CPython项目中关于setuptools和wheel依赖的优化与更新
在Python生态系统中,setuptools和wheel是两个至关重要的包管理工具。随着Python核心开发团队对CPython项目的持续维护,近期对测试套件中的这两个工具的依赖关系进行了重要调整。
背景与问题
在CPython的测试套件中,test.wheeldata目录一直包含捆绑的setuptools和wheel轮子文件,用于构建测试包。然而,随着setuptools 0.70.1及以上版本的发布,bdist_wheel方法已被原生集成到setuptools中,这意味着不再需要单独安装wheel库来构建轮子文件。
同时,wheel 0.46.0及以上版本移除了对packaging库的捆绑依赖,这使得当前版本的wheel在没有安装packaging的情况下无法正常使用。这种情况给测试环境带来了额外的复杂性。
解决方案
CPython开发团队决定采取以下措施:
- 更新test.wheeldata中的setuptools版本至最新稳定版
- 完全移除不再需要的wheel.whl文件
- 确保测试套件能够适应这些变更
这一变更不仅简化了测试依赖关系,还减少了仓库中不必要的二进制文件,优化了存储空间。
实施过程中的挑战
在实际实施过程中,开发团队遇到了一些意料之外的问题:
-
测试失败:test_cppext测试用例开始失败,报出"NameError: name 'sys' is not defined"错误。经调查发现,这是由于测试脚本中缺少必要的sys模块导入,而新版本的setuptools更严格地执行了模块导入检查。
-
弃用警告:
- 出现了"DeprecationWarning: Use shutil.which instead of find_executable"警告,提示需要更新代码以使用更现代的shutil.which方法
- 还有"DeprecationWarning: dep_util is Deprecated"警告,表明某些已弃用的功能仍在被使用
这些问题都被及时修复,确保了测试套件的稳定性和兼容性。
技术影响与意义
这次变更具有多重意义:
- 依赖简化:减少了不必要的依赖,使测试环境更加简洁
- 性能优化:减少了需要维护和更新的二进制文件数量
- 现代化:推动代码库使用最新的API和最佳实践
- 维护性提升:为未来可能的进一步依赖优化奠定了基础
对于Python开发者而言,这一变更也传递了一个重要信息:随着Python打包生态系统的成熟,许多传统的工作流程正在被简化和优化。
结论
CPython项目对setuptools和wheel依赖关系的这次调整,展示了开源项目持续演进和优化的过程。通过定期评估和更新依赖关系,项目能够保持代码的简洁性和现代性,同时为开发者提供更高效的开发体验。
这一变更也提醒我们,在Python生态系统中,工具链的不断演进可能会带来工作流程的简化,但也需要开发者保持对最新变化的关注,及时调整自己的开发实践。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C032
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-4.7暂无简介Jinja00
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