Python στην ανάπτυξη εφαρμογών για κινητά: αυτοματισμός, AI και ML

Τι είναι η Python;

Python — μια διερμηνευόμενη γλώσσα με δυναμική αυστηρήτυποποίηση και αυτόματη διαχείριση μνήμης. Δημιουργήθηκε από τον Guido van Rossum το 1991. Η φιλοσοφία της γλώσσας (The Zen of Python) προάγει την αναγνωσιμότητα του κώδικα: «το ρητό είναι καλύτερο από το άρρητο», «το απλό είναι καλύτερο από το σύνθετο». Η Python 3.12+ υποστηρίζει αντιστοίχιση προτύπων (match-case) και βελτιωμένα generics.

Η τυπική βιβλιοθήκη της Python περιλαμβάνει ενότητες για εργασία με JSON (json), HTTP (urllib), αρχεία (zipfile), κανονικές εκφράσεις (re) και βάσεις δεδομένων (sqlite3). Τρίτο μέρος — δεκάδες χιλιάδες πακέτα στο PyPI με συνολικό αριθμό λήψεων άνω των 500 δισεκατομμυρίων. PyPI (Python Package Index) — το μεγαλύτερο αποθετήριο πακέτων Python.

Η Python χρησιμοποιεί τον διερμηνέα CPython γραμμένο σε C. Εναλλακτικές υλοποιήσεις: PyPy (μεταγλώττιση JIT, 2–5 φορές ταχύτερη για καθαρή Python), Cython (μεταγλώττιση Python σε C), Numba (JIT για αριθμητικούς υπολογισμούς). Για σενάρια κινητών, το CPython είναι αρκετό — η ταχύτητα διερμηνείας δεν είναι κρίσιμη για εργασίες αυτοματισμού.

Εκδόσεις Python

Η Python 2 σταμάτησε την υποστήριξη το 2020. Όλα τα σύγχρονα έργα χρησιμοποιούν Python 3. Η τρέχουσα έκδοση — 3.13 (2025) με βελτιωμένο μεταγλωττιστή JIT και πειραματική υποστήριξη ελεύθερων νημάτων (free-threaded Python). Για ανάπτυξη κινητών, η έκδοση 3.11–3.12 είναι σταθερή, συμβατή με όλες τις κύριες βιβλιοθήκες.

Python για αυτοματισμό ανάπτυξης κινητών

Python — η κύρια γλώσσα για σενάρια αυτοματισμού στην ανάπτυξη κινητών. Χρησιμοποιείται για τη δημιουργία APK και IPA, επεξεργασία πόρων κειμένου, δημιουργία οθονών από σχέδια και ανάπτυξη σε καταστήματα εφαρμογών. Σύμφωνα με τα δεδομένα της Bitrise (2025), πάνω από το 60% των αγωγών CI/CD εφαρμογών κινητών περιλαμβάνουν βήματα Python.

Το πιο συνηθισμένο σενάριο — το Fastlane με Ruby δεν καλύπτει όλες τις ανάγκες και η Python το συμπληρώνει: σύνθετη λογική επεξεργασίας εικόνων, εργασία με το API του App Store Connect, ανάλυση αναφορών Xcode και δημιουργία στιγμιότυπων οθόνης. Τα σενάρια Python καλούνται μέσω βημάτων sh στο Fastfile ή απευθείας στο GitHub Actions.

# Σενάριο για αυτόματη αλλαγή μεγέθους στιγμιότυπων οθόνης εφαρμογής
import os
from PIL import Image

def resize_screenshots(input_dir: str, output_dir: str, size: tuple) -> None:
    """Αλλάζει μέγεθος όλων των στιγμιότυπων PNG στο απαιτούμενο μέγεθος καταστήματος."""
    for filename in os.listdir(input_dir):
        if not filename.lower().endswith(".png"):
            continue
        path = os.path.join(input_dir, filename)
        img = Image.open(path)
        resized = img.resize(size, Image.LANCZOS)
        out_path = os.path.join(output_dir, filename)
        resized.save(out_path, "PNG")
        print(f"Resized {filename} -> {out_path}")

resize_screenshots("screenshots_raw", "screenshots_resized", (1242, 2208))

Στο παράδειγμα, το σενάριο διατρέχει όλα τα αρχεία PNG στον φάκελο, αλλάζει το μέγεθός τους σε μέγεθος iPhone 6.5" (1242x2208) με φίλτρο LANCZOS για την καλύτερη ποιότητα. Η f-string στην print αντικαθιστά το όνομα αρχείου. Αυτό το σενάριο εξοικονομεί ώρες χειροκίνητης εργασίας κατά την προετοιμασία του καταστήματος.

Επεξεργασία πόρων Android

Για Android, η Python είναι χρήσιμη στην επεξεργασία πόρων κειμένου (strings.xml), δημιουργία αρχείων dimen για διαφορετικές πυκνότητες οθόνης και μετατροπή διανυσματικών γραφικών. Τα LXML και xml.etree.ElementTree επιτρέπουν την ανάλυση και τροποποίηση XML πόρων Android.

# Δημιουργία strings.xml από αρχείο CSV με μεταφράσεις
import csv
from xml.etree import ElementTree as ET
from xml.dom import minidom

def csv_to_strings(csv_path: str, lang: str) -> str:
    root = ET.Element("resources")
    with open(csv_path, "r") as f:
        reader = csv.DictReader(f)
        for row in reader:
            el = ET.SubElement(root, "string")
            el.set("name", row["key"])
            el.text = row[lang]
    rough = ET.tostring(root, encoding="unicode")
    parsed = minidom.parseString(rough.encode())
    return parsed.toprettyxml(indent="  ")

print(csv_to_strings("translations.csv", "ru"))

Python σε AI και ML: εκπαίδευση μοντέλων για πλατφόρμες κινητών

Python — η κύρια γλώσσα για μηχανική μάθηση. Τα TensorFlow, PyTorch, scikit-learn, JAX και Hugging Face Transformers είναι γραμμένα για Python. Οι προγραμματιστές κινητών χρησιμοποιούν Python για εκπαίδευση μοντέλων που στη συνέχεια μετατρέπονται σε TFLite (Android) ή Core ML (iOS) για εκτέλεση στη συσκευή.

TensorFlow Lite — το πλαίσιο της Google για μηχανική μάθηση στη συσκευή. Το μοντέλο που εκπαιδεύεται σε Python μετατρέπεται σε .tflite μέσω του TensorFlow Converter και φορτώνεται στην εφαρμογή Android μέσω του Interpreter API. Για iOS υπάρχει παρόμοιος αγωγός μέσω PyTorch -> Core ML.

# Εκπαίδευση απλού μοντέλου για ταξινόμηση χειρονομιών
import tensorflow as tf
from tensorflow import keras

model = keras.Sequential([
    keras.layers.Input(shape=(64, 64, 3)),
    keras.layers.Conv2D(32, (3, 3), activation="relu"),
    keras.layers.MaxPooling2D(2, 2),
    keras.layers.Conv2D(64, (3, 3), activation="relu"),
    keras.layers.Flatten(),
    keras.layers.Dense(128, activation="relu"),
    keras.layers.Dropout(0.2),
    keras.layers.Dense(4, activation="softmax")
])

model.compile(optimizer="adam",
              loss="sparse_categorical_crossentropy",
              metrics=["accuracy"])

# Μετατροπή σε TFLite μετά την εκπαίδευση
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
with open("gesture_model.tflite", "wb") as f:
    f.write(tflite_model)

print(f"Model size: {len(tflite_model)} bytes")

Το μοντέλο Sequential περιλαμβάνει δύο συνελικτικά στρώματα (Conv2D) με pooling, ένα πλήρως συνδεδεμένο στρώμα (Dense) και Dropout για κανονικοποίηση. Μετά τη μετατροπή, το μοντέλο .tflite καταλαμβάνει 4–6 φορές λιγότερο χώρο από το αρχικό SavedModel και λειτουργεί σε κινητό CPU ή GPU.

Edge ML και federated learning

Σύγχρονη προσέγγιση — εκπαίδευση απευθείας στη συσκευή μέσω TensorFlow Federated ή MLX (Apple). Το σενάριο Python ορίζει την αρχιτεκτονική και η εκπαίδευση γίνεται στα δεδομένα του χρήστη χωρίς αποστολή στον διακομιστή. Αυτό αυξάνει το απόρρητο αλλά είναι πιο δύσκολο στην υλοποίηση. Τα περισσότερα έργα χρησιμοποιούν τον κλασικό αγωγό: εκπαίδευση Python -> TFLite -> συμπερασματολογία στη συσκευή.

Python για το τμήμα διακομιστή εφαρμογών κινητών

Python — μια δημοφιλής επιλογή για το backend εφαρμογών κινητών. Το Django REST Framework (DRF) και το FastAPI επιτρέπουν τη γρήγορη δημιουργία ενός REST API ή διακομιστή GraphQL. Το backend Python επεξεργάζεται αιτήματα από πελάτες κινητών, διαχειρίζεται την ταυτοποίηση και συγχρονίζει δεδομένα μέσω WebSocket.

FastAPI — ένα σύγχρονο πλαίσιο με ασύγχρονη υποστήριξη, αυτόματη δημιουργία προδιαγραφών OpenAPI και επικύρωση μέσω Pydantic. Η απόδοση του FastAPI είναι συγκρίσιμη με Node.js και Go — έως 10.000 αιτήματα/δευτερόλεπτο σε έναν πυρήνα. Για κινητό backend, το FastAPI επιλέγεται για την ταχύτητα ανάπτυξης και την ενσωματωμένη τεκμηρίωση.

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from typing import List
import sqlite3

app = FastAPI(title="Mobile App API")

class UserCreate(BaseModel):
    username: str
    email: str
    avatar_url: str | None = None

@app.post("/users", status_code=201)
async def create_user(payload: UserCreate):
    conn = sqlite3.connect("app.db")
    cur = conn.execute(
        "INSERT INTO users (username, email) VALUES (?, ?)",
        (payload.username, payload.email)
    )
    conn.commit()
    user_id = cur.lastrowid
    conn.close()
    return {"id": user_id, "username": payload.username}

@app.get("/users/{user_id}")
async def get_user(user_id: int):
    conn = sqlite3.connect("app.db")
    row = conn.execute(
        "SELECT id, username, email FROM users WHERE id = ?",
        (user_id,)
    ).fetchone()
    conn.close()
    if not row:
        raise HTTPException(status_code=404, detail="User not found")
    return {"id": row[0], "username": row[1], "email": row[2]}

Το μοντέλο Pydantic UserCreate επικυρώνει τα δεδομένα εισόδου: το username και email είναι υποχρεωτικές συμβολοσειρές, το avatar_url είναι προαιρετικό. Τα ασύγχρονα τελικά σημεία (async def) δεν μπλοκάρουν τον διακομιστή ενώ αναμένουν τη βάση δεδομένων. Ο κωδικός κατάστασης 201 επιστρέφεται όταν δημιουργείται επιτυχώς ένας χρήστης.

WebSocket για πραγματικό χρόνο

Η Python υποστηρίζει WebSocket μέσω FastAPI WebSocket ή της βιβλιοθήκης websockets. Για συνομιλίες, ειδοποιήσεις σε πραγματικό χρόνο και συνεργατική επεξεργασία, το WebSocket είναι η βέλτιστη μεταφορά. Το FastAPI χρησιμοποιεί asyncpg για ασύγχρονη εργασία με PostgreSQL και aioredis για προσωρινή αποθήκευση.

Python για δημιουργία πρωτοτύπων και δοκιμή ιδεών

Python είναι απαραίτητη για γρήγορη δημιουργία πρωτοτύπων. Ένας προγραμματιστής μπορεί να γράψει ένα πρωτότυπο API σε Flask σε 15 λεπτά και να δοκιμάσει την ιδέα σε χρήστες πριν την υλοποιήσει σε Kotlin/Swift για παραγωγή. Το κόστος ενός λάθους στη φάση του πρωτοτύπου είναι ελάχιστο και ο χρόνος επαλήθευσης της υπόθεσης μειώνεται από εβδομάδες σε ώρες.

Εργαλεία δημιουργίας πρωτοτύπων: Flask (ελάχιστο REST), Streamlit (πίνακες ελέγχου), Jupyter Notebooks (ανάλυση δεδομένων), Flet και Kivy (κινητά MVP). Το πρωτότυπο Python γίνεται συχνά προδιαγραφή για την υλοποίηση παραγωγής: οι τύποι δεδομένων, η επιχειρηματική λογική και τα τεστ μεταφέρονται σε Kotlin ή Swift.

Σενάρια για δοκιμή απόδοσης

Η Python χρησιμοποιείται για δοκιμή φόρτου του κινητού API μέσω Locust — ενός πλαισίου για προσομοίωση χιλιάδων χρηστών. Το σενάριο Locust περιγράφει το σενάριο συμπεριφοράς του χρήστη και η διεπαφή ιστού εμφανίζει RPS, καθυστερήσεις και εκατοστημόρια.

from locust import HttpUser, task, between

class MobileApiUser(HttpUser):
    wait_time = between(1, 5)

    @task(2)
    def get_posts(self):
        self.client.get("/api/v1/posts?page=1")

    @task(1)
    def create_post(self):
        self.client.post("/api/v1/posts", json={
            "title": "Test",
            "body": "Content"
        })

Το @task(2) υποδεικνύει βάρος — το αίτημα GET /posts εκτελείται δύο φορές πιο συχνά από το POST /posts. Το wait_time προσομοιώνει μια παύση 1–5 δευτερολέπτων μεταξύ αιτημάτων. Το Locust ξεκινά από τη γραμμή εντολών και εμφανίζει αποτελέσματα σε πραγματικό χρόνο μέσω της διεπαφής ιστού στη θύρα 8089.

Python εναντίον Kotlin και Swift: πότε να επιλέξετε τι

Python και οι μητρικές γλώσσες ανάπτυξης κινητών λύνουν διαφορετικά προβλήματα. Οι Kotlin και Swift — για UI, πλοήγηση και άμεση πρόσβαση στο API της πλατφόρμας. Η Python — για αυτοματισμό, AI/ML, λογική διακομιστή και δημιουργία πρωτοτύπων. Ας συγκρίνουμε βάσει βασικών παραμέτρων.

Βέλτιστη αρχιτεκτονική: Python για εκπαίδευση μοντέλων AI, σενάρια CI/CD και τμήμα διακομιστή, Kotlin/Swift για UI και μητρική ενσωμάτωση.

Συνηθισμένα λάθη κατά τη χρήση Python στην ανάπτυξη κινητών

Πρώτο λάθος — χρήση λάθος έκδοσης Python. Στο macOS είναι προεγκατεστημένη η Python 3.9, αλλά για σενάρια αυτοματισμού χρειάζεται έκδοση που καθορίζεται μέσω pyenv ή .python-version. Η διαφορά μεταξύ 3.9 και 3.12 μπορεί να σπάσει τη σύνταξη (π.χ., το match-case είναι διαθέσιμο μόνο από 3.10).

Δεύτερο συνηθισμένο λάθος — αγνόηση του εικονικού περιβάλλοντος. Οι εξαρτήσεις Python συγκρούονται παγκοσμίως μεταξύ έργων. Χρησιμοποιήστε venv ή poetry για απομόνωση. Το αρχείο requirements.txt ή pyproject.toml πρέπει να βρίσκεται στο αποθετήριο για αναπαραγωγιμότητα builds.

Έλλειψη διαχείρισης σφαλμάτων — τρίτο συνηθισμένο πρόβλημα. Ένα σενάριο που καταρρέει όταν λείπει ένα αρχείο ή υπάρχει σφάλμα δικτύου σταματά ολόκληρο τον αγωγό CI/CD. Χρησιμοποιήστε try-except-finally, καταγραφή μέσω της ενότητας logging και επιστρέψτε μη μηδενικό κωδικό σε σφάλμα (sys.exit(1)).

Ανάμειξη σύνταξης Python 2 και Python 3 — ένα άλλο λάθος. Η print χωρίς παρενθέσεις, το παλιό except Exception, e και xrange λειτουργούσαν στην Python 2 αλλά όχι στην Python 3. Ελέγχετε πάντα τον κώδικα μέσω flake8 και mypy για στατική ανάλυση τύπων.

# Βέλτιστη πρακτική: διαχείριση σφαλμάτων σε σενάριο αυτοματισμού
import sys
import logging
from pathlib import Path

logging.basicConfig(level=logging.INFO, format="%(levelname)s: %(message)s")
log = logging.getLogger(__name__)

def build_apk(project_dir: str) -> bool:
    path = Path(project_dir)
    if not path.exists():
        log.error(f"Directory {project_dir} not found")
        return False
    try:
        # εδώ εντολή build
        log.info("Build started")
        return True
    except Exception as e:
        log.exception(f"Build failed: {e}")
        return False

if __name__ == "__main__":
    success = build_apk("android/app")
    sys.exit(0 if success else 1)