django-pubsub 技术文档
1. 安装指南
在开始使用django-pubsub之前,请确保您的环境满足以下要求:
- 一个支持pubsub的XMPP服务器(已测试ejabberd)
- 一个BOSH传输到XMPP(已测试nginx和ejabberd)
- xmpppy库
- Strophe.js及其pubsub插件
安装步骤如下:
-
安装必要的依赖库:
pip install django-pubsub xmpppy -
在你的项目settings.py文件中添加
django-pubsub应用。 -
确保XMPP服务器和BOSH传输已正确安装和配置。
-
将Strophe.js和pubsub插件添加到你的静态文件目录。
2. 项目的使用说明
django-pubsub允许你为你的模型创建类似Twitter的实时更新。
发布(Publish)
如果你的应用中有一个Tweet模型,并且你希望它的更新能够实时推送,你只需要做以下操作:
from pubsub import pubsub
pubsub.register(Tweet)
你可以通过传递一个模型列表来注册多个模型。每个注册的模型都会成为一个Publisher Node,并且在创建新的实例时会通知所有订阅者。创建的node名称是基于应用名和模型名组成的。例如,如果你的应用名为Twitter,那么Tweet模型的node将会是/Twitter/Tweet。通知中携带的payload包含了实例序列化后的XML。
你也可以在任何视图中发布事件到任何node:
from pubsub import publish
publish("/home", "Hello World")
订阅(Subscribe)
使用strophe.js编写的XMPP客户端将会监听Publisher并接收事件。应用中包含了在media/js中的客户端。
要在你的模板中使用客户端,需要包含以下脚本:
<script type="text/javascript" src="{{ MEDIA_URL }}/js/jquery-1.4.2.min.js"></script>
<script type="text/javascript" src="{{ MEDIA_URL }}/js/strophe.js"></script>
<script type="text/javascript" src="{{ MEDIA_URL }}/js/strophe.pubsub.js"></script>
<script type="text/javascript" src="{{ MEDIA_URL }}/js/pubsub.settings.js"></script>
<script type="text/javascript" src="{{ MEDIA_URL }}/js/pubsub.client.js"></script>
然后调用客户端:
pubsub = new PubSubClient({
'nick': '<unique_nick>',
'node': '<node>',
'event_cb': <callback to receive the events>
});
如果你需要一个授权用户登录,可以传递username和password代替nick。
一个简单的事件回调函数如下:
function event_cb(entry, pubsub) {
console.log("payload: ", $(entry).text());
console.log("unread: ", pubsub.unread);
}
回调函数event_cb接收新的更新。entry包含了发布者发送的payload,被包裹在<entry>标签中。pubsub是PubSubClient的实例。
此外,你还可以访问pubsub.unread,它表示当窗口失去焦点时的未读消息数,以及pubsub.focus,它表示窗口是否处于活动状态。
3. 项目API使用文档
django-pubsub提供的API主要围绕发布和订阅事件。以下是一些核心API的使用方法:
pubsub.register(model): 注册一个Django模型,使其成为一个发布节点。pubsub.unregister(model): 取消注册一个模型的发布节点。publish(node, payload): 向指定的节点发布一个事件。
4. 项目安装方式
项目的安装方式已在“安装指南”一节中详细说明。简而言之,您需要通过pip安装django-pubsub和xmpppy库,并在您的Django项目中正确配置。同时,确保您的XMPP服务器支持pubsub,并且BOSH传输已正确配置。最后,将必要的JavaScript文件包含到您的模板中,以便前端能够订阅和接收事件。
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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