Apache Cotton 技术文档
1. 安装指南
Apache Cotton 是一个运行在 Apache Mesos 上的 MySQL 实例框架。为了安装 Cotton,您需要以下环境:
- Python 2.7
- Mesos Python 绑定
首先,从 Apache 的 git 仓库克隆 Cotton 代码:
git clone https://git-wip-us.apache.org/repos/asf/incubator-cotton.git
或者,如果您更喜欢 GitHub,可以使用 GitHub 镜像:
git clone https://github.com/apache/incubator-cotton.git
Cotton 使用 Mesos Python 绑定,包括两个 Python 包。mesos.interface 可以从 PyPI 自动安装,而 mesos.native 是平台依赖的。您需要在您的机器上构建这个包(构建指南)或者下载一个为您的平台编译的包。
由于 pip 不支持 eggs,您需要使用 wheel convert 将 eggs 转换成 wheels,然后将其放入 3rdparty 文件夹。更多相关信息,请查看 README 文件。
2. 项目使用说明
Cotton 主要由两个组件组成:mysos_scheduler 和 mysos_executor。mysos_scheduler 连接到 Mesos master 并管理 MySQL 集群,mysos_executor 由 Mesos slave(根据 mysos_scheduler 的请求)启动以执行 MySQL 任务。
您可以使用 PEX 将这些组件及其依赖项打包成一个自包含的可执行文件,以便快速可靠地启动 Cotton 组件。
3. 项目API使用文档
Cotton 的 API 使用文档目前尚未提供详细说明。您可以通过阅读源代码和项目社区资源来了解更多信息。
4. 项目安装方式
Cotton 的安装主要通过克隆仓库源代码,然后构建和部署相关组件。以下是主要步骤:
- 克隆 Cotton 代码仓库。
- 构建或下载 Mesos Python 绑定并将其放入
3rdparty文件夹。 - 使用 PEX 将 Cotton 组件打包成可执行文件。
有关构建和测试的更多详细步骤,请参考以下部分。
构建和测试
单元测试
确保已安装 tox,然后运行以下命令:
tox
单元测试不需要 3rdparty 中的 mesos.native 包。Tox 会构建 Cotton 源码包并将其放入 .tox/dist。
在本地 Mesos 集群和 PEX 上进行端到端测试
构建/下载 mesos.native 包并放入 3rdparty,然后运行以下命令:
tox -e pex
此测试展示了如何打包 PEX 执行器并使用它在一个本地 Mesos 集群上启动一个模拟的 MySQL 集群。
在 Vagrant 虚拟机中的真实 Mesos 集群上进行端到端测试
Vagrant 测试使用 .tox/dist 中的 sdist Cotton 包,因此请确保首先运行 tox。然后执行以下操作:
vagrant up
等待 VM 和 Cotton API 端点启动(http://192.168.33.17:55001 变得可用)。
tox -e vagrant
test.sh 脚本会验证 Cotton 是否成功创建并删除了 MySQL 集群。
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 StartedRust052
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00