AWS Amplify JS 6.15.0 版本发布:支持自定义身份池端点与完整校验和上传
AWS Amplify 是一个由亚马逊云科技提供的开源框架,旨在帮助开发者快速构建可扩展的云原生应用程序。它提供了一系列工具和服务,涵盖了身份验证、存储、API、分析等多个领域,使开发者能够轻松地将云功能集成到Web和移动应用中。
近日,AWS Amplify JS 发布了6.15.0版本,这个版本带来了几项重要的功能增强和问题修复,特别是对身份验证和存储服务的改进。让我们一起来看看这次更新的主要内容。
身份验证功能增强:支持自定义身份池端点
在6.15.0版本中,AWS Amplify Auth模块新增了对自定义身份池(Cognito Identity Pool)端点的支持。身份池是AWS Cognito服务的重要组成部分,它允许用户通过多种身份提供商(如Google、Facebook、Amazon等)获取临时AWS凭证,从而访问AWS资源。
在实际应用中,企业可能出于合规性、性能优化或网络隔离等考虑,需要使用自定义的端点而非AWS默认的全局端点。例如:
- 在中国区部署的应用需要使用cn-north-1区域的特定端点
- 企业内部部署的私有云环境需要指向内部端点
- 需要绕过某些网络限制的特殊场景
通过这项更新,开发者现在可以灵活配置身份池端点,满足各种特殊场景的需求。这大大增强了Amplify在不同环境下的适应能力。
存储服务改进:完整校验和上传
AWS Amplify Storage模块在6.15.0版本中引入了完整校验和(Full Body Checksum)上传功能。这项改进主要针对S3存储服务,它能够在文件上传过程中计算并验证整个文件的校验和,确保数据传输的完整性。
在分布式系统中,网络传输可能会遇到各种问题,如数据包丢失、损坏等。传统的分块上传虽然高效,但缺乏对整个文件完整性的验证。完整校验和机制通过以下方式提升数据可靠性:
- 在上传前计算整个文件的校验和
- 将校验和与文件一起上传
- 服务端接收后验证校验和是否匹配
- 只有验证通过才会确认上传成功
这对于处理重要数据的应用尤为重要,如医疗影像、金融交易记录等场景,可以避免因数据传输错误导致的数据不一致问题。
其他重要修复与改进
除了上述两项主要功能外,6.15.0版本还包含了一些重要的修复和改进:
-
ESM兼容性修复:解决了PubSub模块在ES模块系统中的兼容性问题,使Amplify能够更好地与现代JavaScript工具链配合使用。
-
开发工具链升级:整个项目现在使用TypeScript 5.3.0进行构建,利用了最新TypeScript版本的性能改进和类型检查能力。
-
代码清理:移除了Auth模块中未使用的代码文件,保持代码库的整洁和可维护性。
升级建议
对于正在使用AWS Amplify的开发者,建议考虑升级到6.15.0版本,特别是:
- 需要使用自定义身份池端点的项目
- 对数据完整性要求较高的存储应用
- 使用现代JavaScript工具链的项目
升级过程通常很简单,只需更新package.json中的版本号并重新安装依赖即可。但建议在升级前仔细阅读变更日志,并在测试环境中验证应用的兼容性。
AWS Amplify团队持续改进这个框架,使其更加强大和灵活。6.15.0版本的这些更新再次证明了这一点,为开发者提供了更多控制权和可靠性保障。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00