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。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
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!Kotlin08
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