Wal-G远程备份推送在PostgreSQL 15及以上版本中的问题解析
背景介绍
Wal-G是一个流行的PostgreSQL数据库备份工具,它支持多种存储后端(如S3、GCS等)来存储数据库备份。在PostgreSQL数据库管理领域,Wal-G因其高效性和可靠性而广受青睐。然而,随着PostgreSQL 15版本的发布,一些用户在使用Wal-G进行远程备份推送(backup-push)时遇到了问题。
问题现象
当用户尝试在PostgreSQL 15或16版本上使用wal-g backup-push命令进行远程备份(不指定数据目录参数)时,会遇到以下错误:
ERROR: ReadRequestBody: read upload data failed
caused by: CompressAndEncrypt: compression failed
值得注意的是,这个问题仅出现在PostgreSQL 15及以上版本中,而在PostgreSQL 14及以下版本中相同的命令可以正常工作。如果用户指定了数据目录参数(如wal-g backup-push $PGDATA),则备份在所有版本中都能正常工作。
根本原因分析
这个问题源于PostgreSQL 15版本中对BASE_BACKUP命令语法和基础备份协议的修改。PostgreSQL 15移除了对旧版BASE_BACKUP命令语法的支持,这影响了Wal-G与PostgreSQL服务器之间的通信协议。
通过分析日志可以发现关键差异:
在PostgreSQL 14中,备份数据流包含有效的tar头部信息:
[global/pg_control]
copied 512 backup_label0000600 0000201 0000211 ...
而在PostgreSQL 15中,数据流格式发生了变化:
[global/pg_control]
copied 11 nbase.tar
这种格式变化导致Wal-G无法正确解析备份数据流,最终引发压缩失败的错误。
解决方案
这个问题实际上已经在Wal-G的代码库中得到修复。修复方案涉及更新Wal-G以支持PostgreSQL 15及更高版本的新备份协议。具体来说,修复内容包括:
- 更新BASE_BACKUP命令的处理逻辑以适应新协议
- 确保数据流解析器能够正确处理新版数据格式
- 保持与旧版本PostgreSQL的兼容性
最佳实践建议
对于需要使用Wal-G进行PostgreSQL备份的用户,建议:
- 对于PostgreSQL 15及以上版本,确保使用最新版的Wal-G
- 如果必须使用旧版Wal-G,可以考虑指定数据目录参数作为临时解决方案
- 定期检查Wal-G的更新,确保与PostgreSQL新版本保持兼容
- 在生产环境升级前,先在测试环境验证备份恢复流程
总结
PostgreSQL 15对备份协议的修改导致了Wal-G远程备份推送功能的问题。这个问题凸显了数据库工具与数据库引擎版本兼容性的重要性。通过使用最新版的Wal-G,用户可以无缝地在PostgreSQL 15及以上版本中使用远程备份功能。这也提醒我们,在进行数据库版本升级时,需要同时评估和更新相关的管理工具链。
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