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。
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