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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00