Listmonk升级过程中pgcrypto扩展问题的解决方案
在使用Docker部署的Listmonk邮件营销系统从3.0版本升级到4.1版本时,部分用户可能会遇到一个典型的PostgreSQL扩展问题。当执行数据库迁移脚本时,系统会报错"function gen_salt(unknown) does not exist",即使确认已经安装了pgcrypto扩展。
问题本质分析
这个问题的根源在于PostgreSQL的扩展安装位置。当Listmonk使用特定schema(而非默认的public schema)时,pgcrypto扩展虽然已经安装,但其函数并未在Listmonk使用的schema中可用。gen_salt()是pgcrypto扩展提供的关键函数,用于密码哈希的安全处理。
解决方案详解
方案一:将扩展迁移到目标schema
最直接的解决方法是使用PostgreSQL的ALTER EXTENSION命令将pgcrypto扩展迁移到Listmonk使用的schema中:
ALTER EXTENSION pgcrypto SET SCHEMA your_schema;
这个命令会将pgcrypto扩展及其所有函数移动到指定的schema中,使Listmonk能够正常访问gen_salt()函数。
方案二:多schema安装扩展
如果希望保持原有扩展位置不变,可以在目标schema中额外安装pgcrypto扩展:
CREATE EXTENSION IF NOT EXISTS pgcrypto SCHEMA your_schema;
这种方式允许扩展在多个schema中同时存在,为不同应用提供独立的扩展实例。
技术背景
PostgreSQL的扩展机制允许数据库功能的模块化扩展。pgcrypto扩展提供了各种加密函数,包括密码哈希、随机数生成等安全相关功能。在Listmonk中,gen_salt()函数用于为管理员账户密码生成安全的盐值,这是系统安全性的重要组成部分。
最佳实践建议
- 对于生产环境,建议在部署Listmonk前就规划好扩展的安装位置
- 可以考虑在public schema和专用schema中都安装pgcrypto扩展,提高兼容性
- 升级完成后,可以通过\dx命令检查扩展的安装位置
- 定期验证数据库函数是否可正常调用,确保系统安全性不受影响
总结
Listmonk升级过程中遇到的gen_salt()函数缺失问题,本质上是PostgreSQL扩展管理的一个常见场景。通过理解PostgreSQL的schema机制和扩展安装原理,可以灵活选择最适合业务需求的解决方案。无论是迁移现有扩展还是多位置安装,都能有效解决这一问题,确保Listmonk系统顺利升级并保持安全运行。
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-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