curl_cffi v0.10.0 版本发布:原生接口支持与多项改进
curl_cffi 是一个基于 cURL 的 Python 绑定库,它通过 FFI(外部函数接口)方式直接调用 libcurl 库,提供了比标准库更底层的 HTTP 客户端功能。这个项目特别适合需要模拟浏览器指纹、处理复杂 HTTP 请求的场景,如爬虫开发、API 测试等。
主要更新内容
原生接口直接支持
本次更新最显著的变化是增加了对 curl_cffi 原生接口的直接支持。开发者现在可以直接使用 curl_cffi 模块发起 HTTP 请求,而不必通过 requests 兼容接口。这种原生方式提供了更直接的 cURL 功能访问,同时保持了 Pythonic 的使用体验。
import curl_cffi as cc
response = cc.get("https://www.example.com")
这种简洁的 API 设计使得开发者能够更直观地使用 cURL 的强大功能,同时避免了传统 requests 库的一些限制。
底层功能增强
-
时间精度提升:新增了对 TOTAL_TIME_T 和 SPEED_DOWNLOAD_T 等新选项的支持,这些选项提供了微秒级别的时间测量精度,对于性能分析和调试非常有价值。
-
端口信息获取:响应对象现在包含了 primary 和 local 端口信息,为网络调试和连接跟踪提供了更多细节。
-
WebSocket 改进:修复了
websocket.recv方法可能出现的挂起问题,提升了 WebSocket 客户端的稳定性。
请求处理优化
-
URL 处理修复:当提供 params 参数时,不再自动对 URL 进行 unquote 操作,解决了某些特殊情况下 URL 处理不正确的问题。
-
流式请求改进:修复了流式请求中止时可能出现的问题,使得大文件下载或流式数据处理更加可靠。
-
Headers 编码保留:现在能够正确保留 Headers 的原始编码,确保特殊字符的正确传输。
类型提示完善
SessionRequestParams 中的可选参数现在被正确地标记为可选,提供了更好的 IDE 支持和类型检查体验。
技术细节深入
原生接口的设计哲学
curl_cffi 原生接口的设计遵循了"简单直接"的原则。它不像 requests 兼容层那样抽象掉 cURL 的许多特性,而是提供了更接近底层但依然符合 Python 习惯的 API。这种设计使得开发者能够:
- 更直接地控制 HTTP 请求的各个方面
- 访问 cURL 特有的高级功能
- 在需要时轻松切换到 requests 兼容接口
性能监控增强
新增的 _T 后缀选项(如 TOTAL_TIME_T)使用了 libcurl 的高精度计时功能。这些选项返回的时间值以微秒为单位,相比传统的秒级精度,能够:
- 更准确地测量短请求的耗时
- 提供更精细的性能分析数据
- 帮助识别网络延迟中的微妙问题
WebSocket 稳定性的重要性
WebSocket 是现代 Web 应用中常见的实时通信协议。curl_cffi 对 WebSocket 支持的改进特别重要,因为:
- 修复的 recv 挂起问题会影响长时间运行的连接
- 稳定的 WebSocket 客户端是实现可靠实时应用的基础
- 许多现代 API(如聊天应用、实时数据推送)都依赖 WebSocket
升级建议
对于现有用户,升级到 v0.10.0 是推荐的,特别是:
- 需要更高精度计时数据的用户
- 使用 WebSocket 功能的项目
- 处理复杂 URL 或需要精细控制请求的场景
新用户可以直接从原生接口开始使用,体验更直接的 cURL 功能访问方式。如果需要 requests 兼容接口,依然可以通过 from curl_cffi import requests 导入。
这个版本标志着 curl_cffi 在提供灵活性和易用性方面的重要进步,为 Python 开发者提供了更强大的 HTTP 客户端选择。
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
HunyuanVideo-1.5暂无简介00
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