PyModbus v3.9.0 版本发布:关键位处理修复与功能优化
项目简介
PyModbus 是一个用 Python 实现的 Modbus 协议栈,支持 Modbus RTU 和 Modbus TCP 协议。它提供了完整的客户端和服务器实现,广泛应用于工业自动化、物联网设备通信等领域。Modbus 是一种应用层报文传输协议,位于 OSI 模型的第七层,为连接在不同类型总线或网络上的设备之间提供客户端/服务器通信。
版本核心更新
1. 关键位处理修复
本次版本最重要的修复是关于位处理的内部实现和 API 行为。在之前的版本中,read_coils 等读取位操作的函数返回的线圈状态顺序存在错误,这会导致应用程序错误解析数据。这个问题存在多年但一直未被发现,直到本次版本才得到修复。
对于工业控制系统而言,位顺序的正确性至关重要。例如,在控制继电器或读取传感器状态时,错误的位顺序可能导致设备误动作或状态误判。v3.9.0 版本彻底解决了这一潜在风险。
2. 数据块默认参数优化
ModbusSequentialDataBlock 类现在提供了更合理的默认参数。这一改进使得开发者在不指定所有参数的情况下也能创建数据块实例,简化了初始化过程,同时保持了功能的完整性。
3. 异常处理增强
新版本改进了异常处理机制,主要体现在两个方面:
- 异常错误信息更加清晰,特别是在解码响应时
- 将
exception_code暴露给 API,使开发者能够获取更详细的异常信息,便于调试和错误处理
性能与稳定性提升
1. 本地回显处理修正
同步客户端中的 handle_local_echo 处理得到修正。在串口通信中,本地回显功能用于验证数据是否正确发送,修正后的处理逻辑能够更可靠地支持这一功能。
2. 事务处理优化
- 在每次事务写入前刷新接收缓冲区,避免残留数据干扰
- 避免在已完成的 futures 上设置结果,防止潜在的错误状态
这些改进显著提升了在高负载或长时间运行情况下的通信稳定性。
开发环境与工具链更新
1. Python 版本支持调整
项目放弃了对 Python 3.9 的支持,因为该版本已经到达生命周期终点(EOL)。开发者需要升级到 Python 3.10 或更高版本才能使用 PyModbus v3.9.0。
2. 开发容器改进
开发容器(devcontainer)现在支持自动安装,简化了开发环境的搭建过程。这一改进特别适合团队协作和持续集成场景。
3. 代码质量工具优化
简化了 ruff 配置,这是 Python 生态中一个快速发展的代码检查工具。这一变更使得代码风格检查更加高效且易于维护。
架构简化
1. 数据存储验证移除
从数据存储(datastores)中移除了 validate() 方法,这一变更简化了数据存储接口,同时没有牺牲功能完整性。开发者现在可以使用更直接的方式管理数据。
2. 自定义功能命名统一
将 Start<x>Server 中的 custom_functions 参数统一更名为 custom_pdu,这一命名更加准确地反映了参数的实际用途,即处理自定义协议数据单元(PDU)。
总结
PyModbus v3.9.0 是一个以稳定性和正确性为核心的版本,特别是修复了长期存在的位处理问题。对于依赖 Modbus 协议进行设备通信的系统,建议尽快升级到此版本以获得更可靠的数据处理能力。同时,版本中的多项优化也提升了开发体验和运行时性能,使 PyModbus 在现代 Python 生态中保持竞争力。
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