setuptools v70.0.0版本中pkg_resources.packaging移除问题解析
问题背景
在setuptools项目升级到v70.0.0版本后,许多开发者发现原先可用的from pkg_resources import packaging语句突然无法正常工作,导致大量项目构建失败。这个问题影响范围较广,包括PyTorch等知名项目都受到了影响。
技术分析
变更本质
setuptools v70.0.0版本中移除了pkg_resources模块中的packaging子模块。这实际上是一个内部实现细节的清理工作,而非公共API的变更。在Python生态中,模块内部导入的内容并不自动成为公共API的一部分,除非明确在__all__列表中声明或文档中明确说明。
正确的依赖方式
packaging模块实际上是Python生态中一个独立的包,应该直接作为依赖安装和使用。正确的做法是:
- 在项目依赖中明确添加packaging包
- 直接使用
import packaging或from packaging import ...来导入
问题根源
这个问题暴露了Python生态中一个常见的反模式:依赖其他库的内部实现细节而非公共API。许多项目错误地将pkg_resources中临时包含的packaging模块当作稳定API使用,而没有意识到这是一个实现细节。
解决方案
对于受影响的用户,有以下几种解决方案:
-
最佳实践:将项目依赖改为直接使用packaging包
# 替换前 from pkg_resources import packaging # 替换后 import packaging -
临时方案:如果无法立即修改代码,可以暂时锁定setuptools版本
setuptools<70.0.0 -
长期方案:检查项目中所有依赖关系,确保只使用各库的公共API
开发者建议
-
API使用原则:始终优先使用库文档中明确说明的公共API,避免依赖内部实现
-
依赖管理:对于功能性的依赖(如packaging),应该直接声明依赖而非间接通过其他库获取
-
版本兼容:在项目中使用较新的setuptools版本时,应该全面测试兼容性
-
代码审查:定期审查项目中的导入语句,确保没有依赖其他库的内部实现
总结
setuptools v70.0.0移除pkg_resources.packaging是一个合理的内部清理工作,虽然短期内造成了一些兼容性问题,但从长期来看有助于维护Python生态的健康。开发者应该借此机会检查并规范自己项目的依赖关系,遵循"显式优于隐式"的原则,直接声明和使用所需的依赖项。
这个问题也提醒我们,在Python开发中需要特别注意API边界,避免过度依赖其他库的实现细节,这样才能构建出更加健壮和可维护的软件系统。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00