Взаимодействие с HTTP с помощью curl_cffi
Что такое curl_cffi?
curl_cffi - это обертка над библиотекой libcurl, предоставляющая Python-разработчикам удобный интерфейс для отправки HTTP-запросов, управления сессиями и обработки ответов.
Плюсы использования curl_cffi:
- Поддерживает подделку отпечатков JA3/TLS и http2.
- Гораздо быстрее, чем requests/httpx, сопоставимо с aiohttp/pycurl.
- Одинаковый синтаксис как и у requests.
- Предварительно скомпилирован, поэтому вам не нужно компилировать его на вашем компьютере.
- Поддерживает asyncio с поворотом прокси для каждого запроса.
- Поддерживает http 2.0, что не предоставляет requests.
Пример использования curl_cffi:
from curl_cffi import Curl
# Создание объекта Curl
curl = Curl()
# Установка URL
curl.setopt(Curl.URL, 'https://api.example.com')
# Выполнение GET-запроса
curl.perform()
# Получение ответа
response = curl.getvalue()
# Вывод результата выполнения запроса
print(response)
В данном примере мы создаем объект Curl, устанавливаем URL и выполняем GET-запрос. Результат запроса сохраняется в переменной response.
Настройка параметров запроса:
from curl_cffi import Curl
# Создание объекта Curl
curl = Curl()
# Установка URL
curl.setopt(Curl.URL, 'https://api.example.com')
# Установка параметров запроса
curl.setopt(Curl.HTTPHEADER, ['Content-Type: application/json'])
curl.setopt(Curl.POSTFIELDS, '{"key": "value"}')
# Выполнение POST-запроса
curl.perform()
# Получение ответа
response = curl.getvalue()
# Вывод результата выполнения запроса
print(response)
В данном примере мы добавляем заголовок и данные для POST-запроса. Метод setopt используется для установки различных параметров запроса.
Модуль curl_cffi обладает богатым функционалом, таким как управление cookie, обработка редиректов, аутентификация, и многое другое.
Надеюсь, что вы найдете модуль curl_cffi полезным в ваших проектах, требующих взаимодействия с внешними серверами по протоколу HTTP. Для более подробной информации ознакомьтесь с документацией.
#python#curl_cffi
📌ThinkSound: новыйvideo-to-sound инструмент
ThinkSound — духовный наследник mmAudio — который способен генерировать звук к видео с высокой точностью.
▪ Поддерживает chain-of-thoughtпромпты: позволяет по шагам объяснить, как должен звучать объект (например: «это металл, он падает на плитку, должно звучать звонкой эхо»)
▪ Учитывает контекст сцены, физику движения объектов, состав материалов и многое другое
▪ Работает с видео как reasoning-модель, а не просто визуально-аудиофильтр
В демках можно послушать звук шагов на песке, звон разбитого стекла, шум дождя — всё сгенерировано на лету, без записанных сэмплов.
Из минусов - сложно подобрать промпт, но когда получается, то модель выдает годноту.
🟡Github: https://github.com/FunAudioLLM/ThinkSound
🟡Демо: https://thinksound-project.github.io/
🟡Статья: https://arxiv.org/pdf/2506.21448
🟡Проект: https://ThinkSound-Demo.github.io
@ai_machinelearning_big_data
#python#videotosound
👥>>> telegram.Bot()
This group is for questions, answers and discussions around the python-telegram-bot library and, to some extent, Telegram bots in general.
#bot#python#programming#group
#вакансия#Python#Fulltime#remote
◾️Компания: Аккредитованная ИТ компания Devim - FinTech, 9+ лет на рынке
◾️Вакансия: Data Engineer (python)
🌏Формат работы: удаленка откуда угодно (офис по желанию в СПБ, м. Старая деревня), главное - иметь РФ счет для ЗП
💳 Вилка: очень примерная - 250 000-400 000 руб NET, готовы отталкиваться от ожиданий кандидатов
🙏Пожелания к кандидату: 3+ лет опыта с данными в качестве Data Engineer; понимание принципов построения DWH и ETL процесса
➕Как плюс: опыт с оркестрацией ETL на Airflow или аналогах, опыт вывода моделей в прод
🪄Стек: Python, Airflow, PostgreSQL, Clickhouse, Docker, k8s
📍Задачи: строить хранилище данных для DS команды и продуктового офиса, разрабатывать инфраструктуру обработки данных и ML (MLFlow, DBT, Superset). Проект на начальной стадии, нет легаси, только новые фичи и можно будет собрать data фреймворк под себя
🧠 Этапы: всего 2 - тех интервью и финальная встреча с CPO
📬 Кидать резюме сюда: @k_shvt🖖
#вакансия # DataScientist #fulltime#удаленно#Python
👋Привет! Меня зовут Ирина. Я представляю группу компаний Top Selection.
🔥В данный момент мы в поисках DataScientist 🔥 Грейд: midlle+
Рейт: 200-230 К на руки
Формат работы: удаленка
Локация/Гражданство: только РФ
Срок привлечения: до конца 2026
Загрузка: fulltime
Оформление: как ИП
Сфера: ритейл
📝Задачи и обязанности:
• Развивать AI-помощника для сотрудников: улучшать качество ответов, разрабатывать дополнительные интеграции с внутренними базами и документами, разрабатывать новые фичи
• Определять структуру и качество данных для разработки новых фичей/продуктов
• Разрабатывать базовые AI-решения на уровне MVP: от обработки данных и настройки модели до простого интерфейса и интеграции с внутренними системами
• Тестировать, сравнивать и адаптировать различные ML-подходы (классификация, кластеризация, ранжирование) и новые рыночные решения для внутренних продуктов.
• Разрабатывать архитектуру AI-решений и писать чистый, эффективный и поддерживаемый кода на Python.
✅Требования:
• Опыт работы в Data Science от 3 лет
• Высшее образование: IT, техническое, математическое
• Уверенное знание Python, умение писать чистый, поддерживаемый продакшен-код.
• Практический опыт решения задач классического ML: классификация, регрессия, кластеризация.
• Глубокое владение основными библиотеками и фреймворками для анализа данных (scikit-learn, XGBoost/LightGBM, numpy, pandas, plotly/ matplotlib/ seaborn)
• Понимание feature engineering и методологий оценки качества моделей.
• Знание SQL, опыт работы с реляционными СУБД на уровне пользователя
• Умение работать с Git
• Опыт создания и сопровождения ML-сервисов на современных фреймворках (FastAPI, Flask).
• Понимание работы REST/gRPC API.
• Понимание микросервисной архитектуры и контейнеризации (Docker).
• Владение инструментами CI/CD и принципами MLOps для автоматизации развертывания моделей в Kubernetes-окружении
• Навыки настройки логирования и мониторинга для ML-компонентов.
• Знание архитектурных паттернов для LLM.
• Понимание концепций: transformer, механизмы внимания, GPT-архитектуры
• Методы тонкой настройки LLM: LoRA, QLoRA, адаптерные подходы
• Навыки работы с большими языковыми моделями (Hugging Face, vLLM),
• Опыт построения и оптимизации RAG-систем.
• Навыки работы с векторными базами данных (подбор, оптимизация запросов, управление индексами).
• Умение строить и донастраивать сложные взаимодействия с LLM: prompt engineering, prompt chaining, использование function calling и управление контекстом (contextual memory).
• Умение работать с неструктурированными данными
• Способность самостоятельно доводить решения до рабочего прототипа
• Готовность активно погружаться в быстро развивающийся стек LLM-технологий и внедрять их в рабочие продукты.
📲@irazhura87
🚀 Google kutilmaganda Data Science uchun yangi sun’iy intellekt yordamchisini taqdim etdi!
Ushbu AI vositasi bir necha daqiqa ichida to‘liq ishlaydigan bloknot (notebook) yaratadi – ma’lumotlarni yuklashdan tortib yakuniy tahlilgacha barcha jarayonlarni o‘z zimmasiga oladi.
📊AI Python tilida kod yozadi, maʼlumotlarni vizuallashtiradi va qadam-baqadam optimal yechimni taklif qiladi. Sizga faqat hajmi 1 Gb gacha bo‘lgan datasetni yuklash kifoya.
Natijada zerikarli ish va uzluksiz xatolarni tuzatish bilan shug‘ullanmasdan, tayyor kod va grafikalar bilan to‘liq loyiha olasiz.
📌 Sinab ko‘rish uchun havola: colab.google
#Google#DataScience#AI#Python