listmonk 开源邮件列表系统安装指南
listmonk 是一款高性能、开源的邮件列表和通讯管理系统,采用 Go 语言开发,具有轻量级、易部署的特点。本文将详细介绍 listmonk 的多种安装方式,帮助您快速搭建自己的邮件列表系统。
系统要求
在开始安装前,请确保您的环境满足以下基本要求:
- 数据库:PostgreSQL 12 或更高版本
- 操作系统:支持 Linux、macOS 和 Windows
- 内存:建议至少 1GB 可用内存
- 存储空间:根据邮件列表规模而定,建议至少 10GB
二进制安装方式
二进制安装是最简单直接的部署方式,适合大多数 Linux 服务器环境。
1. 下载二进制文件
首先需要下载最新版本的 listmonk 二进制文件。根据您的 CPU 架构选择合适的版本(amd64 适用于大多数 Intel 和 AMD 处理器)。
2. 生成配置文件
解压下载的文件后,执行以下命令生成默认配置文件:
./listmonk --new-config
这将在当前目录下生成 config.toml 文件,您需要编辑此文件配置数据库连接等参数。
3. 初始化数据库
配置好数据库连接信息后,执行安装命令初始化数据库表结构:
./listmonk --install
专业提示:可以通过环境变量预设管理员账号:
LISTMONK_ADMIN_USER=admin LISTMONK_ADMIN_PASSWORD=yourpassword ./listmonk --install
4. 启动服务
完成安装后,直接运行二进制文件启动服务:
./listmonk
默认情况下,服务会监听 9000 端口,您可以通过浏览器访问 http://localhost:9000 进入管理界面。
Docker 容器化部署
Docker 部署方式更加便捷,特别适合需要快速部署或测试环境的用户。
1. 准备 docker-compose 文件
首先需要获取官方提供的 docker-compose.yml 文件,该文件已经配置好了 listmonk 和 PostgreSQL 服务。
2. 启动容器
使用以下命令启动所有服务:
docker compose up -d
专业提示:首次启动时可以通过环境变量设置管理员账号:
LISTMONK_ADMIN_USER=admin LISTMONK_ADMIN_PASSWORD=yourpassword docker compose up -d
3. 自定义配置
如果需要使用自定义配置文件,可以按照以下步骤操作:
- 创建 config.toml 文件并配置必要参数
- 修改 docker-compose.yml,添加卷挂载配置
- 更新启动命令指向自定义配置文件路径
从源代码编译
对于开发者或需要定制功能的用户,可以从源代码编译 listmonk。
编译环境准备
需要安装以下工具:
- Go 语言环境(1.16+)
- Node.js 和 Yarn(用于前端构建)
编译步骤
- 克隆源代码仓库
- 进入项目目录执行
make dist命令 - 编译完成后会在目录下生成可执行文件
Kubernetes 部署
对于生产环境,可以使用 Helm Chart 在 Kubernetes 集群中部署 listmonk。
部署步骤
- 准备 values.yaml 配置文件
- 使用 Helm 命令部署:
helm upgrade --install listmonk --namespace listmonk --values values.yaml
生产环境建议
- 数据库优化:对于大型邮件列表,建议对 PostgreSQL 进行性能调优
- 反向代理:建议使用 Nginx 或 Apache 作为反向代理,并配置 SSL
- 备份策略:定期备份数据库和配置文件
- 监控:设置适当的监控告警机制
常见问题解答
Q:listmonk 支持哪些邮件发送服务? A:listmonk 支持 SMTP 协议,可以与大多数邮件服务(如 SendGrid、Mailgun、Amazon SES 等)集成。
Q:如何升级 listmonk? A:二进制方式只需替换二进制文件并重启服务;Docker 方式更新镜像版本即可。
Q:listmonk 支持多租户吗? A:目前 listmonk 是单租户设计,每个实例只能服务一个组织。
通过本文介绍的多种安装方式,您可以根据实际需求选择最适合的部署方案。listmonk 作为一款功能强大的邮件列表系统,能够满足从个人到中小企业的各种邮件营销需求。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00