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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08