جلسهی 48: پروژهی پایانی: ابزار خط فرمان مدیریت هزینه Capstone: Expense Tracker CLI
همهی مهارتهای دوره را در یک ابزار واقعی کنار هم میگذاریم: مدل داده با dataclass، اعتبارسنجی ورودی، ذخیرهسازی JSON، تست خودکار و یک CLI با گزارش جدولی.
در این جلسه یاد میگیری
- یک مدل دادهی تمیز با
dataclassو تابع اعتبارسنجی با پیامهای خطای دقیق طراحی کنم. - داده را با
JSONذخیره و بازیابی کنم و درستی رفتوبرگشت را بسنجم. - برای منطق برنامه تست
unittestبنویسم و یکCLIباargparseو گزارش همتراز بسازم.
درس
هدف: ابزاری که هزینهها را به شکل YYYY-MM-DD,category,amount بگیرد، ورودی خراب را با پیام روشن رد کند، داده را در expenses.json نگه دارد و گزارش دستهبندیشده بدهد. این همان چرخهای است که در هر پروژهی واقعی طی میکنید: مدل، اعتبارسنجی، ذخیره، تست، رابط کاربری.
2026-10-01,food,120000
2026-10-03,transport,45000لایهبندی: parse_expense فقط متن را به Expense تبدیل میکند، ExpenseBook فقط منطق و ذخیرهسازی را دارد و CLI فقط ورودی و خروجی را. هیچ لایهای کار لایهی دیگر را انجام نمیدهد، پس هر کدام جداگانه قابل تست است.
line -> parse_expense -> Expense -> ExpenseBook -> JSON / reportJSON نوع date ندارد؛ هنگام ذخیره تاریخ را با isoformat() به رشته و هنگام بارگذاری با date.fromisoformat به date برگردانید. یک @classmethod به نام load سازندهی جایگزین (alternative constructor) استاندارد برای این کار است.
@classmethod
def load(cls, path):
with open(path) as f:
rows = json.load(f)
return cls([...])هر مرحله یک برنامهی کامل است و کد مرحلهی قبل را کامل نگه میدارد. مدل Expense و تابع parse_expense در کد اولیهی مراحل بعدی آمادهاند تا روی بخش جدید تمرکز کنید.
مثالهای این جلسه
- مثال پایتون در پایتون: 2026-10-01,food,120000
- مثال پایتون در پایتون: line -> parse_expense -> Expense -> Expense…
- مثال کار با فایل در پایتون: with open(path) as f:
چالشها
- Step 1: Model and Validation (متوسط)
- Step 2: ExpenseBook and JSON (سخت)
- Step 3: Test the Core (سخت)
- Step 4: The CLI and Report (سخت)