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。
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