structlog 25.4.0版本发布:异常组支持与Python 3.13兼容性升级
structlog是一个强大的Python结构化日志记录库,它通过处理器链的方式提供了灵活且可扩展的日志记录功能。与标准库logging模块相比,structlog更注重于结构化数据的记录,使得日志信息更易于解析和分析。
主要更新内容
Python 3.13.4兼容性修复
本次发布的一个重要背景是即将到来的Python 3.13.4版本中包含了一个向后不兼容的变更。这个变更影响了logging.Logger.isEnabledFor()方法的行为:当有日志条目正在处理时,该方法现在会始终返回False。
这一变化主要影响了structlog标准库集成中的structlog.stdlib.filter_by_level()功能。开发者应当在升级Python 3.13.4之前先升级structlog到25.4.0版本,以确保日志过滤功能正常工作。
异常组支持
25.4.0版本引入了对Python异常组(Exception Groups)的支持,这一功能借鉴了Rich库的实现方式。异常组是Python 3.11引入的新特性,允许将多个异常作为一个组抛出和处理。
structlog的tracebacks模块现在能够正确处理异常组,新增了两个重要字段:
is_group: 布尔值,标识是否为异常组exceptions: 包含所有子异常的列表
这一改进使得structlog能够更全面地捕获和记录复杂的异常情况,特别是在异步编程场景中,异常组的使用越来越普遍。
其他改进
异常美化处理器修复
ExceptionPrettyPrinter处理器现在能够正确尊重exception_formatter参数,而不是总是使用默认的格式化器。这意味着开发者可以更灵活地自定义异常信息的显示方式。
技术细节
对于异常组的支持实现,structlog采用了类似Rich库v14.0.0的处理方式。异常组中的每个子异常都会被递归处理,最终形成一个完整的异常跟踪树。这种处理方式特别适合复杂的并发编程场景,能够清晰地展示异常之间的关系。
在性能方面,structlog保持了其一贯的高效特性。即使增加了异常组的支持,日志处理的性能开销仍然保持在最低水平。
升级建议
对于正在使用structlog的项目,特别是那些计划升级到Python 3.13.4的项目,强烈建议尽快升级到25.4.0版本。升级过程通常是无缝的,但需要注意以下几点:
- 如果项目中使用了自定义的异常处理器,可能需要检查它们是否能够正确处理异常组
- 在Python 3.13.4环境下,确保所有依赖
filter_by_level的功能都经过充分测试 - 对于复杂的异步应用,可以利用新的异常组支持来获得更详细的错误信息
structlog 25.4.0继续保持了项目的稳定性和可靠性,同时增加了对Python最新特性的支持,为开发者提供了更强大的日志记录工具。
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