自动持久化查询 - 提升GraphQL性能的新篇章
2024-05-21 03:10:01作者:裘晴惠Vivianne
在日益复杂的数据交互需求中,GraphQL凭借其强大的查询语言,使得获取应用数据的方式更为灵活和高效。然而,随着查询复杂性的增加,相应的请求字符串也变得越来越长,甚至可达数千字节。这无疑对客户端的网络性能构成了挑战。为解决这一问题,我们引入了一个优秀的开源解决方案——Automatic Persisted Queries,它已经被合并到Apollo Client的核心库中。
项目介绍
Automatic Persisted Queries(APQ)通过发送一个短小的加密哈希值来代替整个查询文本,从而极大地优化了网络传输效率。当服务器识别到这个哈希值时,会自动检索并执行对应的查询。如果服务器找不到匹配的哈希,就会要求客户端提供完整的查询文本进行存储,以便后续使用。
项目技术分析
- 哈希替代策略:客户端发送一个64位的哈希值作为请求的一部分,而非完整的查询字符串。
- 智能适配:服务器基于哈希值查找对应查询,若未找到,则请求完整查询,同时保存以备未来使用。
- 链接融合:与Apollo Client配合工作,APQ作为一个自定义的链接中间件实现。
应用场景
APQ适用于任何依赖于GraphQL且关心网络性能的项目。特别是对于移动应用,或者在网络环境不稳定或带宽有限的环境下,APQ能显著提高用户体验,减少加载时间。
项目特点
- 简单集成:只需一行代码,即可将APQ与Apollo Client链接起来,享受性能提升。
- 动态注册:首次请求时,客户端会发送完整查询文本供服务器存档,后续仅发送哈希值。
- 兼容性佳:与Apollo Engine无缝对接,支持自动持久化查询。
- 选项丰富:提供自定义哈希生成器、使用GET方法发送哈希等配置选项,满足各种需求。
- 错误处理:具备智能错误响应机制,支持根据错误条件禁用持续查询功能。
要开始使用,只需安装apollo-link-persisted-queries并按照文档指导配置你的Apollo Client,你会发现,提升应用程序的性能从未如此简单。
在这个追求速度和效率的时代,Automatic Persisted Queries为GraphQL带来了一场革命,让数据查询更轻量、更快捷。如果你正在寻找一种方法来优化你的GraphQL客户端,那么这个项目绝对值得一看。立即尝试,并见证它如何改变你的开发体验!
登录后查看全文
热门项目推荐
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
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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
313
React Native鸿蒙化仓库
JavaScript
262
324
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
218
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
330
137