Lightdash项目中异步查询服务的重构实践
2025-06-12 10:31:44作者:蔡怀权
在数据分析平台Lightdash的最新版本0.1612.0中,开发团队完成了一项重要的架构优化——将异步查询功能从项目服务(ProjectService)中分离出来,创建了专门的AsyncQueryService。这一改动虽然看似简单,但对于提升系统可维护性和扩展性具有重要意义。
背景与动机
在现代数据分析系统中,查询操作往往需要处理大量数据,耗时较长。传统的同步查询方式会导致用户界面长时间等待,严重影响用户体验。异步查询模式允许用户发起查询后立即返回,系统在后台处理完成后通知用户获取结果。
Lightdash原先将这些异步查询功能直接实现在ProjectService中,随着功能不断丰富,这种设计逐渐暴露出一些问题:
- 职责不单一:ProjectService承担了过多不相关的功能
- 代码臃肿:随着异步查询逻辑复杂化,服务类变得难以维护
- 扩展困难:新的异步查询特性难以灵活添加
解决方案
团队决定将异步查询相关功能抽取到独立的AsyncQueryService中,这一重构带来了多方面好处:
架构清晰化
- 明确划分了项目管理和查询处理两个领域
- 每个服务只关注自己的核心职责
- 降低了服务间的耦合度
性能优化潜力
- 独立服务可以针对查询特性进行专门优化
- 更容易实现查询缓存、队列管理等高级功能
- 为未来可能的分布式查询处理打下基础
可维护性提升
- 代码组织更符合单一职责原则
- 新成员更容易理解系统结构
- 测试用例可以更有针对性
技术实现要点
在实际重构过程中,团队需要注意以下关键点:
-
接口设计:定义清晰的异步查询接口,包括查询提交、状态检查和结果获取
-
状态管理:实现可靠的查询状态跟踪机制,确保用户能准确了解查询进度
-
错误处理:完善异步环境下的错误处理和重试机制
-
资源清理:建立查询结果的生命周期管理,避免资源泄漏
-
事务边界:合理划分与项目管理相关的事务范围
对用户的影响
虽然这是后端架构的调整,但最终用户也能从中受益:
- 更稳定的查询体验
- 更详细的查询状态反馈
- 为未来更丰富的查询功能奠定基础
总结
Lightdash这次将异步查询功能抽取为独立服务的重构,是典型的高内聚低耦合架构优化实践。它不仅解决了当前代码维护的痛点,还为系统未来的功能扩展提供了更灵活的基础。这种渐进式的架构演进方式,值得其他成长中的数据分析平台参考借鉴。
登录后查看全文
热门项目推荐
相关项目推荐
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
245
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
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++
662
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥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
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218