Python در توسعه موبایل: اتوماسیون، AI و ML

Python چیست؟

Python — زبانی تفسیرشونده با تایپ‌دهی پویای قوی و مدیریت خودکار حافظه است. توسط گیدو ون روسوم در سال 1991 ایجاد شد. فلسفه زبان (The Zen of Python) خوانایی کد را ترویج می‌کند: «آشکار بهتر از ناآشکار»، «ساده بهتر از پیچیده». Python 3.12+ از تطبیق الگو (match-case) و جنریک‌های بهبودیافته پشتیبانی می‌کند.

کتابخانه استاندارد Python شامل ماژول‌هایی برای کار با JSON (json)، HTTP (urllib)، آرشیوها (zipfile)، عبارات منظم (re) و پایگاه‌های داده (sqlite3) است. طرف سوم — ده‌ها هزار بسته در PyPI با مجموع بیش از 500 میلیارد بارگیری. PyPI (Python Package Index) — بزرگترین مخزن بسته‌های Python.

Python از مفسر CPython نوشته شده به زبان C استفاده می‌کند. پیاده‌سازی‌های جایگزین: PyPy (کامپایل JIT، 2–5 برابر سریع‌تر برای Python خالص)، Cython (کامپایل Python به C)، Numba (JIT برای محاسبات عددی). برای اسکریپت‌های موبایل CPython کافی است — سرعت تفسیر برای وظایف اتوماسیون حیاتی نیست.

نسخه‌های Python

پشتیبانی از Python 2 در سال 2020 متوقف شد. همه پروژه‌های مدرن از Python 3 استفاده می‌کنند. نسخه فعلی — 3.13 (2025) با کامپایلر JIT بهبودیافته و پشتیبانی آزمایشی از رشته‌های آزاد (free-threaded Python). برای توسعه موبایل نسخه 3.11–3.12 پایدار است که با تمام کتابخانه‌های اصلی سازگار است.

Python برای اتوماسیون توسعه موبایل

Python — زبان اصلی برای اسکریپت‌های اتوماسیون در توسعه موبایل. از آن برای ساخت APK و IPA، پردازش منابع متنی، تولید صفحه‌ها از طرح‌ها و استقرار در فروشگاه‌های برنامه استفاده می‌شود. بر اساس داده‌های Bitrise (2025)، بیش از 60٪ از خطوط لوله CI/CD برنامه‌های موبایل شامل مراحل Python هستند.

رایج‌ترین سناریو — Fastlane با Ruby تمام نیازها را پوشش نمی‌دهد و Python آن را تکمیل می‌کند: منطق پیچیده پردازش تصویر، کار با API App Store Connect، تجزیه گزارش‌های Xcode و تولید اسکرین‌شات‌ها. اسکریپت‌های Python از طریق مراحل sh در Fastfile یا مستقیماً در GitHub Actions فراخوانی می‌شوند.

# اسکریپت برای تغییر خودکار اندازه اسکرین‌شات‌های برنامه
import os
from PIL import Image

def resize_screenshots(input_dir: str, output_dir: str, size: tuple) -> None:
    """تمام اسکرین‌شات‌های PNG را به اندازه مورد نیاز فروشگاه تغییر می‌دهد."""
    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))

در مثال، اسکریپت از تمام فایل‌های PNG در پوشه عبور می‌کند، اندازه آن‌ها را به اندازه iPhone 6.5" (1242x2208) با فیلتر LANCZOS برای بهترین کیفیت تغییر می‌دهد. f-string در print نام فایل را جایگزین می‌کند. این اسکریپت ساعت‌ها کار دستی در آماده‌سازی فروشگاه را ذخیره می‌کند.

پردازش منابع Android

برای Android Python در پردازش منابع متنی (strings.xml)، تولید فایل‌های dimen برای تراکم‌های مختلف صفحه و تبدیل گرافیک برداری مفید است. LXML و xml.etree.ElementTree امکان تجزیه و تغییر منابع XML اندروید را فراهم می‌کنند.

# تولید strings.xml از فایل CSV با ترجمه‌ها
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 در AI و ML: آموزش مدل‌ها برای پلتفرم‌های موبایل

Python — زبان اصلی برای یادگیری ماشین است. TensorFlow، PyTorch، scikit-learn، JAX و Hugging Face Transformers برای Python نوشته شده‌اند. توسعه‌دهندگان موبایل از Python برای آموزش مدل‌هایی استفاده می‌کنند که سپس برای اجرا روی دستگاه به TFLite (Android) یا Core ML (iOS) تبدیل می‌شوند.

TensorFlow Lite — فریم‌ورک Google برای یادگیری ماشین روی دستگاه. مدل آموزش‌دیده در Python از طریق TensorFlow Converter به .tflite تبدیل و از طریق Interpreter API در برنامه Android بارگذاری می‌شود. برای iOS خط لوله مشابهی از طریق PyTorch -> Core ML وجود دارد.

# آموزش یک مدل ساده برای طبقه‌بندی حرکات
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"])

# تبدیل به TFLite پس از آموزش
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")

مدل Sequential شامل دو لایه کانولوشنی (Conv2D) با pooling، یک لایه کاملاً متصل (Dense) و Dropout برای منظم‌سازی است. پس از تبدیل، مدل .tflite 4–6 برابر کمتر از SavedModel اصلی فضا اشغال می‌کند و روی CPU یا GPU موبایل کار می‌کند.

Edge ML و یادگیری فدرال

رویکرد مدرن — آموزش مستقیم روی دستگاه از طریق TensorFlow Federated یا MLX (Apple). اسکریپت Python معماری را تعیین می‌کند و آموزش روی داده‌های کاربر بدون ارسال به سرور انجام می‌شود. این حریم خصوصی را افزایش می‌دهد اما پیاده‌سازی دشوارتری دارد. بیشتر پروژه‌ها از خط لوله کلاسیک استفاده می‌کنند: آموزش Python -> TFLite -> استنتاج روی دستگاه.

Python برای بخش سروری برنامه‌های موبایل

Python — انتخاب محبوبی برای بک‌اند برنامه‌های موبایل است. Django REST Framework (DRF) و FastAPI امکان ایجاد سریع REST API یا سرور GraphQL را فراهم می‌کنند. بک‌اند Python درخواست‌ها را از کلاینت‌های موبایل پردازش می‌کند، احراز هویت را مدیریت می‌کند و داده‌ها را از طریق WebSocket همگام‌سازی می‌کند.

FastAPI — یک فریم‌ورک مدرن با پشتیبانی ناهمزمان، تولید خودکار مشخصات OpenAPI و اعتبارسنجی از طریق Pydantic است. عملکرد FastAPI قابل مقایسه با Node.js و Go — تا 10 000 درخواست/ثانیه روی یک هسته. برای بک‌اند موبایل FastAPI به دلیل سرعت توسعه و مستندات داخلی انتخاب می‌شود.

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]}

مدل Pydantic UserCreate داده‌های ورودی را اعتبارسنجی می‌کند: username و email رشته‌های الزامی هستند، avatar_url اختیاری است. نقاط پایانی ناهمزمان (async def) سرور را در انتظار پایگاه داده مسدود نمی‌کنند. کد وضعیت 201 در صورت ایجاد موفق کاربر بازگردانده می‌شود.

WebSocket برای بلادرنگ

Python از WebSocket از طریق FastAPI WebSocket یا کتابخانه websockets پشتیبانی می‌کند. برای چت‌ها، اعلان‌های بلادرنگ و ویرایش مشترک، WebSocket حمل‌ونقل بهینه است. FastAPI از asyncpg برای کار ناهمزمان با PostgreSQL و aioredis برای کش استفاده می‌کند.

Python برای نمونه‌سازی اولیه و آزمایش ایده‌ها

Python برای نمونه‌سازی سریع ضروری است. توسعه‌دهنده می‌تواند نمونه اولیه API را روی Flask در 15 دقیقه بنویسد و ایده را روی کاربران آزمایش کند، قبل از اینکه در Kotlin/Swift برای تولید پیاده‌سازی کند. هزینه خطا در مرحله نمونه اولیه حداقل است و زمان بررسی فرضیه از هفته‌ها به ساعت‌ها کاهش می‌یابد.

ابزارهای نمونه‌سازی اولیه: Flask (REST حداقلی)، Streamlit (داشبوردها)، Jupyter Notebooks (تحلیل داده)، Flet و Kivy (MVPهای موبایل). نمونه اولیه Python اغلب به مشخصات پیاده‌سازی تولید تبدیل می‌شود: انواع داده، منطق کسب‌وکار و تست‌ها به Kotlin یا Swift منتقل می‌شوند.

اسکریپت‌های تست عملکرد

Python برای تست بار API موبایل از طریق Locust استفاده می‌شود — فریم‌ورکی برای شبیه‌سازی هزاران کاربر. اسکریپت Locust سناریوی رفتار کاربر را توصیف می‌کند و رابط وب RPS، تأخیرها و درصدها را نشان می‌دهد.

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"
        })

@task(2) وزن را مشخص می‌کند — درخواست GET /posts دو برابر بیشتر از POST /posts اجرا می‌شود. wait_time مکث 1–5 ثانیه بین درخواست‌ها را شبیه‌سازی می‌کند. Locust از خط فرمان راه‌اندازی می‌شود و نتایج را در زمان واقعی از طریق رابط وب روی پورت 8089 نشان می‌دهد.

Python در مقابل Kotlin و Swift: چه زمانی کدام را انتخاب کنیم

Python و زبان‌های بومی توسعه موبایل وظایف متفاوتی را حل می‌کنند. Kotlin و Swift — برای UI، ناوبری و دسترسی مستقیم به API پلتفرم. Python — برای اتوماسیون، AI/ML، منطق سرور و نمونه‌سازی اولیه. بر اساس پارامترهای کلیدی مقایسه می‌کنیم.

معماری بهینه: Python برای آموزش مدل‌های AI، اسکریپت‌های CI/CD و بخش سرور، Kotlin/Swift برای UI و یکپارچه‌سازی بومی.

خطاهای رایج هنگام استفاده از Python در توسعه موبایل

اولین خطا — استفاده از نسخه اشتباه Python. در macOS Python 3.9 از پیش نصب شده است، اما برای اسکریپت‌های اتوماسیون نسخه مشخص‌شده از طریق pyenv یا .python-version مورد نیاز است. تفاوت بین 3.9 و 3.12 می‌تواند نحو را بشکند (مثلاً match-case فقط از 3.10 در دسترس است).

دومین خطای رایج — نادیده گرفتن محیط مجازی. وابستگی‌های Python به صورت سراسری بین پروژه‌ها تداخل دارند. برای ایزوله‌سازی از venv یا poetry استفاده کنید. فایل requirements.txt یا pyproject.toml باید برای تکرارپذیری ساخت‌ها در مخزن باشد.

عدم مدیریت خطا — سومین مشکل رایج. اسکریپتی که در صورت نبود فایل یا خطای شبکه از کار می‌افتد، کل خط لوله CI/CD را متوقف می‌کند. از try-except-finally، ثبت وقایع از طریق ماژول logging و بازگرداندن کد غیرصفر در صورت خطا (sys.exit(1)) استفاده کنید.

ترکیب نحو Python 2 و Python 3 — خطای دیگر. print بدون پرانتز، except Exception, e قدیمی و xrange در Python 2 کار می‌کردند اما در Python 3 کار نمی‌کنند. همیشه کد را از طریق flake8 و mypy برای تحلیل استاتیک نوع بررسی کنید.

# بهترین روش: مدیریت خطا در اسکریپت اتوماسیون
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:
        # دستور ساخت اینجا
        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)