setuptools项目中的distutils.ccompiler.compiler_class丢失问题解析
背景介绍
在Python生态系统中,setuptools是一个广泛使用的包构建和分发工具。近期,setuptools 76.0.0版本发布后,一些开发者发现他们的测试开始失败,报错显示无法从distutils.ccompiler导入compiler_class属性。这个问题主要影响了那些依赖旧版本numpy的Python项目。
问题本质
这个问题的核心在于setuptools 76.0.0版本中移除了distutils.ccompiler模块中的compiler_class属性。这个属性在旧版本的numpy(特别是1.22及更早版本)中被直接使用。当开发者使用较新版本的setuptools配合较旧版本的numpy时,就会出现兼容性问题。
技术细节
在Python的打包生态中,distutils曾经是标准库的一部分,负责处理包的构建和分发。随着Python打包生态的演进,distutils逐渐被弃用,其功能被迁移到setuptools中。在这个过程中,一些内部实现细节发生了变化。
compiler_class是distutils.ccompiler模块中的一个函数,用于根据编译器名称获取对应的编译器类。在setuptools 76.0.0版本中,这个函数被移除,导致依赖它的旧代码无法运行。
影响范围
这个问题主要影响以下场景:
- 使用Python 3.9环境的项目
- 依赖numpy 1.22或更早版本的项目
- 使用setuptools 76.0.0或更新版本的项目
特别是那些使用"最低版本"测试策略的项目更容易遇到这个问题,因为它们的测试环境会安装声明支持的最低numpy版本,但同时会获取最新版本的setuptools。
解决方案
对于遇到这个问题的开发者,有以下几种解决方案:
-
升级numpy版本:numpy在1.23版本后已经弃用了对distutils.ccompiler.compiler_class的直接依赖。
-
降级setuptools:暂时将setuptools固定在75.8.2或更早版本,等待项目依赖的其他库更新。
-
等待setuptools修复:setuptools团队已经意识到这个问题,并可能在后续版本中临时恢复这些属性以平滑过渡。
最佳实践建议
为了避免类似问题,建议开发者:
- 在项目中明确声明所有直接和间接依赖的版本范围。
- 定期更新依赖项,避免使用已弃用的API。
- 在CI/CD流水线中同时测试最低版本和最新版本的依赖组合。
- 关注依赖库的弃用警告和更新日志,及时调整代码。
未来展望
随着Python打包生态的持续演进,类似的兼容性问题可能会逐渐减少。setuptools团队已经表示会考虑在过渡期间保持更好的向后兼容性,但开发者也不应过度依赖即将被移除的功能。对于长期维护的项目,及时更新依赖和迁移到新API是最稳妥的策略。
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