Cython 3.1 中移除 cpython.int.pxd 的影响与迁移指南
Cython 3.1 版本中移除了对 Python 2 兼容性的支持,特别是删除了 cpython/int.pxd 文件,这导致了一些依赖该文件的代码无法编译。这一变更反映了 Python 生态向 Python 3 的全面迁移,开发者需要了解这一变化的影响并采取相应的迁移措施。
背景与变更原因
在 Python 2 时代,整数类型分为 int 和 long 两种,因此 Cython 提供了 cpython/int.pxd 文件来处理这两种类型的交互。随着 Python 3 的普及,整数类型统一为 long 类型,原有的 PyInt_* 系列函数被 PyLong_* 替代。
Cython 3.1 移除了 cpython/int.pxd 文件,这是清理 Python 2 兼容代码的一部分。这一变更影响了那些仍然在代码中使用 PyInt_Check 和 PyInt_AS_LONG 等函数的项目。
影响范围
受影响的代码通常包含以下形式的导入语句:
from cpython.int cimport PyInt_Check, PyInt_AS_LONG
在 Cython 3.0 及更早版本中,这些代码能够编译通过,因为 Cython 内部提供了从 PyInt_* 到 PyLong_* 的映射。但在 3.1 版本中,这种隐式转换不再可用。
迁移解决方案
对于需要迁移的项目,有以下几种解决方案:
-
直接使用 PyLong_ 函数*: 将代码中的
PyInt_Check替换为PyLong_Check,PyInt_AS_LONG替换为PyLong_AsLong。这是最推荐的解决方案,因为它完全遵循 Python 3 的规范。 -
条件编译: 如果代码需要同时支持 Python 2 和 3,可以使用条件编译:
IF PY_MAJOR_VERSION < 3: from cpython.int cimport PyInt_Check, PyInt_AS_LONG ELSE: from cpython.long cimport PyLong_Check as PyInt_Check, PyLong_AsLong as PyInt_AS_LONG -
自定义兼容层: 可以创建一个自定义的兼容层头文件,提供必要的宏定义和函数映射。
实际案例
以 python-flint 项目为例,其原始代码中包含了对 PyInt_Check 的使用:
if PY_MAJOR_VERSION < 3 and PyInt_Check(obj):
fmpz_set_si(x, PyInt_AS_LONG(obj))
return 1
迁移后的代码可以直接使用 PyLong_Check,因为 Python 3 中所有整数都是长整型:
if PyLong_Check(obj):
fmpz_set_pylong(x, obj)
return 1
最佳实践建议
- 全面检查代码库:搜索项目中所有
from cpython.int的导入语句,评估其必要性。 - 更新构建配置:确保构建系统明确指定需要 Cython 3.0.x 或更新版本。
- 添加版本检查:在项目的构建脚本中添加对 Cython 版本的检查,提供友好的错误提示。
- 移除 Python 2 兼容代码:除非有特殊需求,否则建议完全移除与 Python 2 相关的条件编译代码。
结论
Cython 3.1 移除 cpython/int.pxd 是 Python 生态向现代化迈进的一步。虽然这会导致一些现有代码需要调整,但迁移过程通常是直接的。开发者应该抓住这个机会,清理项目中的遗留代码,确保代码库完全符合 Python 3 的规范。对于大多数项目来说,简单地用 PyLong_* 替代 PyInt_* 函数就能解决问题,同时还能简化代码并提高可维护性。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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