PostgreSQL Exporter中pg_stat_statements采集模块在PostgreSQL 17上的兼容性问题分析
PostgreSQL Exporter作为PostgreSQL数据库监控的重要工具,其pg_stat_statements采集模块在最新PostgreSQL 17版本上出现了兼容性问题。本文将深入分析该问题的技术背景、原因及解决方案。
问题现象
当用户在PostgreSQL 17环境中启用stat_statements采集模块时,会出现以下异常情况:
- 监控指标
pg_scrape_collector_success{collector="stat_statements"}显示为0,表示采集失败 - 日志中持续报错:"column pg_stat_statements.blk_read_time does not exist"
技术背景
pg_stat_statements是PostgreSQL中用于跟踪SQL语句执行统计信息的扩展模块。PostgreSQL 17对该模块进行了重大变更,特别是重命名了多个统计字段:
- 旧版本中的
blk_read_time字段被重命名为shared_blk_read_time - 类似地,其他I/O时间统计字段也进行了重命名
PostgreSQL Exporter的代码中实际上已经预见到了这一变更,在代码库中包含了针对PostgreSQL 17的专用查询语句(pgStatStatementsQuery_PG17),但版本检测和查询选择机制出现了问题。
问题根源分析
通过检查PostgreSQL Exporter的源代码,我们发现其采集逻辑包含版本检测机制:
var query string
switch {
case instance.version.GE(semver.MustParse("17.0.0")):
query = pgStatStatementsQuery_PG17
case instance.version.GE(semver.MustParse("13.0.0")):
query = pgStatStatementsNewQuery
default:
query = pgStatStatementsQuery
}
理论上,当检测到PostgreSQL 17+版本时,应该自动选择pgStatStatementsQuery_PG17查询。但实际运行中却仍然使用了旧版查询,导致出现字段不存在的错误。
解决方案
该问题已在PostgreSQL Exporter的0.17.0版本中得到修复。对于暂时无法升级的用户,可以考虑以下临时解决方案:
- 降级PostgreSQL到16.x版本
- 在配置中禁用
stat_statements采集模块 - 手动编译包含修复的master分支代码
最佳实践建议
对于使用PostgreSQL 17的用户,建议:
- 优先升级到PostgreSQL Exporter 0.17.0或更高版本
- 升级前验证版本兼容性矩阵
- 监控系统日志,及时发现类似兼容性问题
- 考虑在测试环境先行验证新版本组合
总结
PostgreSQL 17对性能监控相关的系统视图进行了重大变更,这要求监控工具必须相应更新。PostgreSQL Exporter虽然预见了这一变更,但在版本检测实现上存在缺陷,导致了采集失败。通过升级到0.17.0版本可以彻底解决这一问题,确保监控系统在PostgreSQL 17环境中的正常运行。
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