DoltgreSQL:版本控制的PostgreSQL数据库
项目介绍
DoltgreSQL(又名Doltgres)是Dolt的一个PostgreSQL风格版本,目前处于预阿尔法发布阶段。它旨在将类似于Git的日志、差异、分支和合并功能带到你的PostgreSQL数据库模式和数据中。不同于使用MySQL客户端和MySQL SQL,用户可以利用PostgreSQL客户端与Doltgres交互,并使用PostgreSQL SQL。此项目从Dolt——世界上首个版本控制的SQL数据库发展而来,特别针对想要在数据库层面实现版本控制的需求。
快速启动
安装与设置
首先,下载DoltgreSQL的最新版本。确保你的系统已安装PostgreSQL 15或更高版本。如果你使用的是macOS并且通过Homebrew安装PostgreSQL,可能需要手动添加路径:
export PATH="/opt/homebrew/opt/postgresql@15/bin:$PATH"
然后,运行Doltgres初始化数据库环境:
doltgres
这会在默认目录~/doltgres/databases创建一个名为doltgres的数据库及用户。你可以通过指定--data-dir或调整DOLTGRES_DATA_DIR环境变量来改变存储位置。
连接与基本操作
打开一个新的终端并连接到刚创建的数据库:
psql -h localhost -U doltgres
接下来,在Doltgres中创建示例数据库和表:
create database getting_started;
\c getting_started;
create table employees (id int8, last_name text, first_name text, primary key(id));
create table teams (id int8, team_name text, primary key(id));
create table employees_teams(team_id int8, employee_id int8, primary key(team_id, employee_id), foreign key(team_id) references teams(id), foreign key(employee_id) references employees(id));
进行初次提交以体验版本控制特性:
select * from dolt_status;
call dolt_add('teams', 'employees', 'employees_teams');
call dolt_commit('-m', 'Initial schema created');
select * from dolt_log;
应用案例与最佳实践
虽然Doltgres尚处于实验性阶段,但它适用于那些希望对PostgreSQL数据库进行版本控制的场景。一个典型的使用案例是在团队间协作开发数据库结构和初始数据时,保证数据变更的可追溯性和一致性。最佳实践包括频繁地提交数据库变化,使用清晰的提交信息记录每一次更改的目的,以及定期备份数据。
典型生态项目
由于Doltgres本身就是一个特殊的数据库解决方案,其生态系统围绕版本控制的数据库管理展开。尽管目前没有详细列出具体的“典型生态项目”,但它的存在扩展了数据库管理工具的边界,鼓励开发者探索如何结合其他DevOps工具链,比如CI/CD流程中的数据库版本自动化管理。随着项目成熟,可能会出现更多集成案例,如与GitLab CI/CD或Jenkins的自动化部署结合,或者与数据仓库迁移工具的协同使用,提升数据治理的质量和效率。
请注意,上述信息基于提供的链接资料编撰,实际使用时应参考最新的项目文档和社区更新。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00