使用Docker快速部署ActionTech DBLE分布式数据库中间件
前言
ActionTech DBLE是一款优秀的分布式数据库中间件,它能够帮助开发者轻松实现MySQL数据库的分布式扩展。对于想要快速体验DBLE功能的开发者来说,使用Docker无疑是最便捷的方式。本文将详细介绍如何通过Docker环境快速搭建一个完整的DBLE测试环境。
环境准备
在开始之前,请确保您的系统已经安装了以下组件:
- Docker引擎:用于容器化部署的核心组件
- Docker Compose(可选):用于多容器编排管理
- MySQL客户端工具:用于测试连接和验证功能
建议使用较新版本的Docker,以避免潜在的兼容性问题。
基础Docker部署方案
1. 创建专用网络
首先我们需要创建一个专用的Docker网络,确保各容器间能够互相通信:
docker network create -o "com.docker.network.bridge.name"="dble-net" --subnet 172.18.0.0/16 dble-net
这个命令创建了一个名为"dble-net"的桥接网络,并指定了子网范围。
2. 部署后端MySQL实例
DBLE需要后端MySQL数据库支持,我们部署两个MySQL 5.7实例:
# 第一个MySQL实例
docker run --name backend-mysql1 --ip 172.18.0.2 -e MYSQL_ROOT_PASSWORD=123456 -p 33061:3306 --network=dble-net -d mysql:5.7 --server-id=1
# 第二个MySQL实例
docker run --name backend-mysql2 --ip 172.18.0.3 -e MYSQL_ROOT_PASSWORD=123456 -p 33062:3306 --network=dble-net -d mysql:5.7 --server-id=2
这里我们为每个容器分配了固定IP,并将服务端口分别映射到主机的33061和33062端口。
3. 部署DBLE服务
等待MySQL实例初始化完成后(约30秒),部署DBLE容器:
sleep 30
docker run -d -i -t --name dble-server --ip 172.18.0.5 -p 8066:8066 -p 9066:9066 --network=dble-net actiontech/dble:latest
DBLE服务将8066(服务端口)和9066(管理端口)映射到主机对应端口。
服务连接与验证
连接信息
- DBLE业务端口:8066
- 用户名:root
- 密码:123456
- DBLE管理端口:9066
- 用户名:man1
- 密码:654321
- 后端MySQL实例:
- MySQL1:33061端口
- MySQL2:33062端口
- 用户名均为root,密码123456
连接示例
# 连接DBLE业务端口
mysql -P8066 -u root -p123456 -h 127.0.0.1
# 连接DBLE管理端口
mysql -P9066 -u man1 -p654321 -h 127.0.0.1
# 连接后端MySQL实例
mysql -P33061 -u root -p123456 -h 127.0.0.1
mysql -P33062 -u root -p123456 -h 127.0.0.1
使用Docker Compose简化部署
对于更复杂的场景,推荐使用Docker Compose进行编排管理。
1. 编写docker-compose.yml
创建一个docker-compose.yml文件,定义所有服务:
version: '3'
services:
backend-mysql1:
image: mysql:5.7
container_name: backend-mysql1
environment:
MYSQL_ROOT_PASSWORD: "123456"
ports:
- "33061:3306"
networks:
dble-net:
ipv4_address: 172.18.0.2
command: --server-id=1
backend-mysql2:
image: mysql:5.7
container_name: backend-mysql2
environment:
MYSQL_ROOT_PASSWORD: "123456"
ports:
- "33062:3306"
networks:
dble-net:
ipv4_address: 172.18.0.3
command: --server-id=2
dble-server:
image: actiontech/dble:latest
container_name: dble-server
ports:
- "8066:8066"
- "9066:9066"
networks:
dble-net:
ipv4_address: 172.18.0.5
depends_on:
- backend-mysql1
- backend-mysql2
networks:
dble-net:
driver: bridge
ipam:
config:
- subnet: 172.18.0.0/16
2. 启动服务
docker-compose up -d
3. 停止服务
docker-compose down
高级配置:使用本地配置文件
对于需要自定义配置的高级用户,可以通过挂载卷的方式使用本地配置文件:
- 修改docker-compose.yml,在dble-server服务下添加:
volumes:
- /path/to/local/conf:/opt/self_conf
-
准备自定义初始化脚本docker_init_start.sh,放置在本地配置目录中
-
修改dble-server的启动命令:
command: ["/opt/dble/bin/wait.sh", "backend-mysql1:3306","--","/opt/self_conf/docker_init_start.sh"]
环境清理
完成测试后,可以使用以下命令清理环境:
# 停止并删除容器
docker stop backend-mysql1 backend-mysql2 dble-server
docker rm backend-mysql1 backend-mysql2 dble-server
# 删除网络
docker network rm dble-net
# 使用docker-compose的情况
docker-compose down
结语
通过Docker快速部署DBLE,开发者可以在几分钟内搭建一个完整的分布式数据库中间件测试环境。这种部署方式非常适合开发测试、概念验证和快速原型开发。对于生产环境,建议根据实际需求进行更详细的配置和优化。
DBLE提供了丰富的分片策略和分布式事务支持,开发者可以通过管理端口(9066)查看和调整各种配置参数,充分发挥分布式数据库的性能优势。
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