性能的极致,Rust的加持,Zed-Dev编辑器快速搭建Python3.10开发环境

简介: 快就一个字,甚至比以快著称于世的Sublime 4编辑器都快,这就是Zed.dev编辑器。其底层由 Rust 编写,比基于Electron技术微软开源的编辑器VSCode快一倍有余,性能上无出其右,同时支持多人编辑代码。

快就一个字,甚至比以快著称于世的Sublime 4编辑器都快,这就是Zed.dev编辑器。其底层由 Rust 编写,比基于Electron技术微软开源的编辑器VSCode快一倍有余,性能上无出其右,同时支持多人编辑代码。

安装和配置Zed.dev

Zed.dev编辑器还在灰度测试阶段,暂时只释出了Mac版本,在Zed.dev官网下载,安装成功后,进入Zed.dev编辑器,使用组合键 Command + , 调出编辑器的配置文件:

// Zed settings  
//  
// For information on how to configure Zed, see the Zed  
// documentation: https://zed.dev/docs/configuring-zed  
//  
// To see all of Zed's default settings without changing your  
// custom settings, run the `open default settings` command  
// from the command palette or from `Zed` application menu.  
{  
    "theme": "One Dark",  
}

编辑器默认使用暗黑风格的One Dark主题,也可以通过配置theme来选择别的主题,比如"Rosé Pine Moon:

"theme": "Rosé Pine Moon",

如图所示:

除此之外,我们也可以配置其他的设置,以方便日常的开发:

// Zed settings  
//  
// For information on how to configure Zed, see the Zed  
// documentation: https://zed.dev/docs/configuring-zed  
//  
// To see all of Zed's default settings without changing your  
// custom settings, run the `open default settings` command  
// from the command palette or from `Zed` application menu.  
{  
    "theme": "Rosé Pine Moon",  
    "soft_wrap": "editor_width",  
    "autosave": "on_focus_change",  
    "tab_size": 4,  
    "buffer_font_size": 15,  
    "language_overrides": {  
      "Python": {  
        "format_on_save": {  
          "external": {  
            "command": "black",  
            "arguments": ["-"]  
          }  
        }  
      }  
    }  
}

这里配置了自动保存,缩进空格,自适应断行等等。

Zed.dev默认支持的语言列表:

C  
C++  
CSS  
HTML  
Elixir  
Go  
JavaScript  
JSON  
Markdown  
Python  
Ruby  
Rust  
TOML  
TSX  
TypeScript

也就是说默认支持上述语言的自动补全,而不需要单独配置:

虽然Zed.dev还不支持插件,但内部集成了系统的终端,直接通过组合键 esc + shift 打开终端即可运行代码:

非常方便,也可以通过组合键 Command + b 来自由收放左侧文件列表菜单栏。

大体上,基本不需要配置什么,就可以直接用Zed.dev来写代码了,即所谓开箱可用。

项目共享协作

我们可以从协作菜单中添加一个现有的Zed.dev用户作为联系人,从窗口右上角的加号图标进行部署,或者通过组合键command-shift-c,然后单击搜索框右侧的添加图标按钮:

随后可以在协作菜单中看到所有在线或者离线联系人。搜索或点击他们将发送一个请求,开始呼叫并与他们共享当前的项目,他们将收到加入呼叫的通知。

这之后所有连入Zed.dev项目的人就可以进行代码联调了,效率上要比Git高出了不少。

结语

快速轻便,简单清爽,这就是Zed.dev给我们的第一印象,很明显,在桌面编辑器层面,Rust具有及其出挑的优势,它以闪电般的速度处理功能复杂的任务,同时还减少了与内存、边界、空变量、初始化变量或整数溢出相关的错误,下面是Zed.dev的内存占用情况:

最后附上邀请码,与君共觞:zed.dev/invites/T7MtltpVii8thwIW

相关文章
|
2月前
|
测试技术 数据库 UED
Python 性能测试进阶之路:JMeter 与 Locust 的强强联合,解锁性能极限
【9月更文挑战第9天】在数字化时代,确保软件系统在高并发场景下的稳定性至关重要。Python 为此提供了丰富的性能测试工具,如 JMeter 和 Locust。JMeter 可模拟复杂请求场景,而 Locust 则能更灵活地模拟真实用户行为。结合两者优势,可全面评估系统性能并优化瓶颈。例如,在电商网站促销期间,通过 JMeter 模拟大量登录请求并用 Locust 模拟用户浏览和购物行为,可有效识别并解决性能问题,从而提升系统稳定性和用户体验。这种组合为性能测试开辟了新道路,助力应对复杂挑战。
111 2
|
1月前
|
测试技术 持续交付 Apache
性能怪兽来袭!Python+JMeter+Locust,让你的应用性能飙升🦖
【10月更文挑战第10天】随着互联网应用规模的不断扩大,性能测试变得至关重要。本文将探讨如何利用Python结合Apache JMeter和Locust,构建高效且可定制的性能测试框架。通过介绍JMeter和Locust的使用方法及Python的集成技巧,帮助应用在高负载下保持稳定运行。
67 2
|
1月前
|
机器学习/深度学习 数据挖掘 Serverless
手把手教你全面评估机器学习模型性能:从选择正确评价指标到使用Python与Scikit-learn进行实战演练的详细指南
【10月更文挑战第10天】评估机器学习模型性能是开发流程的关键,涉及准确性、可解释性、运行速度等多方面考量。不同任务(如分类、回归)采用不同评价指标,如准确率、F1分数、MSE等。示例代码展示了使用Scikit-learn库评估逻辑回归模型的过程,包括数据准备、模型训练、性能评估及交叉验证。
65 1
|
1月前
|
存储 数据处理 Python
深入解析Python中的生成器:效率与性能的双重提升
生成器不仅是Python中的一个高级特性,它们是构建高效、内存友好型应用程序的基石。本文将深入探讨生成器的内部机制,揭示它们如何通过惰性计算和迭代器协议提高数据处理的效率。
|
1月前
|
缓存 并行计算 算法
如何提高 Python 高阶函数的性能?
【10月更文挑战第2天】
16 3
|
1月前
|
测试技术 持续交付 Apache
性能怪兽来袭!Python+JMeter+Locust,让你的应用性能飙升🦖
【10月更文挑战第2天】随着互联网应用规模的不断膨胀,性能测试变得至关重要。本文将介绍如何利用Python结合Apache JMeter和Locust构建高效且可定制的性能测试框架。Apache JMeter是一款广泛使用的开源负载测试工具,适合测试静态和动态资源;Locust则基于Python,通过编写简单的脚本模拟HTTP请求,更适合复杂的测试场景。
65 3
|
1月前
|
安全 数据安全/隐私保护 UED
优化用户体验:前后端分离架构下Python WebSocket实时通信的性能考量
在当今互联网技术的迅猛发展中,前后端分离架构已然成为主流趋势,它不仅提升了开发效率,也优化了用户体验。然而,在这种架构模式下,如何实现高效的实时通信,特别是利用WebSocket协议,成为了提升用户体验的关键。本文将探讨在前后端分离架构中,使用Python进行WebSocket实时通信时的性能考量,以及与传统轮询方式的比较。
65 2
|
2月前
|
测试技术 API Python
Python中requests、aiohttp、httpx性能对比
这篇文章对比了Python中三个流行的HTTP客户端库:requests、aiohttp和httpx,在发送HTTP请求时的性能,并提供了测试代码和结果,以帮助选择适合不同应用场景的库。
191 2
|
1月前
|
数据处理 Python
如何优化Python读取大文件的内存占用与性能
如何优化Python读取大文件的内存占用与性能
117 0
|
2月前
|
缓存 算法 数据处理
时间&空间复杂度,Python 算法的双重考验!如何优雅地平衡两者,打造极致性能?
在Python算法中,时间与空间复杂度的平衡至关重要。时间复杂度反映算法执行时间随输入规模的变化趋势,空间复杂度则关注额外存储空间的需求。优秀的算法需兼顾两者,如线性搜索时间复杂度为O(n),空间复杂度为O(1);二分查找在时间效率上显著提升至O(log n),空间复杂度保持为O(1);动态规划通过牺牲O(n)空间换取O(n)时间内的高效计算。实际应用中,需根据具体需求权衡,如实时数据处理重视时间效率,而嵌入式系统更关注空间节约。通过不断优化,我们能在Python中找到最佳平衡点,实现高性能程序。
68 3