DoctrineExtensions 日志查询性能优化实战
2025-06-16 16:34:52作者:管翌锬
背景介绍
DoctrineExtensions 是一个为 Doctrine ORM 提供行为扩展功能的 PHP 库,其中的 Loggable 扩展能够自动记录实体对象的变更历史。在实际项目中,随着业务数据增长,日志表(ext_log_entries)会积累大量记录,导致查询性能显著下降。
性能问题分析
当 ext_log_entries 表数据量达到 70 万条时,典型的日志查询语句执行时间可能超过 8 秒。问题查询通常具有以下特征:
- 使用多个 LIKE 条件进行模糊匹配
- 对几乎所有字段都进行了查询
- 包含 DISTINCT 和 ORDER BY 子句
- 没有充分利用索引
优化方案
1. 添加必要索引
为关键字段创建索引是提升查询性能的基础措施。对于日志表,建议为以下字段添加索引:
- action(操作类型)
- object_id(关联对象ID)
- object_class(对象类名)
- username(操作用户)
可以通过创建自定义日志实体类来定义索引:
#[ORM\Entity]
#[ORM\Table(name: 'ext_log_entries')]
#[ORM\Index(name: 'action_idx', columns: ['action'])]
#[ORM\Index(name: 'object_idx', columns: ['object_id', 'object_class'])]
#[ORM\Index(name: 'username_idx', columns: ['username'])]
class CustomLogEntry extends LogEntry
{
// 继承基类
}
2. 优化查询条件
避免使用全字段模糊查询,特别是对大数据字段(如 data 字段)的 LIKE 操作。建议:
- 将 action 字段改为枚举查询
- 为 object_class 使用精确匹配
- 限制对 data 字段的查询
3. 前端查询优化
如果使用 EasyAdmin 等管理后台,可以配置更高效的过滤器:
filters:
- property: 'action'
type: 'choice'
value_type_options:
choices:
'create': 'create'
'update': 'update'
'remove': 'remove'
- property: 'objectClass'
type: 'choice'
# 配置可选的实体类列表
4. 数据归档策略
对于长期不用的历史日志,建议:
- 定期归档旧数据
- 实现分表存储策略
- 考虑使用专门的日志存储方案(如 ELK 栈)
实施建议
- 先在测试环境验证索引效果
- 逐步优化查询条件,避免一次性全改
- 监控优化后的查询性能
- 考虑使用查询缓存机制
总结
DoctrineExtensions 的日志功能非常强大,但在大数据量场景下需要特别注意性能优化。通过合理的索引设计、查询优化和归档策略,可以显著提升日志查询性能,确保系统长期稳定运行。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
402
3.13 K
Ascend Extension for PyTorch
Python
224
249
暂无简介
Dart
672
159
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
316
React Native鸿蒙化仓库
JavaScript
262
325
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
219