0% found this document useful (0 votes)
1 views

Learn Tensorflow 20 Implement Machine Learning And Deep Learning Models With Python 1st Edition Pramod Singh download

The document is about the book 'Learn TensorFlow 2.0: Implement Machine Learning and Deep Learning Models with Python' by Pramod Singh and Avinash Manure, which provides comprehensive coverage of TensorFlow 2.0 and its applications in machine learning and deep learning. It includes chapters on supervised learning, neural networks, image processing, natural language processing, and deploying models in production. The book is aimed at helping readers implement various machine learning and deep learning techniques using Python.

Uploaded by

papxpurvys62
Copyright
© © All Rights Reserved
We take content rights seriously. If you suspect this is your content, claim it here.
Available Formats
Download as PDF, TXT or read online on Scribd
0% found this document useful (0 votes)
1 views

Learn Tensorflow 20 Implement Machine Learning And Deep Learning Models With Python 1st Edition Pramod Singh download

The document is about the book 'Learn TensorFlow 2.0: Implement Machine Learning and Deep Learning Models with Python' by Pramod Singh and Avinash Manure, which provides comprehensive coverage of TensorFlow 2.0 and its applications in machine learning and deep learning. It includes chapters on supervised learning, neural networks, image processing, natural language processing, and deploying models in production. The book is aimed at helping readers implement various machine learning and deep learning techniques using Python.

Uploaded by

papxpurvys62
Copyright
© © All Rights Reserved
We take content rights seriously. If you suspect this is your content, claim it here.
Available Formats
Download as PDF, TXT or read online on Scribd
You are on page 1/ 47

Learn Tensorflow 20 Implement Machine Learning

And Deep Learning Models With Python 1st Edition


Pramod Singh download

https://ebookbell.com/product/learn-tensorflow-20-implement-
machine-learning-and-deep-learning-models-with-python-1st-
edition-pramod-singh-50195358

Explore and download more ebooks at ebookbell.com


Here are some recommended products that we believe you will be
interested in. You can click the link to download.

Applied Deep Learning With Tensorflow 2 Learn To Implement Advanced


Deep Learning Techniques With Python Umberto Michelucci

https://ebookbell.com/product/applied-deep-learning-with-
tensorflow-2-learn-to-implement-advanced-deep-learning-techniques-
with-python-umberto-michelucci-42343962

Applied Deep Learning With Tensorflow 2 Learn To Implement Advanced


Deep Learning Techniques With Python 2nd Edition 2nd Edition Umberto
Michelucci

https://ebookbell.com/product/applied-deep-learning-with-
tensorflow-2-learn-to-implement-advanced-deep-learning-techniques-
with-python-2nd-edition-2nd-edition-umberto-michelucci-42663698

Python Machine Learning Machine Learning And Deep Learning With Python
Scikitlearn And Tensorflow 2 3rd Edition 3rd Edition Raschka

https://ebookbell.com/product/python-machine-learning-machine-
learning-and-deep-learning-with-python-scikitlearn-and-
tensorflow-2-3rd-edition-3rd-edition-raschka-22122808

Learn Tensorflow Enterprise Kc Tung

https://ebookbell.com/product/learn-tensorflow-enterprise-kc-
tung-32705386
Mastering Predictive Analytics With Scikitlearn And Tensorflow Alan
Fontaine

https://ebookbell.com/product/mastering-predictive-analytics-with-
scikitlearn-and-tensorflow-alan-fontaine-7220226

Handson Machine Learning With Scikitlearn And Tensorflow Concepts


Tools And Techniques To Build Intelligent Systems Aurlien Gron

https://ebookbell.com/product/handson-machine-learning-with-
scikitlearn-and-tensorflow-concepts-tools-and-techniques-to-build-
intelligent-systems-aurlien-gron-56897008

Handson Machine Learning With Scikitlearn And Tensorflow Concepts


Tools And Techniques To Build Intelligent Systems Gron

https://ebookbell.com/product/handson-machine-learning-with-
scikitlearn-and-tensorflow-concepts-tools-and-techniques-to-build-
intelligent-systems-gron-22076382

Handson Machine Learning With Scikitlearn And Tensorflow Paperback


Aurlien Gron

https://ebookbell.com/product/handson-machine-learning-with-
scikitlearn-and-tensorflow-paperback-aurlien-gron-10429888

Handson Machine Learning With Scikitlearn And Tensorflow Concepts


Tools And Techniques To Build Intelligent Systems 1st Edition Aurlien
Gron

https://ebookbell.com/product/handson-machine-learning-with-
scikitlearn-and-tensorflow-concepts-tools-and-techniques-to-build-
intelligent-systems-1st-edition-aurlien-gron-49182962
Learn
TensorFlow 2.0
Implement Machine Learning and
Deep Learning Models with Python

Pramod Singh
Avinash Manure

www.allitebooks.com
Learn TensorFlow 2.0
Implement Machine Learning
and Deep Learning Models
with Python

Pramod Singh
Avinash Manure

www.allitebooks.com
Learn TensorFlow 2.0: Implement Machine Learning and Deep Learning
Models with Python
Pramod Singh Avinash Manure
Bangalore, Karnataka, India Bangalore, India

ISBN-13 (pbk): 978-1-4842-5560-5 ISBN-13 (electronic): 978-1-4842-5558-2


https://doi.org/10.1007/978-1-4842-5558-2

Copyright © 2020 by Pramod Singh, Avinash Manure


This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or
part of the material is concerned, specifically the rights of translation, reprinting, reuse of
illustrations, recitation, broadcasting, reproduction on microfilms or in any other physical way,
and transmission or information storage and retrieval, electronic adaptation, computer software,
or by similar or dissimilar methodology now known or hereafter developed.
Trademarked names, logos, and images may appear in this book. Rather than use a trademark
symbol with every occurrence of a trademarked name, logo, or image, we use the names, logos,
and images only in an editorial fashion and to the benefit of the trademark owner, with no
intention of infringement of the trademark.
The use in this publication of trade names, trademarks, service marks, and similar terms, even if
they are not identified as such, is not to be taken as an expression of opinion as to whether or not
they are subject to proprietary rights.
While the advice and information in this book are believed to be true and accurate at the date of
publication, neither the authors nor the editors nor the publisher can accept any legal
responsibility for any errors or omissions that may be made. The publisher makes no warranty,
express or implied, with respect to the material contained herein.
Managing Director, Apress Media LLC: Welmoed Spahr
Acquisitions Editor: Celestin Suresh John
Development Editor: James Markham
Coordinating Editor: Aditee Mirashi
Cover designed by eStudioCalamar
Cover image designed by Freepik (www.freepik.com)
Distributed to the book trade worldwide by Springer Science+Business Media New York,
233 Spring Street, 6th Floor, New York, NY 10013. Phone 1-800-SPRINGER, fax (201) 348-4505,
e-mail orders-ny@springer-sbm.com, or visit www.springeronline.com. Apress Media, LLC is a
California LLC, and the sole member (owner) is Springer Science+Business Media Finance Inc
(SSBM Finance Inc). SSBM Finance Inc is a Delaware corporation.
For information on translations, please e-mail rights@apress.com, or visit www.apress.com/
rights-permissions.
Apress titles may be purchased in bulk for academic, corporate, or promotional use. eBook
versions and licenses are also available for most titles. For more information, reference our Print
and eBook Bulk Sales web page at www.apress.com/bulk-sales.
Any source code or other supplementary material referenced by the authors in this book is available
to readers on GitHub, via the book’s product page, located at www.apress.com/978-1-4842-5560-5.
For more detailed information, please visit www.apress.com/source-code.
Printed on acid-free paper

www.allitebooks.com
I dedicate this book to my wife, Neha, my son, Ziaan, and
my parents. Without you, this book wouldn’t have
been possible. You complete my world and are the
source of my strength.
—Pramod Singh

I dedicate this book to my wife, Jaya, for constantly


encouraging me to do the best in whatever I undertake,
and also my mom and dad, for their unconditional love
and support, which have made me what I am today.
Last but not least, my thanks to Pramod, for trusting me
and giving me the opportunity to coauthor this book.
—Avinash Manure

www.allitebooks.com
Table of Contents
About the Authors��������������������������������������������������������������������������������ix
About the Technical Reviewer�������������������������������������������������������������xi
Acknowledgments�����������������������������������������������������������������������������xiii
Introduction����������������������������������������������������������������������������������������xv

Chapter 1: Introduction to TensorFlow 2.0�������������������������������������������1


Tensor + Flow = TensorFlow���������������������������������������������������������������������������������2
Components and Basis Vectors�����������������������������������������������������������������������3
Tensor�������������������������������������������������������������������������������������������������������������������6
Rank����������������������������������������������������������������������������������������������������������������7
Shape��������������������������������������������������������������������������������������������������������������7
Flow�����������������������������������������������������������������������������������������������������������������7
TensorFlow 1.0 vs. TensorFlow 2.0�����������������������������������������������������������������������9
Usability-Related Changes����������������������������������������������������������������������������10
Performance-Related Changes���������������������������������������������������������������������16
Installation and Basic Operations in TensorFlow 2.0������������������������������������������17
Anaconda�������������������������������������������������������������������������������������������������������17
Colab�������������������������������������������������������������������������������������������������������������17
Databricks�����������������������������������������������������������������������������������������������������19
Conclusion����������������������������������������������������������������������������������������������������������24

www.allitebooks.com
Table of Contents

Chapter 2: Supervised Learning with TensorFlow������������������������������25


What Is Supervised Machine Learning?��������������������������������������������������������������25
Linear Regression with TensorFlow 2.0��������������������������������������������������������������28
Implementation of a Linear Regression Model, Using TensorFlow and Keras����29
Logistic Regression with TensorFlow 2.0������������������������������������������������������������37
Boosted Trees with TensorFlow 2.0���������������������������������������������������������������������47
Ensemble Technique��������������������������������������������������������������������������������������47
Gradient Boosting������������������������������������������������������������������������������������������49
Conclusion����������������������������������������������������������������������������������������������������������52

Chapter 3: Neural Networks and Deep Learning with TensorFlow�����53


What Are Neural Networks?��������������������������������������������������������������������������������53
Neurons���������������������������������������������������������������������������������������������������������54
Artificial Neural Networks (ANNs)������������������������������������������������������������������55
Simple Neural Network Architecture�������������������������������������������������������������57
Forward and Backward Propagation�������������������������������������������������������������������58
Building Neural Networks with TensorFlow 2.0�������������������������������������������������61
About the Data Set����������������������������������������������������������������������������������������61
Deep Neural Networks (DNNs)����������������������������������������������������������������������������67
Building DNNs with TensorFlow 2.0��������������������������������������������������������������������68
Estimators Using the Keras Model����������������������������������������������������������������������71
Conclusion����������������������������������������������������������������������������������������������������������74

Chapter 4: Images with TensorFlow���������������������������������������������������75


Image Processing�����������������������������������������������������������������������������������������������76
Convolutional Neural Networks���������������������������������������������������������������������������77
Convolutional Layer���������������������������������������������������������������������������������������77
Pooling Layer�������������������������������������������������������������������������������������������������80
Fully Connected Layer�����������������������������������������������������������������������������������81

vi
Table of Contents

ConvNets Using TensorFlow 2.0��������������������������������������������������������������������������82


Advanced Convolutional Neural Network Architectures��������������������������������������89
Transfer Learning������������������������������������������������������������������������������������������������93
Transfer Learning and Machine Learning������������������������������������������������������95
Variational Autoencoders Using TensorFlow 2.0�������������������������������������������������97
Autoencoders������������������������������������������������������������������������������������������������97
Applications of Autoencoders������������������������������������������������������������������������98
Variational Autoencoders�������������������������������������������������������������������������������98
Implementation of Variational Autoencoders Using TensorFlow 2.0��������������99
Conclusion��������������������������������������������������������������������������������������������������������106

Chapter 5: Natural Language Processing with TensorFlow 2.0��������107


NLP Overview����������������������������������������������������������������������������������������������������107
Text Preprocessing��������������������������������������������������������������������������������������������109
Tokenization������������������������������������������������������������������������������������������������110
Word Embeddings���������������������������������������������������������������������������������������112
Text Classification Using TensorFlow����������������������������������������������������������������113
Text Processing�������������������������������������������������������������������������������������������115
Deep Learning Model����������������������������������������������������������������������������������119
Embeddings�������������������������������������������������������������������������������������������������120
TensorFlow Projector����������������������������������������������������������������������������������������123
Conclusion��������������������������������������������������������������������������������������������������������129

Chapter 6: TensorFlow Models in Production�����������������������������������131


Model Deployment��������������������������������������������������������������������������������������������132
Isolation�������������������������������������������������������������������������������������������������������133
Collaboration�����������������������������������������������������������������������������������������������133
Model Updates���������������������������������������������������������������������������������������������134

vii
Table of Contents

Model Performance�������������������������������������������������������������������������������������134
Load Balancer����������������������������������������������������������������������������������������������134
Python-Based Model Deployment���������������������������������������������������������������������135
Saving and Restoring a Machine Learning Model���������������������������������������135
Deploying a Machine Learning Model As a REST Service���������������������������138
Templates����������������������������������������������������������������������������������������������������142
Challenges of Using Flask���������������������������������������������������������������������������145
Building a Keras TensorFlow-Based Model�������������������������������������������������������146
TF ind deployment��������������������������������������������������������������������������������������������151
Conclusion��������������������������������������������������������������������������������������������������������159

Index�������������������������������������������������������������������������������������������������161

viii
About the Authors
Pramod Singh is currently employed as a
machine learning expert at Walmart Labs. He
has extensive hands-on experience in machine
learning, deep learning, artificial intelligence
(AI), data engineering, designing algorithms,
and application development. He has spent
more than ten years working on multiple
data projects at different organizations. He’s
the author of three books: Machine Learning
with PySpark, Learn PySpark, and Learn TensorFlow 2.0. He is also a
regular speaker at major tech conferences, such as O’Reilly Strata Data
and AI Conferences. Pramod holds a BTech in electrical engineering from
Mumbai University and an MBA from Symbiosis University. He also holds
data science certification from IIM–Calcutta. Pramod lives in Bangalore,
India, with his wife and three-­year-­old son. In his spare time, he enjoys
playing guitar, coding, reading, and watching football.

ix
About the Authors

Avinash Manure is a senior data scientist


at Publicis Sapient with more than eight
years of experience using data to solve real-
world business challenges. He is proficient
in deploying complex machine learning and
statistical modeling algorithms/techniques to
identify patterns and extract valuable insights
for key stakeholders and organizational
leadership.
Avinash holds a bachelor’s degree in electronics engineering from
Mumbai University and holds an MBA in marketing from the University
of Pune. He and his wife are currently settled in Bangalore. He enjoys
traveling to new places and reading motivational books.

x
About the Technical Reviewer
Jojo Moolayil is an AI professional and author
of three books on machine learning, deep
learning, and the Internet of Things (IoT). He
is currently working as a research scientist—AI
at Amazon Web Services, in their Vancouver,
British Columbia, office.
Jojo was born and raised in Pune, India,
and graduated from the University of Pune
with a major in information technology
engineering. His passion for problem solving
and data-driven decision making led him to start a career with Mu
Sigma Inc., the world’s largest pure-play analytics provider. There, he
was responsible for developing machine learning and decision science
solutions to complex problems for major health care and telecom
companies. He later worked with Flutura (an IoT analytics startup) and
General Electric, with a focus on industrial AI, in Bangalore.
In his current role with Amazon, he works on researching and developing
large-scale AI solutions to combat fraud and enrich the customers’ payment
experience in the cloud. Jojo is also actively involved as a tech reviewer and
AI consultant to leading publishers and has reviewed more than a dozen
books on machine learning, deep learning, and business analytics.
You can reach Jojo at the following:

• www.jojomoolayil.com/

• www.linkedin.com/in/jojo62000

• twitter.com/jojo62000

xi
Acknowledgments
This is my third book with Apress, and a lot of thought went into writing
it. The main objective was to introduce to the IT community the critical
changes introduced in the new version of TensorFlow. I hope readers will
find it useful, but first, I’d like to thank a few people who helped me along
the journey. First, I must thank the most important person in my life, my
beloved wife, Neha, who selflessly supported me throughout and sacrificed
so much to ensure that I completed this book.
I must also thank my coauthor, Avinash Manure, who expended a great
amount of effort to complete the project on time. In addition, my thanks to
Celestin Suresh John, who believed in me and offered me this opportunity
to write another book for Apress. Aditee Mirashi is one of the best editors
in India. This is my third book with her, and it was quite exciting to
collaborate again. She was, as usual, extremely supportive and always
available to accommodate my requests. To James Markham, who had
the patience to review every line of code and check the appropriateness
of each example, thank you for your feedback and your encouragement.
It really made a difference to me and the book. I also want to thank my
mentors who have constantly encouraged me to chase my dreams. Thank
you Sebastian Keupers, Dr. Vijay Agneeswaran, Sreenivas Venkatraman,
Shoaib Ahmed, and Abhishek Kumar.
Finally, I am infinitely grateful to my son, Ziaan, and my parents, for
the endless love and support, irrespective of circumstances. You all make
my world beautiful.
—Pramod Singh

xiii
Acknowledgments

This is my first book, and a very special one indeed. As mentioned by


Pramod, the objective of this book is to introduce readers to TensorFlow
2.0 and explain how this platform has evolved over the years to become
one of the most popular and user-friendly source libraries for machine
learning currently available. I would like to thank Pramod for having
confidence in me and giving me the golden opportunity to coauthor this
book. As this is my first book, Pramod has been guiding and helping me to
complete it.
I would like to thank my wife, Jaya, who made sure I had the right
environment at home to concentrate and complete this book on time. I
would also like to thank the publishing team—Aditee Mirashi, Matthew
Moodie, and James Markham—who have helped me immensely in
ensuring that this book reaches the audience in its best state. I would
also like to thank my mentors, who made sure I grew professionally and
personally by always supporting me in my dreams and guiding me toward
them. Thank you Tristan Bishop, Erling Amundson, Deepak Jain, Dr.
Vijay Agneeswaran, and Abhishek Kumar for all the support that you have
extended to me. Last but not least, I would like to acknowledge my parents,
my friends, and colleagues, who have always been there in my tough times
and motivated me to follow my dreams.
—Avinash Manure

xiv
Introduction
Google has been a pioneer in introducing groundbreaking technology and
products. TensorFlow is no exception, when it comes to efficiency and
scale, yet there have been some adoption challenges that have convinced
Google’s TensorFlow team to implement changes to facilitate ease of use.
Therefore, the idea of writing this book was simply to introduce to readers
these important changes made by the TensorFlow core team. This book
focuses on different aspects of TensorFlow, in terms of machine learning,
and goes deeper into the internals of the recent changes in approach. This
book is a good reference point for those who seek to migrate to TensorFlow
to perform machine learning.
This book is divided into three sections. The first offers an introduction
to data processing using TensorFlow 2.0. The second section discusses
using TensorFlow 2.0 to build machine learning and deep learning models.
It also includes neuro-linguistic programming (NLP) using TensorFlow 2.0.
The third section covers saving and deploying TensorFlow 2.0 models in
production. This book also is useful for data analysts and data engineers,
as it covers the steps of big data processing using TensorFlow 2.0. Readers
who want to transition to the data science and machine learning fields
will also find that this book provides a practical introduction that can lead
to more complicated aspects later. The case studies and examples given
in the book make it really easy to follow and understand the relevant
fundamental concepts. Moreover, there are very few books available
on TensorFlow 2.0, and this book will certainly increase the readers’

xv
Introduction

knowledge. The strength of this book lies in its simplicity and the applied
machine learning to meaningful data sets.
We have tried our best to inject our entire experience and knowledge
into this book and feel it is specifically relevant to what businesses are
seeking to solve real challenges. We hope you gain some useful takeaways
from it.

xvi
CHAPTER 1

Introduction
to TensorFlow 2.0
The intent of this book is to introduce readers to the latest version of the
TensorFlow library. Therefore, this first chapter focuses mainly on what has
changed in the TensorFlow library since its first version, TensorFlow 1.0.
We will cover the various changes, in addition to highlighting the specific
parts for which changes are yet to be introduced. This chapter is divided
into three sections: the first discusses the internals of TensorFlow;
the second focuses on the changes that have been implemented in
TensorFlow 2.0 after TensorFlow 1.0; and the final section covers
TensorFlow 2.0 installation methods and basic operations.
You may already be aware that TensorFlow is widely used as a
machine learning implementation library. It was created by Google
as part of the Google Brain project and was later made available as an
open source product, as there were multiple machine learning and
deep learning frameworks that were capturing the attention of users.
With open source availability, more and more people in the artificial
intelligence (AI) and machine learning communities were able to adopt
TensorFlow and build features and products on top of it. It not only
helped users with implementation of standard machine learning and
deep learning algorithms but also allowed them to implement customized
and differentiated versions of algorithms for business applications and

© Pramod Singh, Avinash Manure 2020 1


P. Singh and A. Manure, Learn TensorFlow 2.0,
https://doi.org/10.1007/978-1-4842-5558-2_1
Chapter 1 Introduction to TensorFlow 2.0

various research purposes. In fact, it soon became one of the most popular
libraries in the machine learning and AI communities—so much so that
people have been building a huge number of apps using TensorFlow
under the hood. This is principally owing to the fact that Google itself uses
TensorFlow in most of its products, whether Google Maps, Gmail,
or other apps.
While TensorFlow had its strengths in certain areas, it also had a few
limitations, owing to which developers found it a bit difficult to adopt,
compared to such other libraries as PyTorch, Theano, and OpenCV. As
Google’s TensorFlow team took the feedback of the TensorFlow
community seriously, it went back to the drawing board and started
working on most of the changes required to make TensorFlow even more
effective and easy to work with, soon launching the TensorFlow 2.0 alpha
version this year. TensorFlow 2.0 claims to have removed some of the
previous hurdles, in order to allow developers to use TensorFlow even
more seamlessly. In this chapter, we will go over those changes one by one,
but before covering these, let us spend some time understanding what
exactly TensorFlow is and what makes it one of the best available options
to perform machine learning and deep learning today.

Tensor + Flow = TensorFlow


Tensors are the building blocks of TensorFlow, as all computations are
done using tensors. So, what exactly is a tensor?
According to the definition provided by Google’s TensorFlow team,
A tensor is a generalization of vectors and matrices to poten-
tially higher dimensions. Internally, TensorFlow represents
tensors as n-dimensional arrays of base datatypes.
But we would like to delve a little deeper into tensors, in order to
provide more than a general overview of what they are. We would like to
compare them with vectors or matrices, so as to highlight the key dynamic

2
Chapter 1 Introduction to TensorFlow 2.0

property that makes tensors so powerful. Let us start with a simple vector.
A vector is commonly understood as something that has a magnitude and
a direction. Simply put, it is an array that contains an ordered list of values.
Without the direction of a vector, a tensor becomes a scalar value that has
only magnitude.
A vector can be used to represent n number of things. It can represent
area and different attributes, among other things. But let’s move beyond
just magnitude and direction and try to understand the real components
of a vector.

Components and Basis Vectors


Let’s suppose we have a vector Â, as shown in Figure 1-1. This is currently
represented without any coordinate system consideration, but most of us
are already aware of the Cartesian coordinate system (x, y, z axis).

Figure 1-1. Simple vector

If the vector  is represented in a three-dimensional space, it will look


something like what is shown in Figure 1-2. This vector  can also be
represented with the help of basis vectors.

3
Random documents with unrelated
content Scribd suggests to you:
The Project Gutenberg eBook of Hazai
rejtelmek: Regény (2. kötet)
This ebook is for the use of anyone anywhere in the United States
and most other parts of the world at no cost and with almost no
restrictions whatsoever. You may copy it, give it away or re-use it
under the terms of the Project Gutenberg License included with this
ebook or online at www.gutenberg.org. If you are not located in the
United States, you will have to check the laws of the country where
you are located before using this eBook.

Title: Hazai rejtelmek: Regény (2. kötet)

Author: Lajos Kuthy

Editor: Kálmán Mikszáth

Illustrator: László Pataky

Release date: May 25, 2018 [eBook #57214]

Language: Hungarian

Credits: Produced by Albert László from page images generously


made
available by The Internet Archive

*** START OF THE PROJECT GUTENBERG EBOOK HAZAI


REJTELMEK: REGÉNY (2. KÖTET) ***
Megjegyzések:

A tartalomjegyzék a 409. oldalon található.


Az eredeti képek elérhetők innen:
https://archive.org/details/magyarregnyir09miksuoft.
Facebook oldalunk: http://www.facebook.com/PGHungarianTeam.

MAGYAR REGÉNYIRÓK
KÉPES KIADÁSA

Szerkeszti és bevezetésekkel ellátja

MIKSZÁTH KÁLMÁN

9. KÖTET

HAZAI REJTELMEK
Irta

KUTHY LAJOS
II.

BUDAPEST
FRANKLIN-TÁRSULAT
magyar irod. intézet és könyvnyomda

1906

HAZAI REJTELMEK
REGÉNY

IRTA

KUTHY LAJOS

MÁSODIK KÖTET

PATAKY LÁSZLÓ RAJZAIVAL


BUDAPEST
FRANKLIN-TÁRSULAT
magyar irod. intézet és könyvnyomda

1906
Minden jog fentartva.
Franklin-Társulat nyomdája.
XXIII.
(Lőbl Simon.)
Nehány nap mulva zajlott, hemzsegett, javában állott a
debreczeni szabadság, mely keresztneve a vásároknak, egy szurkos
markú exegeta szerént szabad lopástól vette eredetét. A vidéki
műipar, végetlen bőséggel állítá piaczra egyűgyű műveit.
Czirokseprő, szekérkas, lapát, gereblye, favilla, vasatlan targonczák
durva, nagyolt faragásban, nehéz faekék, idomtalan talyigák,
ökörjárom, s mindennemű mezei kerékgyártóművek, egy új
ültetvény s fejletlen földművelés hevenyészett eszközeiként tűnnek
fel. Mindenek felett hallatlan bőségben somfa ostornyél s piros
makrapipa; jeléül, hogy az állatvédő eszme nem nekik való, s a
magyar ember mindent fumigál. Széllel bélelt guba, töretlen
juhbundák, hitvány, rossz festékű gyapju-népruhák, s elláthatlan
utczái a kérgesen cserzett, vásárilag tákolt, puha, ázékony talpú
csizmáknak: mind azt jelentik a nyugoti idegen előtt, miszerint e nép
izlése, szükségei s anyagi értéke az európai országokénál sokkal
alantabb fokon áll; s nem foghatja meg, miként lehetett e világos
eszű, szabad alkotmányú fajt, e kövér s bővelkedő földön úgy
kormányozni, hogy üzlete s iparfogyasztása maig esetlenebb és
gyérebb a tizenöt éves irtású amerikai rabgyarmaténál; kereskedése
pedig, korunkhoz aránylag, alig több, mint Béla király csere-vásárai?
meglepőleg tapasztalandja egyszersmind, miszerint ez alföldi tiszta
magyarfaj, kézi iparában, üzleteszközeiben, itt, keletfelőli lakhelyén,
elszigetelve a műveltebb példáktól, minden segély és
vezérbefolyások nélkül, sokkal csinosb, czélszerűbb, tökélyesb
rendszerre tudott vergődni, mint hazánk idegen vérei, mint például a
tótok, a művelt Szilézia s Morvaország szomszédságában; és ez, a
sok között, egyik czáfok, a nemzeti ipartörekvések újabb szakában
keletkezett azon tan ellen, miszerint a birodalmi tehetlenséget védő
secta, a magyart, göröngyhöz ragadt, s csoroszlyához varrott
földmívelőnek erőködik prædestinálni.
A belpiacz hosszán, jókor reggel Vámos törekvék a tolongásban
keresztülhatolni, két ismeretlennel, kiknek egyike zömök, kerek
szemű, széles kalapú, magyarkába öltözött középkorú férfi, kezében
kostök- s tajt pipával; másika fodrozott hajú, fehér keztyűs ifjú,
Singer pesti zsidószabó formátlan divatruháiban, fehér fogantyús,
könnyű nádbottal. A zömök úr fontoló, hivatalos arczczal haladt
Vámos mellett, s élénk mohó figyelemmel látszék nyelni suttogó
szavait, miket itt-ott, a tolongás közben füleihez érve, hozzá intézett.
Az ifjú pallóról nyomadékra lépve, most elmaradva, majd utánok
szökve kerülgeté a sárt, mérgesen tisztogatva könyökét, ha itt-ott
egy béleshordó kofa, vagy bőrszedő zsidó hozzá dörgölőzék. Végre
befordultak a tepertősoron, hol mázsaszámra illatozik a bőrös
pecsenye, s gömböcz- és hurkaboglyák közt, harminczhat kovászos
ugorkát adnak egy garason. A mészárszékek hosszú sétasorán
kiértek kis újutczájára, hol tanú és akadály nélkül folytathatá Vámos
utasításait; a Singer-féle hüvelybe kebelezett sárűző pedig, miután
egy lomha szelindekben megbotlott s feszes nadrágát elrepeszté,
sarkukba nyomult, mígnem mindhárman, a pocsolyás-utcza
tekerületében, a külvásár felé eltüntek.
Azalatt egy rezesképű, piros orrú, kajla bajuszú, szürke
posztónadrágos egyén szájongott a belpiaczi kofák közt, bizonytalan
szinű nankin zekében, melynek lenge szárnyait csak a rárakott sujtás
óvta meg a folytonos lobogás ellen. Az egyén fején jó meleg
nemezsipka ült, elől-hátul rövid ernyővel, s alúla minden lépten
emanczipálta magát vörös üstöke, mely nem másként villogott
kopasz koponyáján, mint hivatalkodó granáton a lángfürt. Úgy
látszik, váró izgatottsággal lézeng fel s alá, s bizonyos záridőt akar
elácsorogni, mert nyugtalanul tekintgete olykor a nagy templom felé,
hol fényes lapátok mutaták az óra közeit. Hátratett marokkal
kerülgeté a halmokra kopasztott szárnyas állatokat, mik toilette
nélkül, paradicsomi állapotban voltak egymásra nyujtva, lévén az ő
bőrük fehérebb, mint akármelyik bécsi leányé. Kétszer ment végig a
csábító soron; végre engedt kisértetének a válogató szem, s
kihúzott, hat garasért, rokonai közül egy hízott kacsát, mely a pesti
piaczon lúdnak is beillenék. Aztán hűvös tormalevélbe öltöztetvén,
nankin zekéjébe ereszté a nyársra kárhozottat, maga pedig egy
krajczáron gazdag reggelit vásárolt a közelebbi zsendicze-kofától, ki,
mint egy ázsiai sátor, bő területtel telepedék meg fazekai között.
Ezalatt hatot kongatott a kis torony, s az egyén felkerekedvén
testestül, lelkestül, tovább czipelte ellátott gyomrát, egészen egy
borbélyműhelybe, mely éppen álmából ébredt ásító szájként tátotta
fel legyes ajtaját.
– Pálinkás jó reggelt, nótárus uram! hol jár itt? – üdvözlé egy
félszemű borbély, ki éppen fülmetélő vatermörderjét (gallér) kötözé
egy darab tükörből, s hideg kolbászt falatozott akközben.
– Terminusom van itt, valakit várok a koma műhelyében, felele a
récze-ruczás egyén; addig tisztítsa meg az állam, ha szeret.
– Oly simára mint a koppasztott malaczot. Éppen jó bicskám van,
tegnap pirongatta meg a köszörűs; fügemaggá aprítja a csecsszopó
hajszálát. Kapjon alá egy széket;… lőcsláb! köss nyakruhát nótárus
uramnak;… mindjárt kész leszek;… lőcsláb, vakapád? hozz egy
garasárú szilvát, hadd vessek eczetágyat a kebelembe, télen-nyáron
olyan étvágyam van, hogy a reszelőt is megenném. No csak ne
szuszogj, szedd hónod alá a lábodat, s míg az orromon végig nézek,
itt teremj… Szekérről hozz, mert a kofa keveset ád… no lódulj; de ne
egyél belőle, mert szagát megérzem a szádon.
Lőcsláb, a negyedfél lábnyi foghúzógyakornok, elrugaszkodék.
– Te marhahús! – kiált utána a szakállirtó, – ha lehet, régi
kétgarasost fizess a tipónak. – Aztán öltözéshez látott, s miután
saruit bodzabogyóval kifényezé, a szalmásüveg hátralékát pedig
gégéjébe önté: működni kezde a nótárus körül, orrát száját
betapasztván ködmönszag fekete szappannal.
– Nagy a sár, koma; kezde társalogni nótárusunk a kopasztó-
széken, mennyire száját fungálni engedé a hivatalos tapasz.
– Van egy kis locs-pocs, viszonzá a borbély.
– Kis locs-pocs? Istenért, hát mikor van sár? hiszen félölnyire
talál a kerék feneket.
– Tegnap csak egy vasas tótot láttam megszakadni a műhely
előtt: mikor sár van, három lovat is megnyúznak naponként… Hogy
mondja ez a kis vas? – kérdé utánvetőleg önhitten, miközben egy
alig tollkésnyi borotvát, szíjján megrecsegtetve, a jegyző szakállába
vágott.
– Biz’ a szemem majd kiugrik tőle.
– Bizony pedig a bátyja Münchenben tisztogat; viszonzá a
megsértett művész, s élesen a szemébe nézett a komájának, ha
józanon vádolja-e kését ily rágalmazólag? Aztán boszújában
segítségül ragadta a patiens orrát, rángatván azt jobbra és balra,
miközben hersegő műszerét ide s tova kanyargatá. Nem hiába
mondják koma, hogy gólyától lopta az orrát; mondá torlásul a
késbántalomért, olyan piros, mint egy rúd spanyolviasz: nem
próbált-e még vele pecsételni?
– Mi ujság, koma?

– A Kosta azt hiszi, pálinka miatt, a nőm meg, hogy bortól van.
– Délig pálinkától, délután bortól, állítá a borbély.
– Mi ujság koma? kérdezé a jegyző, hogy orrát kiszabadítsa a
tárgyalás alól.
– A mult hét elején furcsa esetem volt, felelt a borbély. Egy
vőlegény akarta menyasszonyát pióczáztatni; s haragvék, hogy
nálam nem talált. No bizony, hiszen csak nem tarthatok még pióczát
is! fogjon maga, a ki rakatni akar. Vágjon eret rajta, mondám, ha
vőlegény… Uram fia, olyan lármát ütött pajkos szavamért, mint egy
mostoha princzipális, ki az asszony officzinájában parancsolni akar.
Pedig mindössze is leeresztett haju mátkája volt, afféle locus
communis, kinek, becsületén kívül, kezeszárából áll minden
hozománya. Kalapot se tennék, ha vele kéne mennem; tudja, csak
olyan sipkás embernek való. Tálaltam is neki a paprikás léből, s oly
hosszút nevettem utánok, mint egy toldott tákó.
– Ki volt a vőlegény? esék szavába a piros orrú jegyző, kit az
esemény szokatlanul látszék érdekelni.
– Egy szűrszabó legény, ki az árva hajadonnal még tavaly
összeszűrte a levet. Három hét előtt remekelt, s kihirdetteté magát,
hogy minél előbb haza vihesse az üres konyhára.
– Nem tudja-e koma a vőlegény nevét? kérdezé a borotva alatt
viczkándó egyén, növő érdekkel.
– Fekete Ferke, néhány idő előtt henczidai csavargó.
– Hm hm! Rigó Ferke; dühöngé magában a meglepett jegyző, s
kezével a zsebbeli meztelen kacsába markolt, hogy erőt vegyen a
borotva élét kiállni.
– Hát ismeri tán koma azt a gyepi tipót? kérdé a félszemű,
miközben kliense orrlyukát a késnyéllel betapasztotta.
– S mi baja volt a hajadon szűznek? kérdé viszont a kérdezett, a
nélkül, hogy a gyilkosának feleletet adna.
– Karakán baja volt, ha igaz, a mit a laczikonyhán mondtak. A
szép lány jó szagú, mint az édes tejfel. Réges-régen már, sok gazdag
macska kerülgeté, s kézfogó után, valamelyik tagbaszakadt kézláb,
zugba szorítá. De Ferke rajta érte, s úgy meglegyezgeté, alig látott
tőle hazamenni. A nyaggatás pedig úgy fejébe szalasztá a meleget a
leánynak, hogy vérét kelle venni.
– Hm hm! ismétlé a zsendiczétől felmelegült kebel; s ki volt a
megoldalgatott macska? akará szorgalommal tudni, miből látni
lehete, miszerint ő, e történettel némi homályos viszonyban áll, mit
szeretne megmagyaráztatni a nélkül, hogy magát elárulja.
– Nem tom, ki lehetett, felelt a félszemű. Igaz, akkor tájban
Szalárdy Lajos úrfi felköté karját; s balarczán törődött daganat
mutatá magát; de ő nem lehetett; azt a paripája ragadta az istálló
ajtónak.
– Ki az a Szalárdy Lajos? kérdezé mohón a jegyző.
– Egy gazdag, becsületes úrfi; városunk dísze, szegények istápja,
igazság őre, a nép barátja, híres hazafi, megtestesült jóság. Szeretve
becsüli boldog, boldogtalan. Egész város vért ontana érte. Ha
tyúkszemét megtapogatom is, egy nadrágot s három huszast ád.
E pillanatban fehér tafotába vont szemfedelet vittek el a műhely
előtt, melynek oldalán apró fényes szegbetűkben vala olvasható:
szerencsétlen véget ért 23-dik évében. A vízbe ugrott hortobágyi
áldozat koporsója volt. Világos tényjel, mennyire igazságos szokott
lenni a közvélemény.
Azalatt a borbély czinkanalat nyujta a jegyző szájába, s kaptára
ütvén arczait, kezdé a szőrtövet visszán kikaparni; de vértanuja
megelégülvén a tisztálkodással, odébb mozdítá őt; s nagyot és
mélyet gondolt a Szalárdy néven, mintha egy tejben-vajban
fürösztött jövőt akarna reá építni.
Most Pisze Pista lépett a műhelybe, paraszt ing-gatyában;
mindenki előtt ismeretlen alak.
– Itt van-e a henczidai nótárus? kérdé minden beköszöntés
nélkül.
– Én vagyok fiam, mi bajod? mond a piros orrú.
Pisze Pista dobaz levelet nyujta át, s a nélkül, hogy szólna, vagy
szót kapna, mint a nyíl eltünék.
Hm hm! minő titkolózás ily igazságos ügyben, gondolá a jegyző;
az ember még csak szóhoz sem juthat; mindig más kém, s mint a
boszorkányparipa, sutty! már oda van. Aztán töré a levelet, s egy
zugnak fordulva kicsempeszté a bepakolt bankót, mohón olvasván a
sorok tartalmát.
– Ön bevégzé eddigi feladatát. Rigó Ferkét, ki négy év előtt
falujából elillant, mint szökevény csavargót, ujonczok közé iratá:
szolgabirájától pandurokat eszközölt, hogy katonának fogassa. Ezért,
ide záratik az igért díj. Ha szerepét bevégzi: botrány nélkül száz,
botránynyal kétszáz pengőt fog kapni… U. I. Névtelen megbizóját ne
akarja tudni. Ha kémelődik, csak önveszélyét fedezendi fel.
Minő különös! gondolá magában; az első levél alatt szóról-szóra
ezen utóirat állt. Miért e titok? hisz én nem vétkezem. Tettem a birák
akaratán épül, s az ország-világ tudja. Egy csavargót adunk
katonának, hogy a dolgos adófizetőt kiméljük. Igaz, Ferke nem
csavargó, de helyet töltünk vele, hova falubelit kellene befogni;
aztán meg a törvény tesz, én csak eszköz vagyok, s ezért jól fizet
egy látatlan kéz… Azonban nem jó bolondozni ily irat tilalmával. Ha
pénz dolgában adott szavát tartá: bizonyosan a bot vastagabb vége
sem maradna el. Azért sem szó, sem tartomány. Nem kérdezek
senkit. Majd csak magam találom ki, hogy titkos committensem: a
megütögetett Szalárdy Lajos, kit bosszúállás dárdája kerget. Mindig
jó lesz fejőstehénnek, ha szükség szorít.
Míg a gólyaorrú így okoskodék, félszemű nyuzója tüdőszín frakkot
ölte magára, s kikefélve koppadt szövetét, néhány harapófogót rejte
hátuljába, mikkel szakköri műtételre fogott indulni.
E közben lőcsláb megérkezék, s hátán czipelte a garasárú szilvát.
– Hová vesztél, lóhus! azt tudtam, megettek; szutyongatá az
izgatott subject… Jó volnál halálnak, oly lassan tudsz járni; s recsegő
szitkához érzékeny tenyerelést toldott lőcsláb termetének azon
részére, mely neveztetik nyakszirtnek.
– Esküvőre jövő násznépet néztem. Kutya Pista volt az egyik
vőfél, kin az egész város röhög, menté magát az elbődült lőcsláb; s
daczos hangjából kitetszett, hogy efféle látványokért jogosítva érzi
magát, legszentebb kötelességeit elhanyagolni, s a vett fenyítéket
méltatlan bántalmul tekinti.
A jegyző mintegy emlékeztetőül véve a násznépi hírt, kószálódék
kifelé, két garast fizetve a legyes ablakba, melynek deszkáján
bajuszpedrőt falatozott egy rongyos szarka.

É
– Én is megyek koma, felelt a félszemű, miközben szilváit faldosá.
Tegnap estve híttak Vad Mihály vargához, ki pillulái helyt a visicatort
megette, s foga válhatlanul egymáshoz ragadt. Mára halasztottam.
Emlegesse meg a hólyagos pecsenyét.
Azonban, Czegléd-utcza felől egyszerű nászmenet húzódék a
nagy templom felé. A pártás menyasszonyt két levantin szoknyás
gömbölyű asszony fogta közre, kiknek szemérmes feje modorosan
billegett a bársony kontyborítók roppant súlya alatt. A menyasszony
szelíd szőke hölgy, virágokat vitt összetett kezében; s a szerep és
helyhatósági illem szokásos adóját, könyűket hullata, maga sem
tudván, mit kell siratnia, mert leírhatlanul boldog volt. A násznagy,
vőlegény s nehány görögdinnye termetű ismerős egészíté ki a
takarékos társaságot, mely mérsékelt fogyasztáshoz látszék
számítva. Csak az tűnt fel a városiak előtt: miként lehetnek ily
szegény párnál oly piperés vőfélek? s kivált Kutya Pista, ki egész
városban legtréfásabb s azért legdrágább egyén, mit keres ottan? ha
nem tudták volna, hogy ő a vőlegény lelki barátja, s magát és
tiszttársát nem annak költségén, hanem saját szerzeményeivel
ékesíté fel.
Míg a násznép haladt, a henczidai jegyző három fegyverzett
egyénnel suttogott a Hatvani-utcza szegletén, s némi haszonhajtó
értekezés közbejöttével, a násznépre vonatkozó tekintet után, a
templom szomszédjába húzódtak.
A menet közeledék. A gyümölcs- s zöldségpiacz felmulhatlan
kincsei mellett, a lépesméz-, béles-, mézkalács- és kenyéroldalon, s
háj- és szalonnavásár másfélöles kiállítási közt vitte őket az út, mely
nemcsak azt mutatá, miszerint e nép a gyomorczikkeket jelentőbb
mennyi- és minőségben fejleszti, mint a műipart; hanem biztató
reményt éleszte a nélkülöző párban, hogy ily istenáldott bőség a
szegényítő rendszer súlya alatt is eltartja a szorgalom emberét.
Midőn az ágykofáknál mentek, hol ezernyi dunyhák puffadoznak
hószin lúdpehelylyel, egy halom könnyű vánkos rádőlt a
menyasszonyra; s miközben a nyoszolyóleányok baljóslatot súgtak ez
intő jelből, Kutya Pista hetykén szavalt egy alkalmi rögtönzést:

Töltött dunyha, pampuska,


Még ma elsül a puska;
A vőlegény jól töltött,
Nem mond az csütörtököt.

Végre a szekértömeg tekervényei közt a templomhoz értek. A


kisded gyülekezet oly egyszerű, de ájtatos ihlettségtől vala áthatva,
mint midőn a föld első családja először jelent meg Isten előtt. A
boldog menyasszony elejté végső könyűjét s arczán kiderült a
reszkető öröm: és a vőlegény nem léphetett volna be emelőbb
gyönyörrel éden küszöbén, mint akart a templomba. Kutya Pista az
ajtó elé állt, hogy vámot vegyen a jövevényektől. Több versei közt,
mikkel a násznépet sorra zsebelé, badar kedélylyel mondá a kék
szemű szűznek:
A disznóugatást hét hétig kergettem,
Szerecsenországban bagolymájat ettem:
De még ily menyasszony nem akadt szemembe,
Tegyen vagy tíz garast az oldalzsebembe;
s a vőlegény lovagias készséggel fizeté jegyese vámját, mit Kutya
Pista engedő nagylelkűséggel szabott meg, mert más esetben
legalább öt forintot szokott követelni.
E családias, édes késedelem közben, a henczidai jegyző
erőszakosan oda tolakodék, egy pandurhadnagy s két csákányos
legény kiséretében.
– Rigó Ferke! add meg magad, ujoncznak vagy irva. A birák
minden csavargót összefogatnak; sok legény van ránk vetve… No…
indulj szilajon, mert ez a somfakezű pandur a vendégoldalhoz talál
kovácsolni. Tudom, megemlegeted, míg nyersen maradsz.
A násznép azt hivé, hogy e megtámadás lakodalmi tréfa, azért
Kutya Pista, szerepéhez illőleg, feltalálván magát, versekben felelt:
Hogy menne egy nyomra kétszer katonának?
Papucsvitéze már oldalbordájának.
Magyar a kuruczot most úgy sem aprítja:
Jobb, ha lyányok s fiak számát szaporítja.

A nép, mintha kergetnék oda, karikába gyűlt. Ember, ember


hátán ácsorogva, tétlenül nézte az erőszakot; mert annyira rögzött
már benne a szolgai gyávaság, hogy saját orrára vaskarikát hagyna
vetni egy majomtól, csak hivatalos formában történjék.
– Félre láb alúl, – oda szólt Kutya Pistának a pandur; Ferkét majd
más vőfél fogja tánczoltatni, kit káplárnak hínak; s megragadta a
rémült vőlegényt.
– Hogy volnék csavargó? menté magát Ferke. Négy évtől
mesterségem szorgalommal űzöm. Itt szabadultam fel, remekeltem,
keresztlevél és bizonyság mellett voltam kihirdetve. Erkölcsömet
ismeri Debreczen. Hazámnak adót fizetek, a várost szolgálom,
másokat becsülök, az istent imádom. Lehet-e hatósági panasz
ellenem, hogy mint egy vérontó rablót elhurczoljanak?
– Hagyjuk azt a feleselést, szólt a piros orrú. Okoskodnak az
országban mi helyettünk mások. Te Henczidán születtél és a falut
szökve hagytad ott. Most szükség van rád; csak bele a bakancsba!
Itt a szolgabiró parancs a hadnagy zsebében.
– Éppen szolgabiró parancs miatt hagytam el szülőföldemet, mert
huszonöt botot rendelt rám, mivel nem tudtam előfogatban gyorsan
hajtani a kiállott lovat s a bálról elmaradt.
– Igen, igen, uradtól megszöktél, viszonzá a jegyző; azért adunk
most szorosabb gazdához, honnan nem oly könnyű lesz az eltágulás.
– Vétkeztek, uraim, ostora vagytok sorsunknak, kiálta kitörve a
vőlegény, miközben a pandurkezek fogták. Az igazság színe alatt
elszeldelitek kenyerünket; megöltök bennünket s könyűinkből
áldomást isztok a törvényszinű hóhérkodásra. Ti, a nép vénei, pártot

É
üttök ellenünk, eláruljátok a vért, melyhez tartoztok. És mi gyáván,
mint az akolba vert birka, tódulunk egymásra, tűrve, elfogadva az
üldözőbotot s legfeljebb egymás hátával törekedve védni magunkat.
De nem reszkettek-e, hogy isten látogató keze megnehezül a nép
vénein? s a földi bosszú meg fogja érteni az égi büntetés mutató
ujját? mint ezt mester uram fia, a tógás reméli.
– Hurkot bokájára, Miska; szedte-vette parasztja, mit papol
nekünk mint egy fánfütyülő barát. Kösd a katedrába a
vendégoldalhoz; monda nyakason az otromba pandur s Fekete
Ferkét a templom és egy hasznos élet küszöbéről, az egyetlen öröm
teljesülte előtt, vason elhurczolták.
A szelíd szőke hölgy ájultan leomlott. Az oszladó nép pedig más
mulatság után tekinte, mert csőddob, kötéltánczosmenet s
vászonlobogóra festett borzasztó históriák éneke hívta őt s ezen
látványokat szintoly hidegen, minden szívbeli különbség nélkül tudá
élvezni.
A közelebbi események alatt Vámos kiért társaival. A zsidókert s
tizenhárom város közt fekszik a külvásár gödrös utczáival, miknek
habarcsos kátyuiba sárvíz idején emberek halnak. Hosszú sorokban
nyúlnak egymáshoz raggatva a kőházak, boltok, tárak, hivatalszobák,
miket atyánkfiai, maig is, mind egy lábig, sátraknak neveznek; s
miket a főutczákon kívül, kofával bélelt sikátorok és kutyaszorító szűk
közök választanak el. Német-utcza felől, mint folyamtorkolaton,
folyvást ömlik ki a tarka fővilág; s Kardszag uram kalapboltja előtt,
az olajszinű nemes ifjúság fumigálja bajait s a medvebőrt előre
nyúzó zsidók törvényesült körmét. Benn az utczákon hemzsegő zaj,
zene, zörej, lárma, rakodás, alkú és kiáltozás. Ládák, hordók, zsákok
vándorolnak csigán, emberháton vagy görgetve. Együgyű vásárosok
állongnak czifra boltok előtt, kik verítékkel szerzett filléreiket négyes
árú hitvány gyártmányokért engedik ellopni. Szükség, czélöröm,
bámészat, csalás, kérkedés, birdüh, veszteség, sürgető nyomor és a
vásári érdek több jelrajza deríti, nyomja, nyújtja és torzítja az
elfoglalt arczokat s e tettető bőség és változatosság özönjén, mint
kirívó foltok egy nagy képen, tűnik fel a csúszó koldusének s a
toborzók feszes csapatja. Itt rongyos pórnők kényszerítik az eladó
vizet, egyetlen czikk levén, mivel birnak; amott szállító parasztok
tűrik egy otromba sváb szitkát görbesztő munka közt; amott
visszavetett árúcskája mellett veszékel a megcsalt pórcsalád. Az
idegen fajok, jóllét s elégültség színeiben ragyognak, csak népünk
jelenik meg mindenütt együgyű, nyomott és nyomorult alak- és
viszonyban; s ha hozzáveszszük, hogy nemeseink két áron veszik a
termesztményeikből gyártott czikkeket; ha hozzávesszük a
külkereskedők nyomasztó rendszerét, a csalást, árbuktatást, cseles
ármányokat termékeink átvételében: akaratlanul ama kereskedés jut
eszünkbe, melyet Amerika feltaláltakor, Európa a hindukkal űzött. És
megátkozva a halottakat, kik ezt okozni kezdték, megvetve az élőket,
kik tudva vétkeznek, szánva a nagy népet, mely tudatlan áldozat:
akaratunk megerősödik hatni és küzdeni a nemzeti bűn ellen.
Ily észrevételek közt vezeté keresztül Vámos, társait a vásári
tömegen.
A Hatvani-utcza felőli végen bitang lovakat árvereltek az őrház
körül, melynek zubbonyos mumiái még csak egészségöket sem őrzik
saját nejeiken kívül. A dobszó körül, sürforrva lobogott egy
lengyelzsidó kaftány. Nyul Iczik lótott-futott előre-hátra s hózseási
örömmel apropriálta a kanit, melyet Kopogó, adott szava szerint,
minden hiány nélkül elcsapott maga alúl. Odább Harangi Pál
ostornyelezte az árokpartra kapaszkodó rozsdást, mert egy kissé
sokalta a talyigába ültetett három zsák repczét s nem akart menni. A
hatvani kapun fitos orrú, madár szemű, feltenyerelt hajú suhancz
hivatalos buzgalommal törekedett kifelé, paszományos kalap,
világoskék frakk s villogó vörös nadrágban, mely a tolongás közein
keresztül virított. Ki ez ismerős arcz, a dacz és szemtelenség makacs
bélyegével? Nem más, mint Pisze Pista, ki borbélyműhelyi
minőségéből átalakulva, tigrisi formaruhában végzi ura parancsát.
Útba ejté Harangi Pál lovát s a «naturam furca expellas, tamen
usque redibit» törvénye szerint, feledve a rajta viruló új méltóságot,
vevé hirtelen az ő fanyelű bicskáját s a nélkül, hogy halandó szem
látná, beleszelt az egyik repczés zsákba, melynek tölteléke menten a
sárba folyt. Pál bátyát más figyelmezteté, hogy a repcze inkább
hátra utazik, mint előre; ő pedig káromkodásban véve elégtétet,
hogy a bajon minélelőbb segítsen, beült inni egy pálinkás bódéba;
mely jelentéstelen eseményből csak annyi a tanulság, hogy az
emberi jellem kicsiben-nagyban hű marad magához.
E vidéken is élénkül zsibong a tömött mozaik. Egy hasadt
trombitára, mint hegyi zuhatag, törve, rontva tódul és rohan a
sokaság, bizonyos fedéltelen deszkaakolba, melynek kapuján diót
eszik egy vedlett majom, belől pedig strucztollas emberfő mártogatja
magát kifelé a légbe: kötéltánczosnénak az ő feje. Túl ez
alkotmányon, a temetőből, vaskúp látszik ki, Csokonai emléke, mely
lemezből szegezteték össze s ha püfölik, igen kong. Ez is jobb, mint
semmi. Nehány magányos kegyelete az, mert a nemzet eddig jobban
látszik szeretni költészeténél a kovászos káposztát.
A vásár főutczáján, sárral felvert, foszlott tövű bolt előtt Tógyer
gazda sepregeté a téglajárdát. Üvegajtaján fuvaros parasztok
nézegettek be fogyó türelemmel, kik a szállítási alkudíjt várták. Benn
a sarok megett, egy hordó rézpénzen, kopasz, éktelen, durva vonású
öreg ült. Otromba csontos alak, zárkozó, mogorva kifejezéssel,
szemöld alá vont, földkereső, de mély és ravasz szemekkel. Ugy
látszék, egyike a csehek és morvák közül hozzánk származott ama
formátlan, buta testeknek, kik vak szolgaiságra gépekül alkalmazvák
s egyhangú szakmányon kívül mindenre képtelenek. Előtte, ablakhoz
véggel fordult csapinós asztalnál, nehány nyuladt képű egyén
irdogált merülten tetemes könyvekbe; míg körülök, aláírást váró
levelek, csomók, kötegek, pecsétcsavar és egy súlymérő egészíté ki
a hivatalos butort. A szoba hátfalán goromba zöld damisz függönyze
kisded ablakot. E függöny a gépies csend alatt olykor halkan, nesz
nélkül mozogni látszék… Egyszer ragyogó fekete mankó bútt ki redői
közül s félre tolintá félszárnyát. Fehér pehelyágyból, kurta vörös hajú
fő pillant orozva ki s rántja vissza magát, ha dolgoznak-e az üzlet
segédei? A fő ismerősnek látszik, mintha valaki már beszélt volna
róla; alkalmasint Tógyer gazda, Hortobágyon, a bőrteregető
parasztok előtt. Szemöldje tömött, szeme sárga mint a rókáé, arcza
szeplős, szája nagy s végei felvonódnak mosolya közben, mi őt
ördögivé teszi. A bolt felett és üvegajtaján, nagy és kis betűkkel írva
áll: «Lőbl Simon irodája.»
Tógyer pálinkázni futott a szomszéd utczába s távolléte alatt
Pisze Pista érkezik a bolthoz.
– Felkölt-e már az úr? kérdé az ajtó megetti kopasztól, miközben
üdvözlet helyett, mélyebben fejébe nyomta paszományos kürtőjét,
melybe csak ma iktattaték be hajdonfőre termett koponyája.
A kopasz, a helyt, hogy felelne, nyekegett és inte.
– Néma az a morva;… mit akarsz? kérdé Pistától az egyik zsidó
diák, ki a pulpituson körmölt.
– Mondják meg az urnak, hogy Szalárdy Lajos nagysága egy
órakor itt lesz; s akkorra tisztítsa ki a boltját, mert nem szereti a Nyul
Iczikféle embert útban találni; mondá a távozó Pisze kevély,
megrendelő hangon, nem értve azon titkos uraságot, melyet egy ily
félig-meddig seprett bureau, a nagyságos czímek felett a mai nap
gyakorol.
A bolt hátán régiebb időben nehéz vasajtón vala kijárás; de ez,
mióta Lőbl az épület belrészét önszobájává alakítá, feleslegessé lőn;
zárral, vasrudakkal nyugalmaztatván, kivülről fekete bagariával
bevonatott. A bolt hátához kivül deszka hordbódé volt ragasztva,
melyben egy becsületes gottscheber szokta vásáronként kirakni
árúit, sajtot, szalámit s melegövi friss gyümölcsöket. Szegény feje
már rég alkalmasb térre költözött volna, de Lőbl Simonnal sohsem
volt képes a helypénzi számolásokban tisztára jönni s vásárról-
vásárra zálogot kelle hagynia adósság fejében.
Ez órában gyors rakodás történik a gottscheber árúi között. A
hátsó padok üríttetnek, hogy a leplezett vasajtó szabadon,
megközelíthetőleg álljon. Ezt az árú-tulajdonos egyedül s
lábujjhegyen végzi, hogy Lőbl szobájába szokatlan zörej ne halljék
Welcome to our website – the perfect destination for book lovers and
knowledge seekers. We believe that every book holds a new world,
offering opportunities for learning, discovery, and personal growth.
That’s why we are dedicated to bringing you a diverse collection of
books, ranging from classic literature and specialized publications to
self-development guides and children's books.

More than just a book-buying platform, we strive to be a bridge


connecting you with timeless cultural and intellectual values. With an
elegant, user-friendly interface and a smart search system, you can
quickly find the books that best suit your interests. Additionally,
our special promotions and home delivery services help you save time
and fully enjoy the joy of reading.

Join us on a journey of knowledge exploration, passion nurturing, and


personal growth every day!

ebookbell.com

You might also like