SPQR 2.4.0版本发布:分布式PostgreSQL路由引擎的重大升级
SPQR是一个开源的PostgreSQL分片中间件,它作为数据库代理层,能够将SQL查询智能路由到后端的多个PostgreSQL实例。SPQR通过透明的分片机制,为应用程序提供了单一数据库入口的体验,同时实现了数据的水平扩展能力。
核心功能增强
本次2.4.0版本带来了多项重要功能升级,显著提升了SPQR的兼容性和实用性。
基础功能支持扩展
新版本增加了对多种PostgreSQL特性的原生支持,包括:
SELECT version()查询:现在可以正确返回SPQR自身的版本信息而非底层PostgreSQL版本- TRUNCATE语句:支持快速清空分片表数据
- CREATE SCHEMA:完整支持模式创建语法
- GRANT SELECT ON TABLE:授权语句现在能够被正确处理
这些改进使得SPQR能够更好地兼容现有应用程序,减少因语法不支持而导致的迁移障碍。
查询路由能力提升
查询路由机制得到了显著优化:
- 支持基于模式限定列引用的路由(如
schema.table.column) - 实现了纯目标列表路由能力,增强了复杂查询的处理能力
- 改进了子计划路由处理,现在会智能跳过而非直接报错
这些改进使得SPQR能够更准确地解析和路由包含复杂引用的SQL语句,提高了查询成功率。
初始化脚本处理增强
新版本支持多行初始化SQL的解析,这使得在SPQR启动时执行复杂的初始化脚本成为可能。这一特性对于需要预先创建大量数据库对象的场景特别有用。
引擎架构革新(Engine V2)
2.4.0版本在内部引擎架构方面进行了重大重构,为未来的分布式事务处理奠定了基础。
事务处理优化
- 重构了事务管理代码,将其整合到统一的执行器中
- 改进了错误处理机制,确保即使在部署错误时也能正确解除客户端路由
- 增强了虚拟事务的状态报告机制,提供更准确的操作反馈
多分片事务支持
新版本引入了多分片事务处理能力:
- 实现了扩展事务处理机制(通过
__spqr__engine_v2标识) - 支持在指定执行目标上执行扩展事务查询
- 修复了多分片同步状态下的部分执行问题
这些改进为未来完整的分布式事务支持打下了坚实基础。
内部架构重构
引擎内部进行了大规模代码重构:
- 简化了中继(relay)模块的内部结构
- 将查询参数封装到统一结构中,提高了代码可维护性
- 移除了过时的路由回调机制
- 优化了复制状态处理,移除了ExpRoute依赖
这些重构使得代码更加清晰,为后续功能开发扫清了障碍。
质量保证与稳定性提升
除了功能增强外,2.4.0版本还包含多项质量改进:
- 增加了大量回归测试用例,特别是针对模式缓存和哈希路由的场景
- 修复了潜在的TOCTOU(检查时间与使用时间)竞争条件问题
- 移除了多处死代码,提高了代码质量
- 更新了依赖库版本,包括golang.org/x/crypto和golang.org/x/sync等
总结
SPQR 2.4.0版本标志着该项目在功能完备性和架构现代化方面迈出了重要一步。通过增加对更多PostgreSQL语法的支持、优化查询路由机制以及重构内部引擎架构,SPQR正逐步成为一个成熟的PostgreSQL分片解决方案。特别是Engine V2的引入,为未来实现完整的分布式事务支持奠定了基础,这将大大提升SPQR在关键业务场景中的适用性。
对于正在考虑或已经使用PostgreSQL分片的用户来说,2.4.0版本提供了更好的兼容性和更稳定的运行表现,值得升级体验。随着项目的持续发展,SPQR有望成为PostgreSQL生态中分片方案的重要选择。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C090
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00