Python у мобільній розробці: автоматизація, AI та ML

Що таке Python?

Python — інтерпретована мова з динамічною строгою типізацією та автоматичним керуванням пам'яттю. Створена Гвідо ван Россумом у 1991 році. Філософія мови (The Zen of Python) пропагує читабельність коду: «явне краще за неявне», «просте краще за складне». Python 3.12+ підтримує зіставлення зі зразком (match-case) і покращені дженерики.

Стандартна бібліотека Python включає модулі для роботи з JSON (json), HTTP (urllib), архівами (zipfile), регулярними виразами (re) та базами даних (sqlite3). Сторонні — десятки тисяч пакетів у PyPI із загальною кількістю завантажень понад 500 мільярдів. PyPI (Python Package Index) — найбільший репозиторій Python-пакетів.

Python використовує інтерпретатор CPython, написаний на C. Альтернативні реалізації: PyPy (JIT-компіляція, у 2–5 разів швидше для чистого Python), Cython (компіляція Python у C), Numba (JIT для чисельних обчислень). Для мобільних скриптів достатньо CPython — швидкість інтерпретації не критична для завдань автоматизації.

Версії Python

Python 2 припинив підтримку у 2020 році. Всі сучасні проєкти використовують Python 3. Актуальна версія — 3.13 (2025) з покращеним JIT-компілятором та експериментальною підтримкою free-threaded Python. Для мобільної розробки стабільні версії 3.11–3.12, сумісні з усіма основними бібліотеками.

Python для автоматизації мобільної розробки

Python — основна мова для скриптів автоматизації в мобільній розробці. Його використовують для збірки APK та IPA, обробки рядкових ресурсів, генерації екранів із макетів і розгортання в магазинах додатків. За даними Bitrise (2025), понад 60% CI/CD пайплайнів мобільних додатків включають Python-кроки.

Найчастіший сценарій — Fastlane з Ruby не закриває всі потреби, і Python доповнює його: складна логіка обробки зображень, робота з API App Store Connect, парсинг звітів Xcode та генерація скріншотів. Python-скрипти викликаються через sh-кроки у Fastfile або безпосередньо в GitHub Actions.

# Скрипт для автоматичного ресайзу скріншотів додатку
import os
from PIL import Image

def resize_screenshots(input_dir: str, output_dir: str, size: tuple) -> None:
    """Ресайзить всі PNG-скріншоти під необхідний розмір магазину."""
    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))

У прикладі скрипт проходить по всіх PNG-файлах у папці, змінює їх розмір під iPhone 6.5" (1242x2208) з фільтром LANCZOS для найкращої якості. f-рядок у print підставляє ім'я файлу. Цей скрипт економить години ручної роботи при підготовці магазину.

Обробка ресурсів Android

Для Android Python корисний при обробці рядкових ресурсів (strings.xml), генерації dimen-файлів під різну щільність екрану та конвертації векторної графіки. LXML та xml.etree.ElementTree дозволяють парсити та модифікувати XML-ресурси Android.

# Генерація strings.xml із CSV-файлу з перекладами
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 в AI та ML: навчання моделей для мобільних платформ

Python — основна мова для машинного навчання. TensorFlow, PyTorch, scikit-learn, JAX та Hugging Face Transformers написані для Python. Мобільні розробники використовують Python для навчання моделей, які потім конвертуються у TFLite (Android) або Core ML (iOS) для виконання на пристрої.

TensorFlow Lite — фреймворк Google для on-device машинного навчання. Модель, навчена на Python, конвертується в .tflite через TensorFlow Converter і завантажується в Android додаток через Interpreter API. Для iOS аналогічний конвеєр через PyTorch -> Core ML.

# Навчання простої моделі для класифікації жестів
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"])

# Конвертація в TFLite після навчання
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")

Sequential модель включає два згорткові шари (Conv2D) з пулінгом, повнозв'язний шар (Dense) та Dropout для регуляризації. Після конвертації .tflite модель займає в 4–6 разів менше місця ніж вихідний SavedModel і працює на мобільному CPU або GPU.

Edge ML та федеративне навчання

Сучасний підхід — навчання безпосередньо на пристрої через TensorFlow Federated або MLX (Apple). Python-скрипт задає архітектуру, а навчання виконується на користувацьких даних без відправки на сервер. Це підвищує приватність, але складніше в реалізації. Більшість проєктів використовують класичний конвеєр: Python-навчання -> TFLite -> on-device інференс.

Python для серверної частини мобільних додатків

Python — популярний вибір для бекенду мобільних додатків. Django REST Framework (DRF) та FastAPI дозволяють швидко створити REST API або GraphQL-сервер. Python-бекенд обробляє запити від мобільних клієнтів, керує автентифікацією та синхронізує дані через WebSocket.

FastAPI — сучасний фреймворк з асинхронною підтримкою, автоматичною генерацією OpenAPI-специфікації та валідацією через Pydantic. Продуктивність FastAPI порівнянна з Node.js та Go — до 10 000 запитів/с на одному ядрі. Для мобільного бекенду FastAPI обирають за швидкість розробки та вбудовану документацію.

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]}

Pydantic-модель UserCreate валідує вхідні дані: username та email — обов'язкові рядки, avatar_url — опціональний. Асинхронні ендпоінти (async def) не блокують сервер при очікуванні бази даних. Статус-код 201 повертається при успішному створенні користувача.

WebSocket для real-time

Python підтримує WebSocket через FastAPI WebSocket або бібліотеку websockets. Для чатів, сповіщень у реальному часі та спільного редагування WebSocket — оптимальний транспорт. FastAPI використовує asyncpg для асинхронної роботи з PostgreSQL та aioredis для кешування.

Python для прототипування та тестування ідей

Python незамінний для швидкого прототипування. Розробник може написати прототип API на Flask за 15 хвилин і протестувати ідею на користувачах, перш ніж реалізовувати на Kotlin/Swift для продакшену. Вартість помилки на етапі прототипу мінімальна, а час перевірки гіпотези скорочується з тижнів до годин.

Інструменти прототипування: Flask (мінімальний REST), Streamlit (дашборди), Jupyter Notebooks (аналіз даних), Flet та Kivy (мобільні MVP). Python-прототип часто стає специфікацією для продакшен-реалізації: типи даних, бізнес-логіка та тести переносяться на Kotlin або Swift.

Скрипти для тестування продуктивності

Python використовують для навантажувального тестування мобільного API через Locust — фреймворк для симуляції тисяч користувачів. Locust-скрипт описує сценарій поведінки користувача, а веб-інтерфейс показує RPS, затримки та процентилі.

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) вказує вагу — запит GET /posts виконується вдвічі частіше POST /posts. wait_time симулює паузу 1–5 секунд між запитами. Locust запускається з командного рядка і показує результати в реальному часі через веб-інтерфейс на порту 8089.

Python проти Kotlin та Swift: коли що вибирати

Python та нативні мови мобільної розробки вирішують різні завдання. Kotlin та Swift — для UI, навігації та прямого доступу до API платформи. Python — для автоматизації, AI/ML, серверної логіки та прототипування. Порівняємо за ключовими параметрами.

Оптимальна архітектура: Python для навчання AI/моделей, скриптів CI/CD та серверної частини; Kotlin/Swift для UI та native-інтеграції.

Типові помилки при використанні Python у мобільній розробці

Перша помилка — використовувати невірну версію Python. На macOS передустановлено Python 3.9, але для скриптів автоматизації потрібна версія, зафіксована через pyenv або .python-version. Різниця між 3.9 та 3.12 може зламати синтаксис (наприклад, match-case доступний тільки з 3.10).

Друга типова помилка — ігнорування віртуального середовища. Залежності Python глобально конфліктують між проєктами. Використовуйте venv або poetry для ізоляції. Файл requirements.txt або pyproject.toml має бути в репозиторії для відтворюваності збірок.

Відсутність обробки помилок — третя поширена проблема. Скрипт, який падає при відсутності файлу або мережевій помилці, зупиняє весь CI/CD пайплайн. Використовуйте try-except-finally, логування через модуль logging та повертайте ненульовий код при помилці (sys.exit(1)).

Змішування синтаксису Python 2 та Python 3 — ще одна помилка. print без дужок, старий except Exception, e та xrange працювали у Python 2, але не у Python 3. Завжди перевіряйте код через flake8 та mypy для статичного аналізу типів.

# Найкраща практика: обробка помилок у скрипті автоматизації
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:
        # тут команда збірки
        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)