tarpc:Rust中的易用RPC框架
2024-05-22 02:48:59作者:冯爽妲Honey
简介
tarpc是一个专为Rust设计的远程过程调用(RPC)框架,注重简洁和便捷性。定义服务只需几行代码,并且大部分服务器的繁琐工作都已为你处理好。不是Google的官方产品,但由其开发团队维护。
项目技术分析
tarpc与其他RPC框架的最大区别在于它在代码中定义服务规范,而非依赖如.proto这样的独立语言。这意味着没有额外的编译步骤,也不需要在不同语言之间切换。核心特性包括:
- 可插拔传输:任何实现了
Stream<Item = Request> + Sink<Response>的类型都可以作为客户端和服务端之间的传输层。 - 非必需的'Send + 'static:如果传输层不需要,tarpc也不会强制要求。
- 级联取消:当请求被取消时,会向服务器发送取消消息。服务器将停止对该请求的未完成工作,并可能进一步取消自身产生的请求,形成级联效应。
- 自定义超时与超时传播:默认请求超时时间为10秒。服务器会在超时时自动停止工作,并将超时传递给下游请求。
- 分布式追踪:集成tracing和OpenTelemetry,支持Jaeger等兼容的跟踪收集器,或者直接与常规日志记录器配合使用。
- Serde序列化:启用
serde1Cargo功能后,服务请求和响应可以实现Serialize + Deserialize,但不是强制性的,不需序列化的场景可以选择内存传输。
应用场景
tarpc适用于构建微服务架构,尤其适合那些希望在代码中直接定义服务接口的项目。例如,可以在多个内部服务之间进行高效的数据交互,或者搭建跨网络通信的服务集群。
项目特点
- 简单快速的定义服务:使用
tarpc::service宏,可以轻松快捷地定义服务并实现其业务逻辑。 - 灵活的传输层:能够适应各种传输方式,包括但不限于网络和内存通道。
- 无侵入的API:tarpc提供的API既不增加额外的编程模型复杂度,又保持了Rust本身的良好体验。
- 高性能与低延迟:由于无需跨语言边界,tarpc通常能提供更高效的性能和更低的延迟。
示例代码
以下是一个使用tokio的简单示例,展示了如何创建一个简单的RPC服务:
use futures::future::{self, Ready};
use tarpc::{
client, context,
server::{self, Channel},
};
// 定义服务
#[tarpc::service]
trait World {
async fn hello(name: String) -> String;
}
// 实现服务
#[derive(Clone)]
struct HelloServer;
impl World for HelloServer {
type HelloFut = Ready<String>;
fn hello(self, _: context::Context, name: String) -> Self::HelloFut {
future::ready(format!("Hello, {name}!"))
}
}
// 主程序启动服务并创建客户端
#[tokio::main]
async fn main() -> anyhow::Result<()> {
let (client_transport, server_transport) = tarpc::transport::channel::unbounded();
let server = server::BaseChannel::with_defaults(server_transport);
tokio::spawn(server.execute(HelloServer.serve()));
let client = WorldClient::new(client::Config::default(), client_transport).spawn();
let hello = client.hello(context::current(), "Stim".to_string()).await?;
println!("{}", hello);
Ok(())
}
总结来说,tarpc是Rust社区的一款强大而易于上手的RPC解决方案。无论是初学者还是经验丰富的开发者,都能从中受益,减少服务开发的复杂性和时间成本。立即尝试tarpc,体验简单高效的RPC编程吧!
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
269
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
620
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1