Apache Kyuubi项目中PyHive与setuptools 72.0.0的兼容性问题分析
问题背景
在Apache Kyuubi项目的Python客户端依赖中,PyHive作为重要的Hive连接库,近期被发现与最新版本的setuptools存在兼容性问题。具体表现为当用户环境中的setuptools升级到72.0.0版本后,PyHive的安装过程会失败。
问题根源
这个问题的本质在于PyHive仍然依赖setuptools中已被废弃的test命令模块。setuptools在72.0.0版本中移除了这个长期被标记为废弃的功能,这是Python打包生态系统现代化进程的一部分。PyHive的setup.py文件中引用了setuptools.command.test模块,导致在新的setuptools版本下无法正常构建。
技术细节
setuptools作为Python生态中最重要的打包工具之一,其72.0.0版本移除了多个已废弃的功能,其中就包括传统的测试命令实现。这个变更影响了大量仍在使用旧式测试命令的Python包。
在PyHive的具体实现中,项目可能继承了setuptools的TestCommand来定义自定义测试流程,或者直接引用了该模块。当setuptools 72.0.0不再提供这个模块时,Python的导入机制就会抛出ModuleNotFoundError,导致包安装过程失败。
影响范围
这个问题会影响所有使用PyHive且setuptools版本≥72.0.0的环境。值得注意的是,PyHive实际上已经不再使用这个测试命令功能,这意味着移除相关依赖不会影响实际功能。
解决方案
解决这个问题有两种主要途径:
-
降级setuptools:临时将setuptools降级到71.x或更早版本
pip install "setuptools<72.0.0" -
修复PyHive:更彻底的解决方案是更新PyHive的构建配置,移除对废弃test命令的依赖。这需要修改setup.py文件,删除相关导入和使用。
最佳实践建议
对于依赖PyHive的项目,建议采取以下措施:
- 在项目文档中明确setuptools版本要求
- 考虑在CI/CD流程中固定setuptools版本
- 推动PyHive上游修复这个问题
总结
这个案例展示了Python生态系统中依赖管理的重要性。随着核心工具的不断演进,项目需要定期更新构建配置以适应这些变化。对于Apache Kyuubi这样的项目来说,保持依赖的现代性和兼容性是确保用户体验的关键因素。
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
HunyuanVideo-1.5暂无简介00
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