isort 6.0.0 版本发布:Python 导入排序工具的重大更新
isort 是一个流行的 Python 工具,专门用于自动整理和排序 Python 代码中的导入语句。它能够根据用户定义的规则,将导入语句分组并按字母顺序排列,使代码更加整洁和一致。isort 支持多种配置选项,可以与各种代码风格指南(如 PEP 8)配合使用,并且能够与大多数现代开发工具集成。
主要变更内容
不兼容性变更
本次 6.0.0 版本移除了对 Python 3.8 的支持,这意味着用户需要至少使用 Python 3.9 或更高版本才能运行最新版的 isort。这一变更反映了 Python 生态系统的自然演进,允许开发团队专注于支持更新的 Python 特性并减少维护负担。
新特性与改进
-
Python 3.13 支持:isort 现在正式支持即将发布的 Python 3.13 版本,确保用户可以在最新的 Python 环境中使用该工具。
-
性能优化:通过改进
exists_case_sensitive调用的实现,显著提升了工具的运行速度,特别是在处理大型代码库时。 -
Black 风格配置增强:在 Black 配置文件中启用了 magic comma 功能,使得与 Black 格式化工具的集成更加无缝。
-
Google 代码风格更新:调整了 Google 风格配置中的行长度限制和单行排除规则,使其更符合实际的 Google Python 风格指南。
-
导入语句处理改进:修复了
split_on_trailing_comma功能与as导入语句的兼容性问题,并解决了重新导出排序时的代码损坏问题。
问题修复
-
并行处理修复:现在
--diff选项可以与--jobs并行处理选项一起使用,解决了之前的不兼容问题。 -
代码风格修正:修正了 wemake 风格的字符限制说明(实际为 80 字符而非 79),并修复了 Google 风格测试中的问题。
-
包分组修复:改进了按包分组的标记化处理,确保分组逻辑更加准确。
-
语法错误修正:修复了主分支上的一些语法错误和拼写错误。
开发工具与基础设施
-
依赖管理现代化:将 Poetry 更新至 2.0.1 版本,并引入了 UV 作为 Poetry 的替代方案,提升了依赖管理的效率和安全性。
-
CI/CD 改进:更新了 GitHub Actions 工作流,移除了过时的 actions/cache@v2 使用,并添加了 Dependabot 支持以自动更新 GitHub Action。
-
依赖项安全更新:升级了多个依赖项版本,包括 gitpython 和 jinja2,以解决潜在的安全问题。
技术影响与建议
对于现有用户,升级到 6.0.0 版本前需要注意以下几点:
-
确保您的 Python 环境至少为 3.9 版本,如果仍在使用 3.8,需要先升级 Python 环境。
-
如果您使用 Black 作为代码格式化工具,新的 magic comma 支持可能会改变一些导入语句的格式化方式,建议在非生产环境中先测试这些变更。
-
对于大型项目,新的性能优化可能会显著减少导入排序所需的时间,特别是在持续集成环境中。
-
建议检查您的配置文件,特别是如果您使用 Google 或 wemake 风格,因为这些风格的默认设置已经更新。
isort 6.0.0 版本代表了该项目的一个重要里程碑,不仅提供了对新 Python 版本的支持,还通过多项优化和改进提升了工具的稳定性、性能和用户体验。对于重视代码整洁和一致性的 Python 开发团队来说,升级到这个版本将带来明显的益处。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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