up-fetch v1.3.0 版本发布:增强请求体处理与配置灵活性
up-fetch 是一个基于原生 fetch API 的轻量级封装库,旨在提供更便捷、更灵活的 HTTP 请求体验。它通过中间件机制和配置预设功能,简化了常见请求场景的处理逻辑,同时保持了与原生 API 的良好兼容性。
新增功能:isJsonifiable 实用工具
v1.3.0 版本引入了一个新的实用工具函数 isJsonifiable,用于判断一个值是否可以被安全地转换为 JSON 格式。这个工具函数在处理请求体时特别有用,可以帮助开发者避免在序列化不可 JSON 化的值时出现意外错误。
在实际应用中,我们经常会遇到需要判断一个对象是否可以被 JSON.stringify 处理的情况。例如,当我们需要发送一个请求时,如果请求体包含不可序列化的内容(如循环引用的对象、函数等),直接调用 JSON.stringify 会导致错误。有了 isJsonifiable,我们可以提前进行安全检查:
if (isJsonifiable(data)) {
// 安全地进行 JSON 序列化
const jsonString = JSON.stringify(data);
} else {
// 处理不可序列化的情况
}
这个工具函数的实现考虑了 JavaScript 中各种可能的数据类型和边缘情况,为开发者提供了可靠的判断依据。
重大变更:请求体处理机制的改进
更灵活的请求体类型支持
本次版本对 serializeBody 选项进行了重要改进。在之前的版本中,serializeBody 只接收可以被 JSON 化的值作为参数。现在,它能够接收任何非空值作为第一个参数,大大提高了灵活性。
这一变化意味着开发者现在可以处理更多类型的请求体,包括但不限于:
- FormData
- URLSearchParams
- Blob
- ArrayBuffer
- 自定义数据结构
类型安全的请求体约束
配合 TypeScript 的类型系统,开发者现在可以通过类型注解来精确控制允许的请求体类型。例如:
const upfetch = up(fetch, () => ({
serializeBody: (body: FormData) => body,
}));
在这个例子中,我们明确指定 serializeBody 只接受 FormData 类型的请求体。当尝试传递其他类型的请求体时,TypeScript 会在编译时给出错误提示,从而避免运行时问题。
这种类型安全的约束机制特别适合在大型项目中使用,它可以帮助团队保持代码一致性,减少因类型不匹配导致的错误。
配置函数的参数变更
另一个重要的架构调整是关于 up-fetch 配置函数的参数传递方式。在 v1.3.0 之前,配置函数的第二个参数具有功能性签名。现在,up 函数直接接收 fetcher 的参数,使得配置可以基于具体的请求信息进行动态调整。
这种改变带来了更直观的配置方式,开发者现在可以根据请求的 URL 或选项来定制不同的默认行为。例如:
const upfetch = up(fetch, (input, options) => ({
baseUrl: 'https://example.com',
timeout: typeof input === 'string' && input.startsWith('/export/')
? 30000
: 5000,
}));
在这个配置中,我们为不同的请求路径设置了不同的超时时间:以 '/export/' 开头的路径使用 30 秒超时,其他路径则使用 5 秒超时。这种基于请求特征的动态配置能力,使得 up-fetch 能够更好地适应复杂的业务场景。
升级建议
对于现有项目升级到 v1.3.0 版本,开发者需要注意以下几点:
- 检查项目中是否依赖了
serializeBody只接收 JSON 化值的特性,必要时调整相关代码。 - 如果使用了配置函数的第二个参数的功能性签名,需要重构为新的参数接收方式。
- 考虑使用新的
isJsonifiable工具函数来增强请求体处理的健壮性。
总体而言,v1.3.0 版本的改进使得 up-fetch 在处理各种 HTTP 请求场景时更加灵活和强大,特别是对于需要处理多种数据格式和动态配置的项目来说,这些改进将显著提升开发体验和代码质量。
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