BlackSheep框架中Server-Sent Events的文本传输优化方案
2025-07-04 18:21:36作者:史锋燃Gardner
Server-Sent Events(SSE)作为一种轻量级的服务器推送技术,在现代Web应用中扮演着重要角色。BlackSheep作为高性能的Python Web框架,近期对其SSE功能进行了重要增强,特别是针对纯文本传输场景的优化。
原始问题分析
在BlackSheep框架的早期版本中,使用ServerSentEvent类发送纯文本消息时存在一个限制:所有内容都会被强制进行JSON序列化处理。这导致纯文本字符串会被自动加上引号,不符合某些场景下直接传输原始文本的需求。
开发者们提出了实际需求:希望能够直接发送未经JSON序列化的原始文本内容。典型应用场景包括:
- 与特定前端组件直接通信
- 传输预格式化文本内容
- 兼容已有SSE客户端实现
技术实现方案
BlackSheep团队采纳了社区建议,通过引入TextServerSentEvent类来解决这个问题。这个新类具有以下关键特性:
- 原生文本支持:直接接受字符串参数,不进行JSON序列化
- 安全处理机制:自动转义换行符(\n和\r\n),防止意外终止SSE消息
- 简洁API设计:保持与原有ServerSentEvent相似的接口风格
使用示例
from blacksheep.server.sse import TextServerSentEvent
@get("/events")
async def events_handler(request: Request) -> AsyncIterable[TextServerSentEvent]:
counter = 0
while True:
counter += 1
yield TextServerSentEvent(f"当前计数: {counter}")
await asyncio.sleep(1)
前端处理时需要注意对转义字符的处理:
eventSource.onmessage = function(event) {
// 处理转义的换行符
const content = event.data.replace(/\\n/g, "<br />");
document.getElementById("output").innerHTML = content;
}
技术细节与最佳实践
-
换行符处理:SSE协议使用两个连续的换行符(\n\n)作为消息分隔符,TextServerSentEvent会自动将内容中的换行符转义为\n,确保消息完整性
-
连接管理:建议结合请求断开检测和应用程序停止信号处理,实现健壮的SSE连接管理
-
性能考量:相比JSON序列化,直接文本传输减少了CPU开销,特别适合高频消息推送场景
总结
BlackSheep框架通过引入TextServerSentEvent类,完善了其SSE功能矩阵,为开发者提供了更灵活的服务器推送选择。这一改进既保持了框架原有的简洁性,又解决了实际开发中的痛点,体现了框架对开发者需求的积极响应。
对于需要与现有SSE客户端集成或传输特定格式文本的应用场景,这一特性将显著简化开发工作。开发者现在可以根据具体需求,在JSON格式和纯文本格式之间自由选择,构建更高效的实时Web应用。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
660
307
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
259
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.19 K
652
仓颉编程语言运行时与标准库。
Cangjie
141
878
仓颉编译器源码及 cjdb 调试工具。
C++
134
867