# تعديل نسخة من المشهد يغيّر الأصل: افحص النسخ السطحي قبل بناء البدائل

> **الرابط:** https://aiseza.com/554/python-scene-variants-deepcopy-nested-state/
> **الكاتب:** INESSE MOUSBIR
> **النشر:** 2026-11-04
> **آخر تحديث:** 2026-11-04

## الإجابة المختصرة

قد ينشئ dict(scene) قاموساً خارجياً جديداً مع بقاء القائمة والكاميرا متداخلتين بالمرجع مع الأصل. يعيد هذا المثال الأثر ثم يستعمل deepcopy، ويفحص في 13 طريقة محلية ما يستقل وما يبقى مشتركاً داخل النسخة. التجربة على بيانات Python، مع مقارنة JSON منفصلة، ولا تتضمن تحرير صورة أو طلب نموذج.

## كرسي وعدسة يكفيان لإعادة إنتاج المشكلة

يبدأ المثال بقاموس صغير: props قائمة تحتوي chair، وcamera قاموس فيه lens_mm بقيمة 35. تمرره إلى broken_variant مع lamp، ثم تفحص الأصل نفسه. تصبح قائمته chair ثم lamp، وتصبح قيمة العدسة 85. لم نعدل صورة ولم نطلب من نموذج تغيير زاوية؛ هذه بيانات Python في الذاكرة. تغير الأصل يفسر نوعاً من الأخطاء التي قد تصل لاحقاً إلى وصف مشهد، لكن التجربة لا تحتاج إلى واجهة توليد كي تعيد إنتاج مشاركة المراجع.

تبدو الدالة المعيبة كأنها أنشأت نسخة لأنها تبدأ بـ dict(scene). وفعلاً هناك قاموس خارجي جديد، لكن القيم المتداخلة لم تصبح مستقلة بهذه العملية. عندما تنفذ append على القائمة الموجودة تحت props، فإنك تصل إلى القائمة التي يشير إليها الأصل أيضاً. والأمر نفسه مع تعديل lens_mm داخل camera. لا يكفي النظر إلى اسم المتغير result أو وجود تعليمة نسخ في السطر الأول؛ يجب تتبع أي كائن تعدله الأسطر التالية.

يحفظ test_baseline_changes_original_list النتيجة الخاصة بالقائمة، ويحفظ test_baseline_changes_original_camera النتيجة الخاصة بالكاميرا. فصلناهما حتى يظل أثر كل مسار واضحاً. يمكن أن تصلح تغيير القائمة وتنسى قاموس الكاميرا، أو العكس، فلا ينبغي أن يختبئ أحد الأثرين وراء وصف عام يقول إن النسخة مستقلة. ويظل تشغيل الدالة المعيبة هنا حالة تعليمية على بيانات صغيرة تملكها الاختبارات، لا إجراءً ننصح بربطه بقالب مشروعك الفعلي.

تظهر الصورة الرئيسية مجسمين لكرسيين أخضرين ومصباحين نحاسيين على صينيتين، مع وسادتين مختلفتي اللون وبطاقة فارغة بينهما. تمثل فكرة بديلين للمشهد، لكنها ليست نتيجة رندر بيانات المثال ولا دليلاً على تغير كاميرا فعلية. قيمة lens_mm اسم حقل اختاره هذا المشروع؛ كتابتها 85 في قاموس لا تحرك عدسة ولا تضمن مظهراً بصرياً معيناً. الدليل التنفيذي هنا هو مقارنة البيانات والمراجع في الاختبارات المرفقة.

## فرّق بين استبدال حقل وتعديل الكائن الذي يشير إليه

ينشئ النسخ السطحي كائناً مركباً جديداً مع مراجع إلى عناصر الأصل، بينما ينسخ deepcopy العناصر المتداخلة ويستعمل سجل memo. [Python 3.12 copy reference](https://docs.python.org/3.12/library/copy.html)

النسخ السطحي لا يعني أن كل تعديل على القاموس الجديد سيعبر إلى الأصل. أضفنا test_outer_rebinding_differs_from_nested_mutation لهذا السبب. ننشئ shallow بواسطة dict(original)، ثم نسند إلى shallow[props] قائمة جديدة تحتوي table. تبقى قائمة الأصل محتوية chair. لقد بدلنا المرجع الموجود في حقل القاموس الجديد، ولم ننفذ append داخل القائمة القديمة المشتركة. هذه حالة فعلية مختلفة عن السطر الذي أعاد إنتاج المشكلة في الدالة المعيبة.

يمكن تصور الفرق بتتبع الحاويات لا أسماء المتغيرات. في الحالة الأولى يملك قاموسان حقلين يشيران إلى القائمة نفسها، فتعديل تلك القائمة يراه الطرفان. في حالة الإسناد الجديد، نجعل أحد الحقلين يشير إلى قائمة أخرى، ويبقى الحقل في الأصل متصلاً بقائمته السابقة. لا تحتاج هذه المقارنة إلى قياس عناوين الذاكرة أو الاعتماد على قيمة مطبوعة من id. نختبر ما نريده مباشرة: نتيجة الأصل وهوية الحاويات التي يفترض أن تستقل.

تختلف المساواة عن الهوية أيضاً. قائمتان يمكن أن تحتوي كل منهما chair وتكونا متساويتين في القيم، مع أنهما كائنان مختلفان. ويستعمل اختبار الهوية assertIsNot حين يريد التأكد من أن قائمة البديل ليست قائمة الأصل. لذلك لا تستبدل كل اختبارات النسخ بمقارنة نصية للقواميس؛ قد تتساوى القيم قبل التعديل مع بقاء علاقة مرجعية غير مقصودة. اختر assertion يجيب عن السؤال الذي يهم كل حالة بدلاً من تكرار مقارنة واحدة لجميع الخصائص.

يصبح هذا الفرق عملياً عند صيانة دالة أكبر تضيف عناصر ثم تعيد بناء بعض الحقول. قد يمنع إعادة ربط حقل واحد أثراً جانبياً في مسار، بينما يترك قاموساً فرعياً آخر مشتركاً. افحص الأسطر التي تعدل القيم المتداخلة ولا تكتفِ بإصلاح القائمة التي ظهرت أولاً في بلاغ الخطأ. في مثالنا نعرف الحقلين اللذين يتغيران، ونستعملهما لتحديد ما يجب أن يبقى في الأصل وما يجب أن يظهر في البديل، دون افتراض أن كل بنية بيانات تتطلب العلاج نفسه.

## ابن البديل العميق ثم حدد ما تغير فعلاً

تبدأ scene_variant بـ deepcopy(scene)، ثم تضيف prop إلى props في الناتج وتضع lens_mm على 85 في كاميرته. لا تتغير بقية الخطوات إلى محرك توليد؛ الفرق التنفيذي المقصود هو نسخ البنية المتداخلة قبل تعديلها. تتوقع حالة test_fixed_result ناتجاً محدداً: props تحتوي chair وlamp، والكاميرا تحتوي 85. وفي test_fixed_preserves_original نقارن الأصل مع fixture جديدة للتأكد من بقائه بالقائمة القديمة والعدسة 35 بعد استدعاء الدالة.

يؤكد test_nested_objects_are_distinct أن قائمة props وقاموس camera في البديل مختلفان عن نظيريهما في الأصل. لا نحول ذلك إلى عبارة تقول إن deepcopy تنشئ نسخة مختلفة لكل قيمة مهما كان نوعها. نطاق بياناتنا قواميس وقوائم وقيم بسيطة، ولدينا لاحقاً مثال مرجع مشترك مقصود يبقى داخل النسخة. نريد فصل البديل عن الأصل في الحاويات التي نعدلها، مع فهم ما تحتفظ به عملية النسخ من علاقات داخلية بدلاً من تسميتها عزلاً مطلقاً بلا شروط.

يضيف test_original_extra_field_kept ملاحظة عربية مشهد إلى البيانات، ثم يفحص بقاء هذا الحقل في ناتج scene_variant. يفيد هذا عند مقارنة النسخ العام بإعادة بناء قاموس جديد من حقلين تختارهما يدوياً. لم نجرب كل حقل إضافي أو نوع مخصص، لكن الحالة المسجلة تبين أن الدالة لم تسقط الملاحظة في هذا المشهد. وإذا أصبحت لديك بنية محددة ومقيدة، فقد تختار منشئاً صريحاً يحدد الحقول؛ عندئذ اختبر ما يحتفظ به وما يرفضه بصورة مستقلة.

تقبل الدالة في المثال مشهداً يملك الحقول المتوقعة، ولا تحتوي مدقق مخطط كاملاً. كما لا توجد قاعدة تمنع تكرار الدعامة التي تضيفها. في test_duplicate_prop_is_not_filtered نمرر chair نفسها فتكون القائمة chair مرتين. هذه نتيجة فعلية للعقد الحالي، وليست فشل النسخ العميق. إذا أراد مشروعك دعائم فريدة أو حقول كاميرا ذات حدود معينة، فضع تلك القواعد في مرحلة واضحة واختبرها؛ لا تنسبها إلى deepcopy أو إلى نجاح حالة lamp البسيطة.

### scene_variants.py

```
from copy import deepcopy

def broken_variant(scene,prop):
    result=dict(scene)
    result['props'].append(prop)
    result['camera']['lens_mm']=85
    return result

def scene_variant(scene,prop):
    result=deepcopy(scene)
    result['props'].append(prop)
    result['camera']['lens_mm']=85
    return result
```

اجتازت المجموعة الأصلية 8 طرق والإضافية 5 طرق، بمجموع 13 طريقة محلية على Python 3.12.3 في Windows. تشمل النتيجة قواميس وقوائم وقيم بسيطة وضوابط JSON، مع مخرجات محفوظة في actual-scenes.json. لم يشغّل رندر أو تعديل صورة أو واجهة أو نموذج، ولم يقس وقت أو ذاكرة.

## البديلان مستقلان عن بعضهما في الاختبار المحدد

ينشئ test_variants_independent بديلين من الأصل نفسه، أحدهما يضيف lamp والآخر table. بعد ذلك يضيف book إلى قائمة البديل الأول. يتوقع الاختبار أن تبقى قائمة البديل الثاني chair وtable. هذه خطوة مهمة لأن الحفاظ على الأصل وحده لا يجيب عن العلاقة بين بديلين أنشئا في مرحلتين. نختبر التعديل بعد إنشائهما بدلاً من الاكتفاء بأنهما بدآ بقيم مختلفة، ونبقي الحالة صغيرة بما يكفي لفهم أي مرجع كان سيسبب انتقال book إن وجد.

لا تقيس هذه الحالة ترتيب طلبين شبكيين أو وصول نتيجتين إلى واجهة. يمكن أن يكون كل قاموس مستقل في الذاكرة ومع ذلك تعرض واجهة غير منضبطة صورة طلب قديم بعد طلب جديد. ذلك خطأ مختلف عن مشاركة القائمة. يعالج هذا المثال تجهيز البيانات قبل أي تكامل خارجي. وإذا بنيت واجهة بدائل لاحقاً، فاحتفظ بمعرف الطلب والبديل عند التعامل مع الاستجابة، ولا تصف استقلال القواميس بأنه اختبار لترتيب وصول المخرجات أو حماية من كل حالة سباق.

كذلك لا تعني قيمة 85 أن البديلين أعطيا صورة بعدسة واحدة أو أن تغيير الدعامة وحده كان سبب اختلاف مخرج بصري. لم يمر أي منهما إلى نموذج في هذا التنفيذ. ما نعرفه أن الدالة تضع القيمة نفسها في حقل camera للبديلين، مع إضافة عنصر مختلف في كل قائمة. هذه البيانات قابلة للحفظ والفحص، لكنها ليست قياساً لتأثير العدسة على التوليد. الفصل بين قيمة في وصف وملاحظة على صورة يحافظ على دقة ما تنسبه إلى تجربتك.

في مشروع مقترح يمكن الاحتفاظ بمعرف قاعدة base_id ومعرف variant_id ووصف التعديل المطلوب. تبقى قاعدة المشهد نقطة البداية، ويظهر ما أضيف إلى كل بديل في سجل مستقل. لم ننفذ مدير بدائل أو قاعدة بيانات في هذه التجربة، لكن هذا التصميم يعطي مكاناً واضحاً لاستقلال البيانات الذي اختبرناه. ويتيح لك لاحقاً ربط طلب توليد معين ببياناته دون أن تضطر إلى تخمين أي قاموس كان نشطاً عند وصول الصورة.

## مرجعان داخل النسخة قد يظلان مشتركين عن قصد

ينشئ test_alias_within_clone_is_preserved الحقل backup_camera ويجعله يشير إلى قاموس camera نفسه في الأصل. بعد deepcopy تكون camera وbackup_camera داخل البديل مرتبطتين بالكائن الفرعي نفسه، مع انفصاله عن كاميرا الأصل. هذه ليست ثغرة في الإصلاح، بل علاقة داخلية حافظت عليها عملية النسخ باستعمال سجلها memo. إذا كان فهمك للنسخ العميق يفترض فصل كل مرجع عن كل مرجع آخر، فستفاجئك هذه الحالة رغم أن البديل لا يعدل الأصل.

وسعنا الفحص في test_alias_inside_clone_still_shares_changes. بعد إنشاء البديل نعدل lens_mm عبر backup_camera إلى 50، ثم نفحص أن camera في البديل ترى 50 أيضاً، بينما تبقى كاميرا الأصل 35. يجمع هذا الاختبار أثرين يجب عدم خلطهما: المشاركة ما زالت موجودة داخل رسم البديل، لكنها لا تمتد إلى الرسم الأصلي في هذه الحالة. ولا نحتاج إلى وصف كل المراجع بأنها جيدة أو سيئة؛ المهم هل هذه المشاركة توافق المعنى الذي تريد حفظه.

إذا كان backup_camera في تطبيقك يفترض نسخة احتياطية لا تتغير مع الكاميرا الحالية، فإن جعل الحقلين يشيران إلى الكائن نفسه كان قراراً خاطئاً في بيانات البداية. deepcopy لا يستنتج معنى كلمة backup من اسم المفتاح. احتج إلى بنية تمثل القيمتين بصورة مستقلة أو إلى عملية نسخ أخرى محددة عند إنشاء الحقل الاحتياطي، ثم اختبر التعديل المطلوب. المثال يبين لماذا ينبغي مراجعة علاقات المصدر، لا اختيار أداة نسخ ثم انتظارها أن تصلح نية لم تكتبها في البيانات.

يمكن أن يعبر الرسم المشترك عن معنى مشروع فعلي، مثل إعداد واحد يرجع إليه أكثر من موضع. وعندئذ قد يكون الحفاظ على العلاقة داخل كل بديل هو الاختيار الصحيح. احفظ الاختبار الذي يعبر عن هذا المعنى قبل تغيير المنشئ إلى بناء حقول مستقل يقطع المشاركة. ولا تستبدل assertIs أو assertIsNot بمقارنة قيم متساوية حين يكون المطلوب عقد هوية. التعديل اللاحق هو الذي يكشف الأثر، كما أظهرت حالة 50 في البديل مع بقاء 35 في الأصل.

## JSON ليس بديلاً مطابقاً لنسخ رسم كائنات Python

يفحص test_json_roundtrip_does_not_preserve_alias قاموساً يشير فيه camera وbackup_camera إلى الكاميرا نفسها، ثم يجري json.dumps وبعده json.loads. تتساوى قيم الكاميرتين الناتجتين، لكنهما ليستا الكائن نفسه. هذه نتيجة فعلية تختلف عن اختبار deepcopy الذي حافظ على العلاقة داخل الرسم. لذلك لا تقدم التسلسل إلى JSON ثم قراءته كبديل عام مطابق للنسخ العميق لمجرد أنه ينتج قواميس تبدو متساوية عند الطباعة. نوع العلاقة التي تريد حفظها يحدد ما الذي يجب اختباره.

تعرض حالة test_tuple_kept_by_copy_becomes_list_in_json فرقاً آخر. نضيف tags على صورة tuple تحتوي a وb. تبقى tuple في ناتج scene_variant، بينما تصبح list بعد دورة JSON في الاختبار. قد يكون ذلك مقبولاً إذا كان عقد التخزين يريد مصفوفات JSON، لكنه ليس نسخاً يحافظ على كل أنواع Python كما كانت. لا نحتاج إلى وصف أحد الناتجين بأنه أفضل على الإطلاق؛ نحتاج إلى تسمية التحويل الذي يحدث عند الانتقال بين تمثيل داخل الذاكرة وتمثيل للتخزين.

حفظنا actual-scenes.json مع القيم الأصلية والبديل وحقول وصفية تسجل هل كانت علاقة الكاميرا مشتركة قبل النسخ وبعده وبعد دورة JSON. وجود هذه الحقول مهم لأن JSON المعروض وحده لا يعبر عن هوية مراجع Python. قد ترى قاموسين بالقيم نفسها ولا تستطيع من الملف وحده معرفة هل كانا الكائن نفسه قبل الحفظ. الملف يحفظ نتيجة ملاحظتنا المحلية لهذه الحالة، ولا يحول صيغة JSON إلى لغة تحفظ الرسم المرجعي تلقائياً.

إذا احتاج تنسيق مشروع لاحق إلى تمثيل مشاركة مقصودة بعد إعادة الفتح، فيمكن تصميم معرفات صريحة للعناصر ومراجع إليها. هذه خطة بيانات مختلفة تحتاج كود تحميل وفحصاً خاصاً بها، ولم ننفذها هنا. لا تعتمد على أن اسم backup_camera سيعيد العلاقة عند القراءة، أو على أن JSON متساوية القيم تعني هوية مشتركة. حدد هل تريد قيمتين مستقلتين أم مرجعاً واحداً مشتركاً، ثم اختر تمثيل الملف الذي يستطيع التعبير عن قرارك واختبر إعادة بنائه.

## اختيار النسخ يبدأ من عقد البيانات التي تملكها

البيانات في المثال موثوقة وصغيرة ولا تحتوي مقابض ملفات أو اتصال شبكة أو كائنات ذات hooks مخصصة للنسخ. لا نفحص كيف تتصرف تلك الأنواع مع deepcopy، ولا نقيس ذاكرة أو زمناً. لذلك لا تستنتج من بقاء قاموس الكاميرا سليماً أن نسخ كل حالة تطبيق كاملة بالطريقة نفسها قرار مناسب. يمكن أن تتضمن حالة التطبيق موارد لها عمر وملكية يختلفان عن قائمة دعائم نصية، وتحتاج إلى فصلها قبل التفكير في وصف المشهد الذي تريد تعديله.

قد يكون إنشاء بنية جديدة صراحة أوضح عندما تكون الحقول المطلوبة محدودة ويجب التحقق منها. لكن ذلك يعني أن عليك أن تختار ما تحتفظ به، بما فيه الملاحظة العربية أو أي حقل جديد. الاختبار الذي يحفظ note يساعد على رؤية ما قد يسقط في منشئ يدوي إن لم يحدد عقده جيداً. لم نقارن منشئاً آخر في الأداء أو نثبت تفوق أسلوب معين؛ نستعمل هذه الحالة لتحديد سؤال عملي عند استبدال طريقة النسخ، وهو هل الناتج يحتفظ بالحقول التي ما زالت مطلوبة.

يمكن أيضاً أن تقرر تمثيل بعض القيم بصورة لا تتغير وتعيد إنشاء الأجزاء المعدلة فقط. هذه بدائل تصميم خارج التنفيذ الحالي. عند تقييمها، حافظ على حالات الأصل والبديلين والمرجع المشترك حتى تعرف ما السلوك الذي تغير. لا تجعل اسم تقنية جديدة بديلاً عن تحديد النتيجة المطلوبة. فالعقد الذي يريد كاميرا مستقلة عن الأصل مع بقاء مشاركة داخل البديل يختلف عن عقد يريد فك المشاركة داخل البديل نفسه، حتى لو حمل كلاهما عنوان عزل الحالة.

قبل إضافة بيانات من واجهة أو ملف، حدد نوع الحقول وما الذي يحدث إذا غاب props أو لم تكن قائمة. هذا المثال لا يطبق مدقق مخطط أو استعادة تلقائية لقيم مفقودة. والاسم scene_variant لا يكفي لإثبات قبول كل مشهد. افحص مدخلات التكامل في طبقة تتعرف على مصدرها، ثم سلم بنية مناسبة إلى عملية النسخ. بذلك يبقى خطأ المخطط مختلفاً عن أثر المراجع الذي أعادت اختباراتنا إنتاجه، ويسهل تفسير الرفض بدلاً من إخفائه داخل تعديلات عشوائية.

## اربط اختيار البديل بطلبه في التصميم المقترح

في واجهة مشاهد مقترحة، يمكن أن يختار المستخدم قاعدة ثم يطلب بديل lamp أو table. جهز بيانات كل اختيار كقيمة مستقلة واربطها بمعرف قبل إرسال أي طلب خارجي. إذا غير المستخدم اختياره أثناء انتظار المخرج، يظل لديك سجل بالبيانات التي خرج بها كل طلب. لم نشغل واجهة أو شبكة هنا، لكن هذا يوضح أين تستعمل نتيجة النسخ التي اختبرناها: في تجهيز طلب محدد، لا في الاعتماد على قاموس عام يتغير تحت أسماء بدائل متعددة.

لا تجعل معاينة صورة هي السجل الوحيد لوصف المشهد. قد تنشأ المعاينة بعد تعديل النص أو تختلف عن طلب سابق، ولا تكشف وحدها هل بيانات camera وprops جاءت من الأصل أم من بديل. احتفظ بقيمة الوصف التي اعتمدت عند الطلب، وبإعدادات التوليد الفعلية عندما تتوافر الأداة. سجلاتنا الحالية تصف كائنات Python ومخرج الصورة التوضيحية المستقل؛ لا تحتوي إيصالاً بأن lamp أو table أرسلتا إلى نموذج وأنتجتا صورتين للمقارنة.

تساعد تسمية الحقول قبل الدمج أيضاً. يرتبط بذلك المقال المستقل عن [دمج إعدادات يحافظ على القيم الصريحة](https://aiseza.com/497/python-config-merge-false-zero/): لا تستبدل الصفر أو False بقيمة افتراضية قبل أن تصل إلى مرحلة النسخ. العثور على القيمة الصحيحة وفصل المراجع سؤالان مختلفان. يمكن أن ينسخ البرنامج قيمة خاطئة باستقلال كامل، أو يختار القيمة الصحيحة ثم يعدلها في الأصل عرضاً. اختبر المعنى أولاً ثم العلاقة التي تسمح بالتعديل، بدلاً من وصف نجاح deepcopy بأنه إصلاح لكل مشكلة إعداد.

إذا أضفت لاحقاً رجوعاً أو إعادة تنفيذ، فحدد ما الذي تحفظه كل خطوة من التاريخ. هل هي بيانات مستقلة للبديل، أم تعديلات تطبق على قاعدة معروفة الإصدار؟ كل خيار يحتاج assertions تخصه، ولا تقدمه هذه الدالة تلقائياً. ويمكن الاستفادة من حالتي التعديل الداخلي وإعادة الربط لبناء اختبار رجوع مناسب. لا نضيف هنا تاريخاً صورياً أو نخترع نتيجة ضغط زر؛ نحدد فقط العقد الذي ينبغي بناؤه حول الوحدة قبل عرض ميزة للمستخدم.

## اقرأ المجموعتين وعدد الطرق دون تضخيم التجربة

تضم المجموعة الأصلية 8 طرق: أثر القائمة في الأصل، وأثر الكاميرا، وبقاء الأصل بعد الإصلاح، والناتج المحدد، واستقلال البديلين، وهوية الحاويات، والمشاركة داخل النسخة، وبقاء الحقل العربي الإضافي. كل طريقة تشير إلى مدخلات fixture واضحة يمكن قراءتها. لا يعني العدد أن ثماني صور عُدلت أو ثماني جلسات بشرية جرت. نعد طرق unittest التي شغلت على البيانات المحلية، ونحتفظ بأسمائها ونتائجها وبصمة المصدر المرتبطة بها.

تضيف المجموعة الثانية 5 طرق تخص إعادة ربط الحقل الخارجي، وأثر المرجع المشترك داخل النسخة، وفقد علاقة الهوية بعد دورة JSON، وتغير tuple إلى list في تلك الدورة، وبقاء الدعامة المكررة. المجموع 13 طريقة مختلفة على Python 3.12.3 في Windows. ليست بعض هذه الحالات اختبارات للدالة وحدها؛ بعضها ضوابط مقارنة لفهم قرار النسخ أو التسلسل. ولذلك نصف دور كل حالة بدلاً من تحويل كل سطر نجاح إلى ضمان عام عن مشاهد أو موارد لم تدخل فيها.

احفظ scene_variants.py وtest_example.py وtest_contract.py في مجلد واحد، ثم استعمل python -m unittest discover -s . -p test_example.py -v للمجموعة الأصلية، والأمر نفسه مع test_contract.py للإضافية. هذه تعليمات تشغيل في نسختك، بينما يحتفظ السجل بمسار المفسر ومجلد الاكتشاف الفعليين. اقرأ المصدر أولاً؛ فهو يوضح أن الدالة المعيبة موجودة لإعادة إنتاج الأثر، وأن الدالة المصححة تعمل على بيانات صغيرة داخل الاختبار، لا على ملفاتك أو خدمة توليد خارجية.

إذا عدلت دالة النسخ أو أضفت حقولاً أو غيرت صيغة الحفظ، أعد الحالات التي تصف هذا التغيير. لا تكفي نتيجة قديمة إذا تغير المصدر تحت الاسم نفسه. والاحتفاظ بعلاقة الهوية في الذاكرة لا يعني أن ملف JSON سيعيدها عند تحميله، كما بينت المجموعة الثانية. اكتب ما الذي تريد إثباته عند كل حد ثم اختر assertion مناسباً له: مساواة قيم أو اختلاف هوية أو بقاء الأصل بعد تعديل البديل. هذه أسئلة متكاملة لا بدائل متطابقة.

## افصل الملف المحفوظ عن ملاحظة الهوية في الذاكرة

يمكن للقارئ فتح actual-scenes.json لرؤية قائمة الدعائم وقيم الكاميرا في الأصل والبديل اللذين استعملناهما، مع حقول وصفية لعلاقات alias المسجلة أثناء التنفيذ. لا يحفظ الملف نفسه عناوين كائنات أو يعيد خلق المشاركة عند قراءته. ولذلك لا تستعمله وحده لاختبار assertIs في جلسة أخرى. شغل الاختبار الذي يبني العلاقة في الذاكرة، ثم افحص النتيجة. يبقى الملف مفيداً للقيم المرئية، بينما يبقى الاختبار ضرورياً لمعنى الهوية الذي لا يظهر في الطباعة العادية.

وإذا حفظت ناتج صورة في مشروع لاحق، فامنحه معرف أصل واربطه بمعرف البديل ونسخة بياناته. الصورة الناتجة ليست بديلاً عن وصف الطلب، والعكس صحيح؛ يمكن أن يتغير وصف دون أن يوجد مخرج جديد بعد. لم ننفذ هذا الحفظ في خدمة أو قاعدة بيانات، لكن وجود أكثر من تمثيل في المثال يبين لماذا يجب أن تكون الأسماء واضحة. الوصف حالة بيانات، والمخرج ملف بصري، وسجل الاختبار ملاحظة على تنفيذ محدد لكل منهما عند وجوده.

لا تحتاج إلى تغيير أسماء ملفات الصور لتصحيح مشاركة المراجع في دالة Python. ابدأ من المصدر الصغير الذي يعيد إنتاج الأثر، ثم راجع كيف تمرر الواجهة بياناتها إليه. إذا تبين أن الحقل backup_camera يجب أن يكون مستقلاً، أصلح إنشاءه واختبر المعنى المطلوب. وإذا كان من المفترض أن يشترك مع camera داخل البديل، فاحتفظ بالحالة التي تثبت ذلك. علاج مشكلتين متشابهتين في العرض قد يتطلب قرارين مختلفين في رسم البيانات، لا استبدالاً آلياً لكل نسخة سطحية في المشروع.

عند التسليم، احتفظ بالمصدر والاختبارات والقيم التي أعادت إنتاج المشكلة وبالقرار الذي اتخذته لعلاقة الأصل بالبدائل. تتيح المجموعة قراءة الفرق بين dict(scene) وdeepcopy في هذا العقد، وتضيف أمثلة تمنع الخلط بين المساواة والهوية أو بين JSON والنسخ. يمكن تطويرها لاحقاً إلى مدير مشاهد أو أداة توليد حين تبنى تلك الطبقات وتختبر فعلاً. أما النتيجة الحالية فهي إصلاح قابل للتكرار في بيانات Python، مع حدود واضحة لما تغير وما بقي مشتركاً.

### test_example.py

```
import unittest
from scene_variants import broken_variant,scene_variant
def fixture():return {'props':['chair'],'camera':{'lens_mm':35}}
class CopyTests(unittest.TestCase):
 def test_baseline_changes_original_list(self):
  scene=fixture();broken_variant(scene,'lamp');self.assertEqual(scene['props'],['chair','lamp'])
 def test_baseline_changes_original_camera(self):
  scene=fixture();broken_variant(scene,'lamp');self.assertEqual(scene['camera']['lens_mm'],85)
 def test_fixed_preserves_original(self):
  scene=fixture();scene_variant(scene,'lamp');self.assertEqual(scene,fixture())
 def test_fixed_result(self):self.assertEqual(scene_variant(fixture(),'lamp'),{'props':['chair','lamp'],'camera':{'lens_mm':85}})
 def test_variants_independent(self):
  scene=fixture();a=scene_variant(scene,'lamp');b=scene_variant(scene,'table');a['props'].append('book');self.assertEqual(b['props'],['chair','table'])
 def test_nested_objects_are_distinct(self):
  scene=fixture();v=scene_variant(scene,'lamp');self.assertIsNot(v['props'],scene['props']);self.assertIsNot(v['camera'],scene['camera'])
 def test_alias_within_clone_is_preserved(self):
  scene=fixture();scene['backup_camera']=scene['camera'];v=scene_variant(scene,'lamp');self.assertIs(v['camera'],v['backup_camera']);self.assertIsNot(v['camera'],scene['camera'])
 def test_original_extra_field_kept(self):
  scene=fixture();scene['note']='مشهد';self.assertEqual(scene_variant(scene,'lamp')['note'],'مشهد')
```

### test_contract.py

```
import unittest,json
from scene_variants import scene_variant
from test_example import fixture

class SceneContractTests(unittest.TestCase):
    def test_outer_rebinding_differs_from_nested_mutation(self):
        original=fixture();shallow=dict(original);shallow['props']=['table']
        self.assertEqual(original['props'],['chair'])

    def test_alias_inside_clone_still_shares_changes(self):
        original=fixture();original['backup_camera']=original['camera']
        variant=scene_variant(original,'lamp');variant['backup_camera']['lens_mm']=50
        self.assertEqual(variant['camera']['lens_mm'],50)
        self.assertEqual(original['camera']['lens_mm'],35)

    def test_json_roundtrip_does_not_preserve_alias(self):
        original=fixture();original['backup_camera']=original['camera']
        decoded=json.loads(json.dumps(original))
        self.assertEqual(decoded['camera'],decoded['backup_camera'])
        self.assertIsNot(decoded['camera'],decoded['backup_camera'])

    def test_tuple_kept_by_copy_becomes_list_in_json(self):
        original=fixture();original['tags']=('a','b')
        self.assertIsInstance(scene_variant(original,'lamp')['tags'],tuple)
        self.assertIsInstance(json.loads(json.dumps(original))['tags'],list)

    def test_duplicate_prop_is_not_filtered(self):
        self.assertEqual(scene_variant(fixture(),'chair')['props'],['chair','chair'])
```

أُعد المقال بمساعدة أدوات ذكاء اصطناعي ومراجعات آلية. شُغلت الشيفرة الأصلية محلياً ضمن نطاق الاختبارات المسجل. الصورة الرئيسية توضيحية، وليست تصويراً ميدانياً أو دليلاً على اختبار متصفح أو جدول بيانات أو فيديو.

## المصادر

- [Python 3.12 copy reference](https://docs.python.org/3.12/library/copy.html)
