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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C089
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00