curl_cffi项目发布v0.11.0b1版本:支持HTTP/3协议
curl_cffi是一个基于Python的HTTP客户端库,它通过封装libcurl库提供了强大的HTTP请求功能。该项目最大的特点是支持模拟不同浏览器指纹的请求,同时保持了libcurl的高性能和灵活性。最新发布的v0.11.0b1版本带来了对HTTP/3协议的支持,这是一个重要的功能升级。
HTTP/3协议支持
HTTP/3是HTTP协议的最新版本,它基于QUIC传输协议而非传统的TCP协议。QUIC协议由Google开发,后被IETF标准化为HTTP/3的基础。相比HTTP/2,HTTP/3具有以下优势:
- 更快的连接建立时间:QUIC协议内置了TLS 1.3,减少了握手次数
- 改进的多路复用:解决了HTTP/2中的队头阻塞问题
- 更好的移动网络适应性:连接迁移特性使设备切换网络时无需重新建立连接
在curl_cffi v0.11.0b1中,开发者可以通过设置http_version参数为CurlHttpVersion.V3ONLY来强制使用HTTP/3协议。以下是一个简单的使用示例:
import curl_cffi
from curl_cffi import CurlHttpVersion
r = curl_cffi.get("https://example-quic.com", http_version=CurlHttpVersion.V3ONLY)
print(r.status_code) # 输出200
print(r.http_version == CurlHttpVersion.V3) # 输出True
其他改进
除了HTTP/3支持外,这个版本还包含了一些重要的修复和改进:
- 修复了HEADERFUNCTION回调函数的拼写错误
- 改进了请求头编码的处理逻辑,现在请求级别的编码设置会覆盖会话级别的设置
- 完善了DEBUGFUNCTION回调功能的支持,为调试提供了更多便利
兼容性说明
需要注意的是,当前版本的Windows平台构建存在问题,开发团队将在后续版本中修复。对于其他平台,包括macOS和各种Linux发行版,都已经提供了预编译的wheel包。
技术实现细节
curl_cffi实现HTTP/3支持的关键在于集成了libcurl的HTTP/3后端。libcurl本身并不直接实现HTTP/3协议,而是通过可插拔的后端架构支持不同的协议实现。对于HTTP/3,libcurl依赖于nghttp3和quiche等第三方库。
在Python层面,curl_cffi通过CFFI(C Foreign Function Interface)技术与libcurl进行交互。CFFI提供了Python调用C代码的高效方式,同时保持了良好的跨平台兼容性。这种设计使得curl_cffi既能够利用libcurl的强大功能,又能够提供Pythonic的API接口。
总结
curl_cffi v0.11.0b1版本的发布标志着该项目对现代HTTP协议支持的进一步完善。HTTP/3作为下一代Web协议,正在被越来越多的网站和服务采用。通过curl_cffi,Python开发者可以方便地在自己的应用中利用HTTP/3带来的性能优势,同时保持与现有代码的兼容性。
对于需要高性能HTTP客户端或者需要模拟浏览器行为的应用场景,curl_cffi无疑是一个值得考虑的选择。随着HTTP/3的普及,这一功能升级将使得curl_cffi在未来的Web开发中发挥更大的作用。
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