.NET 高性能 HTTP 客户端库 Oryx 的最佳实践
1. 项目介绍
Oryx 是一个高性能的 .NET 跨平台功能 HTTP 请求处理器库,使用 F# 语言编写。它旨在用于创建 HTTP 客户端以及编排 Web 请求。Oryx currently 被用于 .NET SDK 中,以便与 Cognite Data Fusion (CDF) 进行交互。它借鉴了 AsyncRx 和 Giraffe 框架的设计理念,将这些理念应用于客户端发起的 Web 请求处理。
2. 项目快速启动
在您的项目中使用 Oryx 非常简单。首先,您需要通过 NuGet 包管理器安装 Oryx 包。
使用 NuGet 包管理器控制台执行以下命令:
Install-Package Oryx
或者,如果您使用 .NET CLI,可以执行:
dotnet add package Oryx
接下来,您可以使用以下示例代码快速启动一个 HTTP 请求:
open System.Net.Http
open System.Text.Json
open FSharp.Control.Tasks.V2
open Oryx
open Oryx.SystemTextJson.ResponseReader
[<Literal>]
let Url = "https://en.wikipedia.org/w/api.php"
let options = JsonSerializerOptions()
let query term = [
struct ("action", "opensearch")
struct ("search", term)
]
let asyncMain argv = task {
use client = new HttpClient()
let request term =
httpRequest
|> GET
|> withHttpClient client
|> withUrl Url
|> withQuery (query term)
|> fetch
|> json options
let! result = request "F#"
printfn "Result: %A" result
}
[<EntryPoint>]
let main argv =
asyncMain argv
|> Async.AwaitTask
|> ignore
0 // 返回一个整数退出码
确保您已经正确处理了异步操作,并在适当的地方使用 await。
3. 应用案例和最佳实践
编写 HTTP 请求处理器
Oryx 的核心是 HttpContext 和 HttpHandler。HttpContext 包含了发起请求所需的所有状态,以及从远程服务器接收的任何响应元数据,如头部信息、响应代码等。
type Context = {
Request: HttpRequest
Response: HttpResponse
}
type IHttpNext<'TSource> = abstract member OnSuccessAsync: ctx: HttpContext * content: 'TSource -> Task<unit>
abstract member OnErrorAsync: ctx: HttpContext * error: exn -> Task<unit>
abstract member OnCancelAsync: ctx: HttpContext -> Task<unit>
type HttpHandler<'TSource> = IHttpNext<'TSource> -> Task<unit>
您可以组合不同的 HTTP 处理器来创建复杂的请求流程。例如,使用 withBearerToken 添加认证信息,或者使用 cache 来缓存请求结果。
处理 HTTP 响应
处理响应时,您可以使用如 parseAsync 方法将响应流异步解析为指定的类型:
let! result = request
|> parseAsync<MyResponseType> // 解析为自定义类型
确保您已经定义了相应的数据类型来匹配 JSON 响应的结构。
4. 典型生态项目
在 Oryx 生态中,您可以找到一些常用的 HTTP 处理器,如缓存、错误处理、并发请求等。这些处理器可以作为构建复杂 HTTP 客户端的基础模块。
例如,使用 concurrent 处理器可以并发运行多个 HTTP 请求:
let concurrentRequest =
httpRequest
|> concurrent [requestA; requestB; requestC]
|> withHttpClient client
在这里,requestA、requestB 和 requestC 是之前定义的 HTTP 请求处理器。
以上是使用 Oryx 的基础介绍和最佳实践。在实际项目中,您可以根据具体需求调整和组合不同的处理器,以实现高效的 HTTP 请求管理。
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