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。
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