up-fetch v2.0.0 发布:现代化请求库的重大升级
up-fetch 是一个基于原生 fetch API 构建的轻量级请求库,它通过提供简洁的配置方式和强大的扩展能力,帮助开发者更高效地处理 HTTP 请求。近日,该项目发布了 2.0.0 版本,带来了多项重要改进和新特性,标志着该库在功能和稳定性上迈上了一个新台阶。
核心特性增强
内置重试机制
在分布式系统中,网络请求失败是常见现象。up-fetch v2.0.0 引入了内置的重试机制,开发者可以轻松配置重试条件和策略:
const fetcher = up(fetch, () => ({
retry: {
when: (ctx) => ctx.response?.ok === false, // 重试条件
attempts: 3, // 最大重试次数
delay: 1000, // 重试间隔
},
}))
这种声明式的配置方式使得处理瞬态故障变得异常简单,特别适合在微服务架构或移动网络环境下使用。
进度追踪与流式处理
现代应用经常需要处理大文件上传下载,进度反馈对用户体验至关重要。新版本提供了全面的进度追踪能力:
upfetch('/download', {
onResponseStreaming: ({ transferredBytes, totalBytes }) => {
console.log(`下载进度: ${transferredBytes}/${totalBytes}`)
},
onRequestStreaming: ({ transferredBytes, totalBytes }) => {
console.log(`上传进度: ${transferredBytes}/${totalBytes}`)
},
})
这个特性底层基于 ReadableStream API 实现,不仅支持进度显示,还能与流式处理完美结合。
架构优化
生命周期钩子重构
v2.0.0 对生命周期钩子进行了重新设计,使其更加符合现代前端开发习惯:
upfetch('/api/data', {
onRequest(request) {
console.log('请求发出前:', request.url)
},
onSuccess(data, request) {
console.log('请求成功:', request.method, data)
},
onError(error) {
if(isResponseError(error)) {
console.error('服务器错误:', error.request.url)
}
}
})
这种设计将请求上下文统一为标准的 Request 对象,与 Web 平台规范保持一致,降低了学习成本。
异步配置支持
考虑到现代应用普遍需要异步获取配置(如从本地存储读取 JWT),新版本全面支持异步配置:
const fetcher = up(fetch, async () => {
const token = await secureStorage.get('auth_token')
return {
headers: { Authorization: `Bearer ${token}` },
}
})
这个改进使得在服务端渲染(SSR)或渐进式Web应用(PWA)中使用 up-fetch 更加自然。
破坏性变更与迁移指南
虽然 v2.0.0 包含一些破坏性变更,但大多数只影响高级用法。主要变更包括:
-
选项重命名:
throwResponseError→rejectparseResponseError→parseRejected
-
回调参数标准化: 所有回调现在接收标准 Request 对象而非解析后的选项,提高了与浏览器API的一致性。
迁移示例:
// v1 版本
up(fetch, () => ({
onSuccess: (data, options) => useStore.set(options.input, data)
}))
// v2 版本
up(fetch, () => ({
onSuccess: (data, request) => useStore.set(request.url, data)
}))
技术实现亮点
错误处理改进
新版本对 ValidationError 进行了优化,错误信息更加清晰可读。当请求被拒绝时,错误对象会包含完整的请求上下文:
try {
await upfetch('/protected')
} catch (error) {
if(isResponseError(error)) {
console.error(`请求 ${error.request.method} ${error.request.url} 失败`)
console.error('状态码:', error.response.status)
}
}
类型系统增强
TypeScript 类型定义得到了全面优化,现在能更准确地推断响应数据类型:
const getUser = upfetch('/user/:id', {
parseResponse: (res) => res.json() as Promise<User>
})
// 自动推断返回类型为 User
const user = await getUser({ params: { id: '123' } })
总结
up-fetch v2.0.0 通过引入重试机制、进度追踪等企业级功能,同时优化了API设计和类型系统,使其成为一个更加成熟的前端请求解决方案。虽然包含一些破坏性变更,但迁移成本较低,且新版本提供了更符合现代Web开发习惯的API设计。对于正在寻找比axios更轻量、比原生fetch更强大的HTTP客户端的团队,up-fetch v2.0.0 值得考虑。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00