 / 0
except ZeroDivisionError:
    print("Ошибка!")
finally:
    print("Этот код выполнится всегда")

raise позволяет выбрасывать исключения вручную

raise ValueError("Ошибка: неверное значение!")

Можно создать свой класс ошибки, унаследованный от Exception:

class MyError(Exception):
    pass

raise MyError("Это моя ошибка!")

Ставь 👍 и забирай 📚 Базу знаний

На easyoffer 2.0 появится:
Тренажер "Реальное собеседование"

🟠 Сценарии вопросов из реального собеседования
🟠Возможность подготовиться к собеседованию в конкретную компанию
🟠Итоговая статистика (прошёл/не прошёл)

Сценарий вопросов взят из реального собеседования. То есть вы тренируетесь на тех вопросах, которые действительно задавались в компании X.

Уже в начале следующей недели стартует краудфандинг кампания, чтобы ускорить разработку easyoffer 2.0. Все кто, поддержал проект на этом этапе смогу получить 1 год доступа к сайту по цене месячной подписки. Первые 150 донатеров получать особо-выгодную цену и бонус. Следите за стартом 👉 в этом телеграм канале, в нем информация о старте будет опубликована за 6 часов до официального начала.

🤔 Почему предпочитаешь Flask?

- Гибкость – нет "навязанной" структуры, можно легко менять архитектуру.
- Производительность – быстрее, так как нет лишних абстракций.
- Простота – минимальный код, удобен для REST API и микросервисов.
Flask лучше для API-first решений, но для крупных проектов удобнее Django.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний

🤔 За счет чего асинхронность работает быстрее?

Асинхронность в Python позволяет не блокировать выполнение программы во время ожидания операций ввода-вывода (I/O). Это делает её намного быстрее в задачах, где программа тратит много времени на ожидание (например, загрузка файлов, работа с сетью, запросы к базам данных).

🟠Как работает синхронный код (медленный вариант)
В обычном (синхронном) коде каждая операция ждёт завершения предыдущей.

import requests
import time

start = time.time()

def fetch(url):
    response = requests.get(url)  # Ждём ответа от сервера
    return response.text

urls = ["https://example.com"] * 3

for url in urls:
    fetch(url)  # Ждём каждый запрос

print("Время выполнения:", time.time() - start)

🟠Как работает асинхронный код (быстрее!)
Асинхронность в Python использует event loop (цикл событий), который позволяет не ждать выполнения операции, а переключаться на другие задачи.

import asyncio
import aiohttp
import time

start = time.time()

async def fetch(url):
    async with aiohttp.ClientSession() as session:
        async with session.get(url) as response:
            return await response.text()

async def main():
    urls = ["https://example.com"] * 3
    tasks = [fetch(url) for url in urls]
    await asyncio.gather(*tasks)  # Запускаем все запросы одновременно

asyncio.run(main())

print("Время выполнения:", time.time() - start)

Ставь 👍 и забирай 📚 Базу знаний