موبائل ڈویلپمنٹ میں Python: آٹومیشن، AI اور ML

Python کیا ہے؟

Python متحرک مضبوط ٹائپنگ اور خودکار میموری مینجمنٹ کے ساتھ ایک انٹرپریٹڈ زبان ہے۔ اسے گائیڈو وان روسم نے 1991 میں بنایا تھا۔ زبان کا فلسفہ (Python کا زین) کوڈ پڑھنے کی اہلیت کو فروغ دیتا ہے: «واضح، مضمر سے بہتر ہے»، «سادہ، پیچیدہ سے بہتر ہے»۔ Python 3.12+ پیٹرن میچنگ (match-case) اور بہتر جنرکس کو سپورٹ کرتی ہے۔

Python کی معیاری لائبریری میں JSON (json)، HTTP (urllib)، آرکائیوز (zipfile)، ریگولر ایکسپریشنز (re) اور ڈیٹابیسز (sqlite3) کے ساتھ کام کرنے کے ماڈیولز شامل ہیں۔ تیسرے فریق — PyPI پر ہزاروں پیکجز جن کی کل ڈاؤن لوڈز 500 بلین سے زیادہ ہیں۔ PyPI (Python Package Index) Python پیکجز کا سب سے بڑا ذخیرہ ہے۔

Python C میں لکھے گئے CPython انٹرپریٹر کا استعمال کرتی ہے۔ متبادل نفاذ: PyPy (JIT کمپائلیشن، خالص Python کے لیے 2–5 گنا تیز)، Cython (Python کو C میں کمپائل کرنا)، Numba (عددی کمپیوٹنگ کے لیے JIT)۔ موبائل اسکرپٹس کے لیے CPython کافی ہے — آٹومیشن کے کاموں کے لیے انٹرپریٹیشن کی رفتار اہم نہیں ہے۔

Python کے ورژن

Python 2 کی سپورٹ 2020 میں ختم ہوگئی۔ تمام جدید پروجیکٹ Python 3 استعمال کرتے ہیں۔ موجودہ ورژن 3.13 (2025) ہے جس میں بہتر JIT کمپائلر اور فری تھریڈڈ Python کے لیے تجرباتی سپورٹ ہے۔ موبائل ڈویلپمنٹ کے لیے، ورژن 3.11–3.12 مستحکم ہیں اور تمام اہم لائبریریوں کے ساتھ مطابقت رکھتے ہیں۔

موبائل ڈویلپمنٹ آٹومیشن کے لیے Python

Python موبائل ڈویلپمنٹ میں آٹومیشن اسکرپٹس کے لیے بنیادی زبان ہے۔ یہ APK اور IPA بنانے، سٹرنگ وسائل پر کارروائی کرنے، لے آؤٹ سے اسکرینز بنانے اور ایپ سٹورز پر ڈیپلائے کرنے کے لیے استعمال ہوتی ہے۔ Bitrise (2025) کے مطابق، موبائل ایپلیکیشنز کے 60% سے زیادہ CI/CD پائپ لائنز میں Python کے مراحل شامل ہیں۔

سب سے عام منظر — Fastlane Ruby کے ساتھ تمام ضروریات پوری نہیں کرتا، اور Python اسے پورا کرتا ہے: پیچیدہ امیج پروسیسنگ منطق، App Store Connect API کے ساتھ کام، Xcode رپورٹس کا تجزیہ اور اسکرین شاٹس کی تخلیق۔ Python اسکرپٹس Fastfile میں sh مراحل کے ذریعے یا براہ راست GitHub Actions میں بلائی جاتی ہیں۔

# ایپ اسکرین شاٹس کے خودکار ری سائز کے لیے اسکرپٹ
import os
from PIL import Image

def resize_screenshots(input_dir: str, output_dir: str, size: tuple) -> None:
    """تمام PNG اسکرین شاٹس کو مطلوبہ سٹور سائز میں ری سائز کرتی ہے۔"""
    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))

مثال میں، اسکرپٹ فولڈر میں تمام PNG فائلوں کو دیکھتی ہے، انہیں بہترین کوالٹی کے لیے LANCZOS فلٹر کے ساتھ iPhone 6.5" سائز (1242x2208) میں ری سائز کرتی ہے۔ print میں f-string فائل نام کو تبدیل کرتی ہے۔ یہ اسکرپٹ سٹور کی تیاری میں دستی کام کے گھنٹے بچاتی ہے۔

Android وسائل کی پروسیسنگ

Android کے لیے، Python سٹرنگ وسائل (strings.xml) کی پروسیسنگ، مختلف اسکرین کثافتوں کے لیے dimen فائلیں بنانے اور ویکٹر گرافکس کو تبدیل کرنے میں مفید ہے۔ LXML اور xml.etree.ElementTree Android XML وسائل کو پارس اور تبدیل کرنے کی اجازت دیتے ہیں۔

# تراجم والی CSV فائل سے strings.xml کی تخلیق
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"))

AI اور ML میں Python: موبائل پلیٹ فارمز کے لیے ماڈل کی تربیت

Python مشین لرننگ کے لیے بنیادی زبان ہے۔ TensorFlow، PyTorch، scikit-learn، JAX اور Hugging Face Transformers Python کے لیے لکھے گئے ہیں۔ موبائل ڈویلپر Python کا استعمال ماڈلز کی تربیت کے لیے کرتے ہیں، جو پھر آن ڈیوائس عملدرآمد کے لیے TFLite (Android) یا Core ML (iOS) میں تبدیل کیے جاتے ہیں۔

TensorFlow Lite Google کا آن ڈیوائس مشین لرننگ فریم ورک ہے۔ Python میں تربیت یافتہ ماڈل TensorFlow Converter کے ذریعے .tflite میں تبدیل ہوتا ہے اور Interpreter API کے ذریعے Android ایپ میں لوڈ ہوتا ہے۔ iOS کے لیے، اسی طرح کا پائپ لائن PyTorch -> Core ML استعمال کرتی ہے۔

# اشاروں کی درجہ بندی کے لیے ایک سادہ ماڈل کی تربیت
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"])

# تربیت کے بعد TFLite میں تبدیلی
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 ماڈل میں پولنگ کے ساتھ دو کنوولوشنل پرتیں (Conv2D)، ایک مکمل طور پر منسلک پرت (Dense) اور ریگولرائزیشن کے لیے Dropout شامل ہے۔ تبدیلی کے بعد، .tflite ماڈل اصلی SavedModel سے 4–6 گنا کم جگہ لیتا ہے اور موبائل CPU یا GPU پر چلتا ہے۔

Edge ML اور فیڈریٹڈ لرننگ

جدید طریقہ — TensorFlow Federated یا MLX (Apple) کے ساتھ براہ راست ڈیوائس پر تربیت۔ Python اسکرپٹ فن تعمیر کی وضاحت کرتی ہے، جبکہ تربیت سرور پر بھیجے بغیر صارف کے ڈیٹا پر چلتی ہے۔ اس سے رازداری بہتر ہوتی ہے لیکن نفاذ زیادہ پیچیدہ ہے۔ زیادہ تر پروجیکٹ کلاسک پائپ لائن استعمال کرتے ہیں: Python تربیت -> TFLite -> آن ڈیوائس انفرنس۔

موبائل ایپلیکیشنز کے سرور سائڈ کے لیے Python

Python موبائل ایپ بیک اینڈ کے لیے ایک مقبول انتخاب ہے۔ Django REST Framework (DRF) اور FastAPI تیزی سے REST API یا GraphQL سرور بنانے کی اجازت دیتے ہیں۔ Python بیک اینڈ موبائل کلائنٹس سے درخواستیں پروسیس کرتا ہے، تصدیق کا انتظام کرتا ہے اور WebSocket کے ذریعے ڈیٹا کو ہم آہنگ کرتا ہے۔

FastAPI ایک جدید فریم ورک ہے جس میں غیر مطابقت پذیر سپورٹ، خودکار OpenAPI تفصیلات کی تخلیق اور Pydantic کے ذریعے توثیق ہے۔ FastAPI کی کارکردگی Node.js اور Go کے برابر ہے — ایک کور پر 10,000 درخواستیں/سیکنڈ تک۔ موبائل بیک اینڈز کے لیے، FastAPI کو ترقی کی رفتار اور بلٹ ان دستاویزات کی وجہ سے چنا جاتا ہے۔

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 ماڈل UserCreate ان پٹ ڈیٹا کی توثیق کرتا ہے: username اور email لازمی سٹرنگز ہیں، avatar_url اختیاری ہے۔ غیر مطابقت پذیر اینڈ پوائنٹس (async def) ڈیٹابیس کے انتظار میں سرور کو بلاک نہیں کرتے۔ کامیاب صارف تخلیق پر اسٹیٹس کوڈ 201 لوٹایا جاتا ہے۔

ریئل ٹائم کے لیے WebSocket

Python FastAPI WebSocket یا websockets لائبریری کے ذریعے WebSocket کو سپورٹ کرتا ہے۔ چیٹس، ریئل ٹائم اطلاعات اور مشترکہ ترمیم کے لیے، WebSocket بہترین ٹرانسپورٹ ہے۔ FastAPI غیر مطابقت پذیر PostgreSQL رسائی کے لیے asyncpg اور کیشنگ کے لیے aioredis استعمال کرتا ہے۔

پروٹوٹائپنگ اور آئیڈیاز کے تجربے کے لیے Python

Python تیز رفتار پروٹوٹائپنگ کے لیے ناگزیر ہے۔ ایک ڈویلپر 15 منٹ میں Flask پر پروٹوٹائپ API لکھ سکتا ہے اور پروڈکشن کے لیے Kotlin/Swift میں لاگو کرنے سے پہلے صارفین کے ساتھ آئیڈیا آزما سکتا ہے۔ پروٹوٹائپ مرحلے میں غلطی کی لاگت کم سے کم ہے، اور مفروضے کے تجربے کا وقت ہفتوں سے گھنٹوں میں آجاتا ہے۔

پروٹوٹائپنگ ٹولز: Flask (کم سے کم REST)، Streamlit (ڈیش بورڈز)، Jupyter Notebooks (ڈیٹا تجزیہ)، Flet اور Kivy (موبائل MVP)۔ Python پروٹوٹائپ اکثر پروڈکشن نفاذ کے لیے تفصیلات بن جاتا ہے: ڈیٹا کی اقسام، کاروباری منطق اور ٹیسٹ Kotlin یا Swift پر منتقل کیے جاتے ہیں۔

کارکردگی کی جانچ کی اسکرپٹس

Python Locust کے ساتھ موبائل API کی لوڈ جانچ کے لیے استعمال ہوتی ہے — ہزاروں صارفین کی نقل کرنے کے لیے ایک فریم ورک۔ Locust اسکرپٹ صارف کے رویے کے منظرنامے بیان کرتی ہے، اور ویب انٹرفیس RPS، تاخیر اور فیصد دکھاتا ہے۔

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 بتاتا ہے — GET /posts درخواستیں POST /posts درخواستوں سے دوگنی بار عمل میں آتی ہیں۔ wait_time درخواستوں کے درمیان 1–5 سیکنڈ کے وقفے کی نقل کرتا ہے۔ Locust کمانڈ لائن سے شروع ہوتا ہے اور پورٹ 8089 پر ویب انٹرفیس کے ذریعے ریئل ٹائم نتائج دکھاتا ہے۔

Python بمقابلہ Kotlin اور Swift: کب کیا چنیں

Python اور موبائل کی مقامی زبانیں مختلف مسائل حل کرتی ہیں۔ Kotlin اور Swift UI، نیویگیشن اور براہ راست پلیٹ فارم API رسائی کے لیے ہیں۔ Python آٹومیشن، AI/ML، سرور منطق اور پروٹوٹائپنگ کے لیے ہے۔ آئیے اہم پیرامیٹرز کا موازنہ کریں۔

بہترین فن تعمیر: Python AI/ماڈل تربیت، CI/CD اسکرپٹس اور سرور سائڈ کے لیے؛ Kotlin/Swift UI اور مقامی انضمام کے لیے۔

موبائل ڈویلپمنٹ میں Python استعمال کرتے وقت عام غلطیاں

پہلی غلطی — غلط Python ورژن کا استعمال۔ macOS Python 3.9 پہلے سے انسٹال آتا ہے، لیکن آٹومیشن اسکرپٹس کو pyenv یا .python-version کے ذریعے مقرر کردہ ورژن کی ضرورت ہوتی ہے۔ 3.9 اور 3.12 کے درمیان فرق نحو کو توڑ سکتا ہے (مثال کے طور پر، match-case صرف 3.10 سے دستیاب ہے)۔

دوسری عام غلطی — ورچوئل ماحول کو نظر انداز کرنا۔ Python کے انحصار پروجیکٹس کے درمیان عالمی طور پر ٹکراتے ہیں۔ علیحدگی کے لیے venv یا poetry استعمال کریں۔ تولیدی بلڈز کے لیے requirements.txt یا pyproject.toml فائل ذخیرے میں ہونی چاہیے۔

غلطی سے نمٹنے کا فقدان — تیسرا عام مسئلہ۔ ایک اسکرپٹ جو فائل کی عدم موجودگی یا نیٹ ورک کی خرابی پر کریش ہوتی ہے پوری CI/CD پائپ لائن روک دیتی ہے۔ try-except-finally، logging ماڈیول کے ذریعے لاگنگ استعمال کریں اور غلطی پر غیر صفر کوڈ لوٹائیں (sys.exit(1))۔

Python 2 اور Python 3 کے نحو کا مکس — ایک اور غلطی۔ قوسین کے بغیر print، پرانا except Exception, e اور xrange Python 2 میں کام کرتے تھے لیکن Python 3 میں نہیں۔ جامد قسم کے تجزیہ کے لیے flake8 اور mypy سے کوڈ کو ہمیشہ چیک کریں۔

# بہترین عمل: آٹومیشن اسکرپٹ میں غلطی سے نمٹنا
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:
        # یہاں بلڈ کمانڈ
        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)