在PgCat中实现类似PgBouncer的认证查询功能
2025-06-24 16:47:16作者:申梦珏Efrain
PgCat作为PostgreSQL连接池工具,提供了与PgBouncer类似的认证查询功能,允许通过一个专门配置的认证用户来验证其他数据库用户的凭据,而无需在配置文件中硬编码所有用户的密码。本文将详细介绍如何正确配置PgCat实现这一功能。
认证查询的基本原理
认证查询的核心思想是:当客户端连接时,PgCat会使用预先配置的认证用户连接到PostgreSQL数据库,执行指定的查询语句来验证客户端提供的用户名和密码是否有效。这种方式避免了在PgCat配置文件中存储所有用户的明文密码,提高了安全性。
关键配置项
要实现认证查询功能,需要在PgCat配置文件的pool部分设置以下关键参数:
[pools.your_pool_name]
auth_query = "SELECT usename, passwd FROM user_search('$1')"
auth_query_user = "auth_user"
auth_query_password = "auth_user_password"
这些配置项必须直接放在pool配置下,而不是放在users或shards子节中。
认证查询函数的实现
认证查询需要返回两个字段:用户名和密码哈希值。通常需要创建一个函数或视图来实现这一功能。例如:
CREATE OR REPLACE FUNCTION user_search(input_username text)
RETURNS TABLE(usename name, passwd text) AS $$
BEGIN
RETURN QUERY
SELECT usename, passwd FROM pg_authid
WHERE usename = input_username::name;
END;
$$ LANGUAGE plpgsql SECURITY DEFINER;
这个函数查询pg_authid系统视图,返回指定用户的密码哈希值。SECURITY DEFINER允许函数以创建者的权限执行,即使调用者没有直接访问pg_authid的权限。
用户配置注意事项
在配置认证查询时,需要注意以下几点:
- 认证用户(auth_query_user)必须具有LOGIN权限
- 目标用户的密码必须使用MD5哈希格式存储(目前不支持SCRAM-SHA-256)
- 在users配置节中,目标用户不需要配置密码字段
示例用户配置:
[pools.your_pool_name.users.0]
username = "app_user"
# 不需要password字段
常见问题排查
如果认证查询不工作,可以检查以下几个方面:
- 确认认证查询SQL语句正确,特别是占位符$1需要放在单引号中
- 验证认证用户是否有权限执行查询函数
- 检查目标用户的密码是否使用MD5格式存储
- 确保所有相关用户都有LOGIN权限
通过以上配置,PgCat可以实现与PgBouncer类似的灵活认证机制,既保证了安全性,又简化了用户管理。
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
411
3.16 K
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++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
659
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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
342
146