Whenever 0.8.0版本发布:时间处理库的重大更新
项目简介
Whenever是一个专注于日期和时间处理的Python库,旨在提供更直观、更安全的时间操作接口。该项目通过Rust扩展实现高性能的时间计算,同时保持Pythonic的API设计风格。在0.8.0版本中,Whenever进行了多项重大改进和优化,为未来的1.0正式版奠定了基础。
性能优化
本次更新在性能方面取得了显著提升:
-
时区操作加速:Rust扩展中的时区处理速度提升了5-8倍,这得益于放弃了标准库的
zoneinfo模块,采用了全新的实现方案。对于需要频繁处理时区转换的应用场景,这一改进将带来明显的性能优势。 -
导入速度提升:无论是Rust扩展还是纯Python实现,模块的导入速度都得到了显著优化。这意味着应用程序启动时加载Whenever库的时间更短,特别适合需要快速启动的CLI工具和微服务。
-
RFC2822解析优化:邮件和HTTP协议中常见的RFC2822时间格式解析现在更加健壮且快速,处理网络协议中的时间戳更加高效。
功能增强
0.8.0版本在功能方面也有多项改进:
-
ISO 8601格式支持扩展:
parse_common_iso()方法现在支持更广泛的ISO 8601格式变体,能够处理更多实际场景中出现的时间表示方式。开发者不再需要为各种细微差异的ISO格式编写额外的处理逻辑。 -
边界条件处理改进:极端日期边界条件下的计算更加可靠,避免了在处理接近时间表示极限的日期时可能出现的错误。
-
文档完善:新增了示例页面,提供了实际使用场景中的代码片段,帮助开发者更快地上手和使用库的各种功能。
重大变更
0.8.0版本包含了一些破坏性变更,这些变更是为了API的一致性和未来的扩展性:
-
类名和方法重命名:
LocalDateTime更名为PlainDateTimelocal()方法更名为to_plain()instant()方法更名为to_instant()strptime方法更名为parse_strptime
-
错误处理改进:
- 无效时区名称现在抛出
whenever.TimeZoneNotFoundError(继承自ValueError)而非zoneinfo.ZoneInfoNotFoundError InvalidOffset异常更名为InvalidOffsetErrorSkippedTime和RepeatedTime现在继承自ValueError
- 无效时区名称现在抛出
-
行为变更:
TimeDelta.from_py_timedelta不再接受timedelta子类- Whenever现在使用独立的时区缓存,不再受
ZoneInfo.clear_cache()影响 - 移除了
[format|parse]_rfc3339方法,推荐使用更通用的ISO 8601处理方法
问题修复
本次更新修复了多个关键问题:
-
纯Python版本中
ZonedDateTime.exact_eq()方法的比较逻辑缺陷,避免了在某些情况下可能出现的误判。 -
day_length()和start_of_day()方法的类型标注错误,提高了类型检查的准确性。 -
修正了
now()方法参数描述的准确性,避免了文档与实际行为的不一致。
升级建议
对于现有项目升级到0.8.0版本,开发者需要注意:
-
检查代码中是否使用了被重命名的方法和类,按照变更说明进行相应修改。
-
特别注意错误处理逻辑,确保捕获的异常类型与新的错误体系兼容。
-
评估时区缓存行为变更对应用的影响,必要时使用Whenever提供的新缓存控制方法。
-
对于性能敏感的应用,可以考虑利用新的ISO 8601解析能力替换原有的RFC3339处理逻辑。
Whenever 0.8.0版本通过这次重大更新,在性能、功能和API设计上都迈出了重要一步,为开发者提供了更强大、更可靠的时间处理工具。
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