Firehose 技术文档
Firehose 是一个基于 Ruby 和 JavaScript 的实时 Web 应用程序构建工具。它既是一个 Rack 应用程序,也是一个 JavaScript 库,能够帮助开发者轻松构建实时 Web 应用。本文将详细介绍 Firehose 的安装、使用、API 以及配置等内容。
1. 安装指南
1.1 安装 Redis
Firehose 依赖于 Redis 2.6 或更高版本,因为 Firehose 使用了 Redis 的 Lua/EVAL 功能。请确保已安装并运行 Redis 2.6。
# 下载并安装 Redis
$ wget http://download.redis.io/releases/redis-2.6.0.tar.gz
$ tar xzf redis-2.6.0.tar.gz
$ cd redis-2.6.0
$ make
1.2 安装 Firehose
通过 RubyGems 安装 Firehose:
$ gem install firehose
1.3 使用 Docker 安装
如果你更喜欢使用 Docker,可以通过以下命令构建并启动 Firehose:
$ docker-compose build
$ docker-compose up
2. 项目的使用说明
2.1 启动 Firehose 服务器
启动 Firehose 服务器非常简单,只需运行以下命令:
$ firehose server
服务器启动后,默认监听 127.0.0.1:7474。
2.2 发布和订阅消息
Firehose 提供了一个简单的 HTTP 发布-订阅机制。你可以通过 curl 命令来测试这一功能。
在一个终端窗口中订阅消息:
$ curl "http://localhost:7474/hello"
在另一个终端窗口中发布消息:
$ curl -X PUT -d "Greetings fellow human being..." "http://localhost:7474/hello"
你将在第一个终端窗口中看到发布的消息。
2.3 运行测试
Firehose 提供了测试套件,可以通过以下命令运行测试:
$ docker-compose run firehose bundle exec rspec spec
3. 项目 API 使用文档
3.1 JavaScript 消费者
Firehose 提供了一个功能齐全的 JavaScript 客户端,允许你订阅频道以获取实时更新。
以下是一个简单的 JavaScript 消费者示例:
new Firehose.Consumer({
message: function(msg){
console.log(msg);
},
connected: function(){
console.log("Great Scotts!! We're connected!");
},
disconnected: function(){
console.log("Well shucks, we're not connected anymore");
},
error: function(){
console.log("Well then, something went horribly wrong.");
},
uri: '//localhost:7474/hello'
}).connect();
3.2 多路复用消费者
如果你需要同时订阅多个频道,可以使用多路复用消费者:
new Firehose.MultiplexedConsumer({
connected: function(){
console.log("Great Scotts!! We're connected!");
},
disconnected: function(){
console.log("Well shucks, we're not connected anymore");
},
error: function(){
console.log("Well then, something went horribly wrong.");
},
uri: '//localhost:7474/',
channels: {
"/my/channel/1": {
message: function(msg) {
console.log("got message on channel 1:");
console.log(msg);
}
},
"/my/channel/2": {
message: function(msg) {
console.log("got message on channel 2:");
console.log(msg);
}
}
}
}).connect();
3.3 Ruby 发布者
Firehose 还提供了一个 Ruby 客户端,用于轻松发布消息:
require 'firehose'
require 'json'
json = {'hello'=> 'world'}.to_json
firehose = Firehose::Client::Producer::Http.new('//127.0.0.1:7474')
firehose.publish(json).to("/my/messages/path")
你还可以通过传递选项来设置自定义 HTTP 头,例如 TTL、缓冲区大小等。
firehose.publish(json).to("/my/messages/path", ttl: 120, buffer_size: 1, deprecated: true, persist: true)
4. 项目配置
4.1 环境变量配置
Firehose 可以通过环境变量进行配置。参考 .env.sample 文件获取更多信息。
4.2 服务器配置
你可以通过 Firehose::Server.configuration 对象来配置 Firehose 服务器:
require "firehose"
class MyFilter < Firehose::Server::MessageFilter
def process(message)
message.payload = message.payload.upcase
end
end
Firehose::Server.configuration do |config|
config.message_filter = MyFilter
config.redis.url = ENV.fetch "FIREHOSE_REDIS_URL", "redis://redis:6379/10"
end
4.3 自定义消息过滤器
你可以通过继承 Firehose::Server::MessageFilter 类来实现自定义的消息过滤器,用于处理消息的认证和过滤逻辑。
class MyFilter < Firehose::Server::MessageFilter
def initialize(channel)
super(channel)
MyLogger.info "Subscribing to channel: #{channel}"
end
def on_subscribe(params)
@my_param = params["my-param"].to_i
end
def process(message)
if @my_param > 10
message.payload += "My-Param: #{@my_param}"
end
end
def on_unsubscribe
end
end
4.4 频道弃用日志
你可以通过配置将某些频道标记为弃用,并在订阅或发布时记录日志:
Firehose::Server.configuration do |config|
config.deprecated_channels = ["/my/deprecated/channel"]
end
总结
Firehose 是一个功能强大且易于使用的实时 Web 应用程序构建工具。通过本文的指南,你应该能够轻松安装、配置和使用 Firehose,并利用其丰富的 API 构建实时应用。
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