Vindicar

Документ PEP 8 (на который ссылается PyCharm) описывает рекомендуемую стилизацию кода на питоне. Чем единообразнее код, тем проще одному человеку будет читать код другого. И не стоит забывать, что ты сам через полгода - это всё равно что другой человек.
Ряд инструментов позволяет автоматически проверить соответствие заданного кода стилю PEP 8, и PyCharm в их числе.

Я создавал лабораторную по этой теме, могу привести инструкцию.

1. Загрузите набор утилит opencv(гугл-диск, но я советую поискать самостоятельно), в частности opencv_createsamples и opencv_traincascade, а также необходимые им DLL-библиотеки. Распакуйте их в рабочий каталог в корне диска, без русских букв и пробелов в названии. Здесь и далее предполагается, что C:\MyDirName - ваш рабочий каталог.
   
2. Подготовьте фото вашего объекта. Используйте контрастный объект без движущихся частей, и желательно не дающий бликов. Для этой цели хорошо подходят логотипы.
   
3. Подготовьте отрицательные примеры (не менее 100 изображений). Для этого можно снять короткое видео помещения, затем написать программу, которая разделяет это видео на отдельные кадры. Рекомендуется поместить их в отдельный подкаталог negatives.
   
4. Подготовьте файлы, содержащие список файлов в этом каталоге. Их можно сгенерировать следующей парой команд в терминале:
   

   dir C:\MyDirName\negatives\*.jpg /B /S >C:\MyDirName\negatives\negatives_abs.txt

   
   

   dir C:\MyDirName\negatives\*.jpg /B >C:\MyDirName\negatives\negatives_rel.txt

   
   
5. Создайте пустые подкаталоги C:\MyDirName\positives и C:\MyDirName\training. Поместите ваше изображение - положительный пример в каталог C:\MyDirName\ и назовите его positive.jpg. В качестве положительного примера желательно разместить ваш объект на светлом фоне, если он тёмный, и наоборот.
   
6. Сгенерируйте положительные примеры с помощью утилиты opencv_createsamples. Команда будет выглядеть примерно следующим образом:
   

   C:\MyDirName\opencv_createsamples.exe -info positives\info.lst -img positive.jpg -bg negatives\negatives_rel.txt -maxxangle 0.1 -maxyangle 0.1 -maxzangle 0.1 -bgcolor 0 -bgthresh 0 -w 50 -h 50 -num 100

   
   Параметры:
   -info - выходной файл.
   -img - входное изображение - положительный пример
   -bg - фоновые изображения. Положительный пример будет наложен на них (в оттенках серого).
   -max?angle - допустимые углы поворота примера. Утилита выполнит перспективное преобразование примера перед наложением.
   -bgcolor и -bgthresh задают яркость (среднее и диапазон изменения) для "прозрачного цвета". Например, если ваш объект на белом фоне, задайте эти параметры равными 240 и 15 (диапазон яркости 225-255). Задав оба параметра равными 0, вы отключите эту функцию и все цвета будут непрозрачными.
   -w и -h задают минимальный размер для размещаемой копии вашего образца.
   -num - количество примеров, которые стоит генерировать. Не должно превышать количество изображений в каталоге.
   Утилита должна вывести ряд сообщений вида "Open background image", а в конце вывести "Done".
   
7. Сгенерируйте vec файл следующей командой:
   

   C:\MyDirName\opencv_createsamples.exe -info positives\info.lst -num 100 -w 20 -h 20 -vec positives\positives.vec

   
   где info.lst был сгенерирован в ходе пункта 6.
   -w и -h задают минимальный размер для объекта, распознаваемого в ходе работы каскада.
   -num - количество сгенерированных примеров. Столько же, сколько и в пункте 6.
   
8. Проведите обучение каскада с помощью утилиты opencv_traincascade. Команда будет иметь примерно следующий вид:

   C:\MyDirName\opencv_traincascade.exe -data training -vec positives\positives.vec -bg negatives\negatives_abs.txt -numStages 100 -numPos 100 -numNeg 100 -featureType haar -w 20 -h 20 -minHitRate 0.999 -maxFalseAlarmRate 0.4 -precalcValBufSize 4048 -precalcIdxBufSize 4048 -numThreads 24 -acceptanceRatioBreakValue 10e-5

   
   -data - каталог для рабочих данных, который вы создали в пункте 5.
   -vec - индекс, который был создан в пункте 7.
   -bg - файл со списком отрицательных примеров (используйте абсолютные пути!)
   -numPos и -numNeg - количество положительных примеров (пункт 6) и отрицательных примеров (пункт 3).
   -numStages - максимальное количество этапов каскада. Итоговый каскад может содержать меньшее количество этапов.
   -featureType - определяет тип признаков. Признаки Хаара обучаются медленнее, но зато более точны.
   -w и -h задают минимальный размер для объекта, распознаваемого в ходе работы каскада. Должны строго совпадать с заданными в пункте 7.
   -minHitRate и -maxFalseAlarmRate задают качество работы одного каскада.
   -acceptanceRatioBreakValue определяет момент, когда каскад перестаёт обучаться.
   -precalcValBufSize и -precalcIdxBufSize задают потребление памяти процессом.
   -numThreads определяет число рабочих потоков.
   
9. По итогам обучения в каталоге training должен появиться файл cascade.xml, который можно загружать так же, как типовые каскады, поставляемые с opencv. Обратите внимание, что если вы хотите запустить обучение с начала, нужно очистить содержимое каталога training, иначе утилита будет дообучать существующий каскад.
   

Ну если почитать внимательнее, тебе говорят в чём дело:

File "D:\all\Programming\Парсинг\main.py", line 46, in gather_data
pagination = int(soup.find('div', class_='pagination-wrapper').find('ul', class_='pagination-list css-1vdlgt7').find_all('li', class_='pagination-list-item')[-1].text)
AttributeError: 'NoneType' object has no attribute 'find'

Ты лихим кавалерийским наскоком пытаешься пройти по тегам, а какого-то из них просто нет в странице.
Заверни код хотя бы в try-catch, и имей ввиду - сетевые операции по природе своей ненадёжны. Если сайт не твой, он может не ответить, ответить через полчаса, или прислать гоатсе вместо ответа. Так что нужно быть готовым к худшему.

Можно было чуть-чуть погуглить примеры, и почитать код, там всё написано простым английским:

async def recognize_song(
        self, data: Union[str, pathlib.Path, bytes, bytearray, AudioSegment]
    ) -> Dict[str, Any]:
        """
        Creating a song signature based on a file and searching for this signature in the shazam
        database.
            :param data: Path to song file or bytes
            :return: Dictionary with information about the found song
        """

Т.е. data принимает или путь к файлу, или байты с содержимым файла.
Поэтому ответ на твой вопрос: нужно самому скачать аудиофайл по ссылке, и скачанное содержимое отдать в recognize_song().
Если у тебя ссылка на youtube, то либо используй пакет youtubedl, либо посмотри в примерах есть что-то на тему.

t.join() дождётся завершения для одного потока t. Если нужно дождаться завершения всех трёх потоков, то можно сделать join() в цикле.

caption отдаёт только plaintext (без форматирования). Вроде как есть свойство-список caption_entities, содержащее сведения о форматировании.
Либо попробуй указать это свойство при отправке сообщения, параметром entities = message.caption_entities, либо разбирай элементы этого списка, ищи форматирование, и вставляй его вручную (там указывается позиция в строке, где форматирование начинается/заканчивается).

itertools.chain() и itertools.chain.from_iterable()

Ну если совсем извратиться, то:
* зашифровать программу желаемым ключом
* написать лоадер, который просит у пользователя пароль, загружает файлы основной программы в память, расшифровывает их введённым ключом и пытается запустить точку входа в основную программу.

Тогда подглядеть ключ в лоадере не получится, как и оторвать сам лоадер. Разве что брутфорсить ключ, пытаясь найти такой ключ, который даст на выходе корректные питоновские скрипты.

Примерный путь будет:
1. Загрузить бинарные данные из файла как bytes
2. Расшифровать в памяти, получив исходники
3. Использовать exec()

Альтернативно, вместо исходников можно шифровать байткод, но тогда придётся соображать, как превратить bytes в code object, который можно выполнить через exec(). Теоретически, может помочь marshal.

Схема не 100% надёжная, разумеется.

А вообще, какая у тебя задача? Может, pyarmor подойдёт?