Delta Sharing Python 1.3.2 版本发布:增强OAuth兼容性与数据类型支持
Delta Sharing 是一个开源的数据共享协议,它建立在Delta Lake之上,允许组织以安全、高效的方式共享大规模数据集。该项目通过标准REST协议实现跨平台数据共享,支持多种客户端语言,包括Python、Java等。最新发布的Delta Sharing Python 1.3.2版本带来了一系列重要改进,特别是在OAuth兼容性和数据类型支持方面的增强。
OAuth客户端兼容性提升
在1.3.2版本中,Delta Sharing改进了OAuth客户端的实现,使其能够处理expires_in参数作为字符串的情况。这一改进解决了与某些非标准OAuth实现(如某些自定义OAuth服务器)的兼容性问题。在实际应用中,OAuth 2.0规范虽然建议expires_in应为数字,但有些实现会将其作为字符串返回。新版本通过更灵活的解析逻辑,确保了在这些场景下的稳定运行。
Delta内核升级与时间戳分区修复
本次发布将delta-kernel-rs升级至0.6.1版本,修复了读取基于时间戳分区的表时可能出现的问题。时间戳分区是大数据分析中常见的分区策略,特别是在处理时间序列数据时。这一修复确保了在查询按时间戳分区的表时,数据能够被正确识别和读取,提高了数据处理的准确性。
构建系统改进
在构建系统方面,1.3.2版本包含了delta-kernel-rust-sharing-wrapper的maturin构建改进,现在构建时会包含源代码。这一变化为开发者提供了更好的调试能力,当需要排查底层问题时,可以更方便地查看相关实现细节。
Delta格式协议支持
新版本增加了对Delta格式的表协议和元数据的支持。这意味着Delta Sharing现在能够更完整地处理Delta Lake表的元数据信息,包括表协议版本、格式规范等。这一改进增强了与Delta Lake生态系统的兼容性,使得通过Delta Sharing共享的表能够保持与原生Delta Lake表相同的特性和行为。
时间戳无时区类型支持
1.3.2版本引入了对TimestampNtz(无时区时间戳)类型的支持,特别是在快照查询中。TimestampNtz是一种常见的时间数据类型,它表示不带时区信息的时间戳。在数据分析场景中,许多业务数据(如交易时间、日志时间等)通常不需要时区信息。这一新增支持使得Delta Sharing能够更好地处理这类数据,为数据分析师提供更准确的时间序列分析能力。
总结
Delta Sharing Python 1.3.2版本虽然在版本号上是一个小版本更新,但包含了多项重要的功能改进和问题修复。从OAuth兼容性到数据类型支持,再到内核升级和构建系统改进,这些变化共同提升了Delta Sharing的稳定性、兼容性和功能性。对于正在使用或考虑采用Delta Sharing进行数据共享的组织来说,升级到1.3.2版本将带来更顺畅的数据共享体验和更强大的数据处理能力。
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