Niquests 3.14.0版本发布:增强异步HTTP客户端功能
Niquests是一个基于Python的HTTP客户端库,它提供了同步和异步两种请求方式。该项目旨在为开发者提供简单易用且功能强大的HTTP请求工具,支持多种高级特性如连接池、超时控制、自动解压缩等。最新发布的3.14.0版本在异步功能方面做了重要增强,并修复了一些关键问题。
新增功能亮点
异步请求的顶层API
3.14.0版本引入了与同步请求相对应的异步顶层API,包括aget、apost、aput等方法。这些方法为开发者提供了更加直观和便捷的异步请求方式,无需显式创建会话实例即可发起异步HTTP请求。
例如,现在可以直接使用:
response = await niquests.aget('https://example.com')
全局超时配置
新版本允许在创建Session或AsyncSession时设置全局超时参数。这一改进简化了超时配置,开发者不再需要为每个请求单独设置超时时间。
# 同步会话设置10秒全局超时
session = niquests.Session(timeout=10)
# 异步会话设置5秒全局超时
async_session = niquests.AsyncSession(timeout=5)
原始内容迭代支持
新增的iter_raw方法允许开发者获取未经解压缩处理的原始响应内容。这在处理大型文件或需要直接操作原始数据流的场景中特别有用。
# 同步方式
response = session.get('https://example.com/large-file')
for chunk in response.iter_raw():
process_raw_data(chunk)
# 异步方式
async_response = await async_session.get('https://example.com/large-file')
async for chunk in async_response.iter_raw():
await process_raw_data_async(chunk)
调试信息增强
为HTTP适配器添加了__repr__方法,使得调试时能够获取更多有用的信息,帮助开发者更快定位问题。
重要问题修复
-
修复了
AsyncResponse.close()方法中未正确等待协程的问题,确保资源能够被正确释放。 -
解决了在异步模式下尝试调用不可等待的urllib3原始响应对象的
close方法的问题,提高了异步操作的稳定性。
技术价值分析
3.14.0版本的发布标志着Niquests在异步HTTP客户端领域的进一步成熟。新增的异步顶层API降低了异步编程的门槛,使开发者能够更自然地编写异步HTTP请求代码。全局超时配置的引入则体现了对开发者体验的重视,减少了重复配置的工作量。
原始内容迭代功能的加入扩展了库的应用场景,特别是在处理大文件或需要精细控制数据流的场景中。这些改进共同提升了Niquests作为现代Python HTTP客户端库的竞争力。
对于正在使用或考虑使用Niquests的开发者来说,3.14.0版本提供了更完善的异步支持,更简洁的API设计,以及更稳定的运行表现,值得升级体验。
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
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
yuanrongopenYuanrong runtime:openYuanrong 多语言运行时提供函数分布式编程,支持 Python、Java、C++ 语言,实现类单机编程高性能分布式运行。Go051
MiniCPM-SALAMiniCPM-SALA 正式发布!这是首个有效融合稀疏注意力与线性注意力的大规模混合模型,专为百万级token上下文建模设计。00
ebook-to-mindmapepub、pdf 拆书 AI 总结TSX01