Apache Kyuubi项目中PyHive与setuptools 72.0.0的兼容性问题分析
Apache Kyuubi是一个开源的分布式SQL引擎,它提供了JDBC/ODBC接口,使得用户可以通过标准的SQL接口来访问大数据平台。在Kyuubi的Python客户端实现中,PyHive是一个重要的依赖库,用于提供Python与Hive/Impala等服务的连接能力。
最近,随着setuptools 72.0.0版本的发布,PyHive库在安装过程中出现了兼容性问题。这个问题的根源在于PyHive仍然依赖于setuptools中已被废弃的test命令模块。setuptools 72.0.0版本彻底移除了这个长期被标记为废弃的功能,导致任何依赖该模块的包都无法正常安装。
具体来说,当用户尝试在setuptools 72.0.0环境下安装PyHive时,会遇到"ModuleNotFoundError: No module named 'setuptools.command.test'"的错误。这是因为PyHive的setup.py文件中仍然引用了这个已经不存在的模块。这个问题不仅影响PyHive,也影响了其他许多依赖setuptools test命令的Python包。
从技术角度来看,setuptools的test命令已经被废弃多年,现代Python项目通常使用专门的测试框架如pytest或unittest来执行测试。实际上,Kyuubi项目本身已经不再使用这个废弃的test命令,而是通过其他方式运行测试。
对于开发者来说,解决这个问题的方法相对直接:需要更新PyHive的setup.py文件,移除对setuptools.command.test的依赖。考虑到PyHive可能已经不再维护,Kyuubi项目也可以考虑以下几种解决方案:
- 暂时锁定setuptools版本在72.0.0以下
- 寻找PyHive的替代品或维护一个修复后的分支
- 完全移除对PyHive的依赖(如果项目不再需要)
这个问题提醒我们,在Python生态系统中,依赖管理是一个需要持续关注的方面。特别是对于长期维护的项目,定期检查并更新依赖关系是非常重要的,以避免类似的兼容性问题。同时,这也展示了开源生态系统中"依赖链"的脆弱性——一个底层库的更新可能会影响到许多上层应用。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00