Cassandra分布式测试(DTests)技术文档
1. 安装指南
环境依赖
在开始运行DTests之前,需要安装一些必要的依赖项。以下是所需的依赖项:
- Python 3
- PIP for Python 3
- libev
- git
- JDK 8 (Java)
Linux 系统
在Linux系统上,可以通过以下命令安装所需的依赖项:
apt-get install git-core python3 python3-pip python3-dev libev4 libev-dev
可选步骤(解决警告:“jemalloc共享库无法预加载以加速内存分配”):
apt-get install -y --no-install-recommends libjemalloc1
Mac 系统
在Mac系统上,推荐安装最新的Xcode和命令行工具,并使用Homebrew来安装依赖项:
brew install python3 libev
Python 依赖
DTests还需要一些外部的Python依赖项。这些依赖项的列表保存在cassandra-dtest仓库根目录下的requirements.txt文件中。
推荐使用pip和virtualenv来安装这些依赖项。虽然virtualenv不是严格必需的,但它可以提供一个通用的基础环境,避免不同配置之间的冲突。
-
安装
virtualenv:pip install virtualenv -
创建一个新的
virtualenv:virtualenv --python=python3 --no-site-packages ~/dtest -
激活新的
virtualenv:source ~/dtest/bin/activate -
安装DTest的Python依赖项:
pip install -r /path/to/cassandra-dtest/requirements.txt
2. 项目使用说明
测试执行
DTests使用pytest框架来执行测试。pytest框架提供了一个非常有用的使用和调用文档,可以帮助你了解基本的调用选项。
在执行测试时,框架需要知道Cassandra源代码的位置。有两种方式可以指定Cassandra源代码的位置:
-
使用现有的源代码:
pytest --cassandra-dir=~/path/to/cassandra -
使用
ccm能力从archives.apache.org下载/编译发布的源代码:pytest --cassandra-version=1.0.0
运行特定测试
你可以通过传递测试文件、类或单个测试的路径来运行特定的测试:
pytest --cassandra-dir=~/path/to/cassandra pending_range_test.py
pytest --cassandra-dir=~/path/to/cassandra pending_range_test.py::TestPendingRangeMovements
pytest --cassandra-dir=~/path/to/cassandra pending_range_test.py::TestPendingRangeMovements::test_pending_range
重复运行测试
在添加新测试或修改现有测试时,建议多次运行以确保其稳定性。可以使用--count选项来重复运行测试。例如,运行一个测试类10次:
pytest --count=10 --cassandra-dir=~/path/to/cassandra pending_range_test.py
测试日志
每个测试都会启动一个新的集群,并在测试结束后将其关闭。如果测试失败,节点的日志将保存在logs/<timestamp>目录中,以便分析。
3. 项目API使用文档
测试编写
如果你需要编写新的测试或修改现有测试,建议参考现有的测试代码。每个测试都会启动一个新的集群,并在测试结束后将其关闭。
调试测试
在调试DTests时,可以使用以下方法:
使用pytest.set_trace()
如果某个断言值不符合预期,可以在断言前添加pytest.set_trace(),以便在执行到该行代码时进入交互式Python调试器(pdb),从而检查测试变量的状态。
处理挂起的测试
调试挂起的测试可能会比较困难,但通过Python 3的改进,现在可以轻松获取pytest进程中所有线程的Python线程转储。可以在代码中添加以下内容:
import faulthandler
faulthandler.enable()
这将安装一个信号处理程序,当进程接收到SIGABRT信号时,Python将转储所有运行线程的线程转储。
4. 项目安装方式
安装步骤
通过以上步骤,你可以成功安装并运行Cassandra分布式测试(DTests)。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00