Presto项目中Native Sidecar插件测试工具的使用问题解析
在Presto项目的开发过程中,测试工具的正确使用对于保证代码质量至关重要。本文将深入分析一个在Presto项目中遇到的关于Native Sidecar插件测试工具使用的典型问题,以及其解决方案。
问题背景
在Presto项目中,presto-native-sidecar-plugin模块提供了一个名为setupNativeSidecarPlugin的测试辅助函数,该函数位于NativeSidecarPluginQueryRunnerUtils类中。这个函数的主要作用是在测试用的QueryRunner上安装Native Sidecar插件。
当开发者尝试在presto-native-tests模块中使用这个测试辅助函数时,遇到了NoClassDefFoundError异常,提示无法找到NativeSidecarPlugin类。这个问题暴露了跨模块测试工具使用时的依赖管理问题。
问题分析
问题的根源在于Maven依赖配置不当。最初开发者尝试在presto-native-tests模块的pom.xml中添加如下依赖:
<dependency>
<groupId>com.facebook.presto</groupId>
<artifactId>presto-native-sidecar-plugin</artifactId>
<version>${project.version}</version>
<scope>test</scope>
<type>test-jar</type>
</dependency>
这种配置只能访问presto-native-sidecar-plugin模块的测试代码(test-jar),但无法访问该模块的主代码(包含NativeSidecarPlugin类)。当测试辅助函数setupNativeSidecarPlugin尝试加载主代码中的类时,就会抛出NoClassDefFoundError。
解决方案
正确的做法是添加两个依赖项:
- 一个依赖用于访问模块的主代码
- 另一个依赖用于访问模块的测试代码
具体配置如下:
<dependency>
<groupId>com.facebook.presto</groupId>
<artifactId>presto-native-sidecar-plugin</artifactId>
<scope>test</scope>
</dependency>
<dependency>
<groupId>com.facebook.presto</groupId>
<artifactId>presto-native-sidecar-plugin</artifactId>
<scope>test</scope>
<type>test-jar</type>
<version>${project.version}</version>
</dependency>
这种配置确保了:
- 可以访问
presto-native-sidecar-plugin模块的主代码(第一个依赖) - 可以访问该模块的测试工具代码(第二个依赖)
- 所有依赖都限定在测试范围内(
scope=test),不会污染生产代码
技术要点
-
Maven依赖类型:
test-jar类型专门用于访问模块的测试代码,而默认类型(jar)用于访问主代码。 -
依赖范围:将依赖范围设置为
test可以确保这些依赖只在测试阶段可用,不会影响生产部署。 -
跨模块测试工具使用:当一个模块的测试工具需要依赖另一个模块的主代码时,必须同时添加对主代码和测试代码的依赖。
-
Maven依赖分析:Maven的dependency插件会检查未使用的依赖,合理的依赖配置应该通过这种检查。
最佳实践
-
当使用其他模块的测试工具时,仔细检查这些工具是否依赖主代码中的类。
-
在添加依赖时,明确区分是只需要测试代码还是同时需要主代码。
-
尽量保持依赖范围最小化,优先使用
test范围而非compile范围。 -
定期运行Maven的依赖分析工具,确保没有冗余或不合理的依赖配置。
通过理解这个问题的解决方案,开发者可以更好地管理Presto项目中复杂的模块间依赖关系,特别是在测试场景下。这种知识也适用于其他大型Java项目的开发和测试工作。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
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-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
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