Le but de cet article est de présenter les particularités spécifiques avec lesquelles Python aborde le XML et de voir comment transformer ces données en n'utilisant, comme pour CSV, LDAP, SQL, que les deux types de base (liste et dictionnaire) de manière à pouvoir les utiliser en combinaison avec des données en provenance de LDAP, d'une base de données relationnelle ou d'un fichier CSV, vus dans de précédents articles.Cet article fait suite au précédent qui abordait le format XML, les schémas et la validation. Le principal exercice de l'article est de sélectionner une partie des données du fichier XML présenté dans le précédent article pour les écrire sous forme de liste de dictionnaires.

Nous avons vu comment manipuler des données issues de fichiers CSV en utilisant conjointement et uniquement listes et dictionnaires et fait une présentation de LDAP.Nous sommes maintenant prêts pour utiliser toutes les spécificités de Python au service d'une classe qui permettra de structurer les appels LDAP.

L'objectif de cet article est de présenter quelques algorithmes simples, courts mais puissants qui nous permettrons de gérer les données en provenance d'un fichier CSV, d'en écrire, puis nous automatiserons le processus en écrivant une classe qui gèrera çà pour nous.

Cet article a pour destination d'expliquer comment dialoguer avec des bases de données relationnelles en continuant d'utiliser les types basiques de Python : les listes et les dictionnaires.

Le but de l'article est de présenter openDocument et de voir quelles sont les interactions possibles avec Python.

L'objectif de cet article est de présenter le XML et de comprendre comment sont représentées les données dans le flux et en utilisant un schéma. Nous aborderons la problématique de la validation.Une seconde partie abordera la manière de manipuler les données en lecture ou en écriture.

De la même manière que nous avons manipulé des données en provenance de CSV ou LDAP en utilisant conjointement et uniquement les listes et les dictionnaires, nous allons gérer des données en provenance de bases relationnelles en utilisant l'ORM SQLAlchemy présenté dans l'article précédent.Nous allons chercher à répondre à des cas d'utilisation concrets et à apercevoir quelques voies qui pourront permettre d'industrialiser du code efficace, simple et performant.

Un code bien maîtrisé doit être simple et court ; le relire trois mois après l'avoir écrit, même lorsque l'on a plus le contexte en tête, ne doit pas poser le moindre problème.L'objectif de cet article est de présenter quelques pratiques permises par Python qui permettent d'être efficace : temps de production raccourci pour le développeur, temps de compréhension et d'assimilation minimal pour le relecteur, performances acceptables pour le code.

Python a l'avantage de présenter peu de types de données, ce qui évite de se perdre dans des choix pas toujours évidents à faire. Cependant, ces types présentent l'avantage de permettre de résoudre à peu près tout les cas de figure.L'objectif de cet article est de les présenter et de montrer comment les utiliser au mieux afin de produire le code le plus efficace, lisible, simple et court possible.