Reqwest v0.12.16 版本发布:HTTP/3优化与功能增强
Reqwest 是一个广受欢迎的 Rust HTTP 客户端库,以其简单易用和高性能著称。它提供了同步和异步两种调用方式,支持多种协议特性,是 Rust 生态中处理 HTTP 请求的首选工具之一。最新发布的 v0.12.16 版本带来了一系列重要的功能增强和问题修复,特别是在 HTTP/3 支持和连接管理方面有了显著改进。
HTTP/3 功能增强
本次更新对 HTTP/3 的支持进行了多项优化:
-
BBR 拥塞控制算法:新增了
ClientBuilder::http3_congestion_bbr()方法,允许开发者启用 BBR (Bottleneck Bandwidth and Round-trip propagation time) 拥塞控制算法。BBR 是 Google 开发的一种现代拥塞控制算法,相比传统的 Cubic 算法,它能够更有效地利用网络带宽,特别是在高延迟或丢包率较高的网络环境中表现更优。 -
QUIC Grease 支持:通过
ClientBuilder::http3_send_grease()方法,开发者现在可以配置是否发送 QUIC grease。Grease 是 Google 提出的一种机制,通过在协议中随机插入无意义的字段来防止中间件对特定协议特征的过度依赖,从而提高协议的健壮性和未来兼容性。 -
响应头大小限制:新增
ClientBuilder::http3_max_field_section_size()方法,允许开发者设置最大响应头大小限制,防止恶意服务器发送过大的头部导致内存问题。 -
流式请求体支持:修复了 HTTP/3 中流式请求体(streaming request bodies)的支持问题,现在可以正常使用分块传输编码发送大文件或流式数据。
连接管理改进
在 TCP 连接管理方面,新版本增加了两个重要配置项:
-
TCP Keepalive 探测间隔:通过
ClientBuilder::tcp_keepalive_interval()方法,开发者可以设置 TCP keepalive 探测包的发送间隔。这对于检测和关闭已经失效的连接非常有用,特别是在负载均衡器或 NAT 设备后面时。 -
TCP Keepalive 重试次数:
ClientBuilder::tcp_keepalive_retries()方法允许配置在认为连接失效前发送的 keepalive 探测包数量。合理的配置可以减少因短暂网络问题导致的连接重建开销。
网络访问功能增强
新版本为网络访问功能增加了额外的头部支持:
Proxy::headers()方法允许开发者添加需要发送给网络访问服务的额外头部信息。这在需要认证或特殊指令的网络环境中非常有用,例如企业网络或云服务环境。
重要问题修复
-
重定向次数限制:修复了
redirect::Policy::limit()方法中的一个边界错误,该错误导致实际允许的重定向次数比指定值多一次。现在行为符合预期,严格遵循开发者设置的限制。 -
WASM 空体处理:修复了 WASM 环境下调用
Response::bytes_stream()时对空响应体的处理问题,现在能够正确处理 null 体情况。 -
macOS/Solaris 接口绑定:
ClientBuilder::interface方法现在在这些系统上能够正常工作,允许开发者将连接绑定到特定网络接口。
内部优化
除了用户可见的功能变化,本次更新还包含多项内部优化:
-
依赖更新:升级了 brotli 压缩库到 v7 版本,webpki-roots 到 v1 版本,提高了安全性和性能。
-
代码重构:使用 hyper-util 的代理匹配器和隧道实现,减少了代码重复,提高了可维护性。
-
资源占用优化:移除了不必要的 futures-util 依赖,减少了二进制大小和编译时间。
总结
Reqwest v0.12.16 版本在保持 API 稳定性的同时,通过新增功能和修复问题进一步提升了库的实用性和可靠性。特别是对 HTTP/3 的增强使得现代协议特性更加完善,而连接管理和网络访问功能的改进则增强了在各种网络环境下的适应性。这些变化使得 Reqwest 继续成为 Rust 生态中 HTTP 客户端的首选解决方案。
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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00