Apache Kyuubi Web UI 中 JDBC 引擎日志获取异常问题分析
Apache Kyuubi 作为开源的大数据 SQL 网关,其 Web UI 提供了便捷的 SQL 编辑和执行功能。近期在使用过程中发现,当用户选择 JDBC 引擎执行查询时,Web UI 的 SQL 编辑器模块会出现异常,提示"Get SQL Log Failed"错误。
问题现象
在 Kyuubi Web UI 的 SQL 编辑器中选择 JDBC 引擎后,执行查询操作时前端界面会显示错误提示。通过浏览器开发者工具查看,发现是后端接口返回了 500 错误,具体表现为获取操作日志时抛出了 NullPointerException。
问题根源
经过深入分析,发现问题出在 Kyuubi 服务器的 OperationsResource 组件中。当使用 JDBC 引擎并以同步模式(runAsync=false)执行查询时,服务器端会返回一个空的 RowSet 对象。而在 OperationsResource.getOperationLog 方法中,代码直接调用了 rowSet.getColumns() 方法,没有对返回结果进行空值检查,导致了空指针异常。
技术细节
在 Kyuubi 的架构设计中,操作日志的获取分为两种模式:
- 异步模式(runAsync=true):服务器会维护操作日志
- 同步模式(runAsync=false):直接从引擎获取日志
对于 JDBC 引擎,在同步模式下执行查询时,虽然 KyuubiOperationManager 已经实现了从引擎获取日志的逻辑,但由于 JDBC 引擎的特殊性,返回的 RowSet 对象中 columns 字段为 null,而代码中没有对此情况进行处理。
解决方案
针对这个问题,社区已经提出了修复方案,主要改进点包括:
- 在 OperationsResource.getOperationLog 方法中添加对 rowSet 和 getColumns() 返回值的空值检查
- 当检测到空值时,返回适当的默认值或空列表,而不是抛出异常
- 对于 JDBC 引擎的特殊情况,考虑是否需要在引擎层面提供日志支持
影响范围
该问题主要影响以下场景:
- 使用 Kyuubi Web UI
- 选择 JDBC 引擎类型
- 执行同步查询操作
对于其他引擎类型(如 Spark)或异步查询模式不受此问题影响。
总结
这个问题揭示了 Kyuubi 在异常处理方面的不足,特别是在处理不同引擎返回结果时的健壮性问题。通过这次修复,不仅解决了 JDBC 引擎日志获取的问题,也为后续支持更多引擎类型提供了更好的错误处理范例。对于使用者来说,升级到包含此修复的版本后,将获得更稳定的 Web UI 操作体验。
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