Elasticsearch Curator v8.0.18发布:全面兼容Elasticsearch 7.x系列的重大更新
Elasticsearch Curator是一个用于管理Elasticsearch索引的强大工具,它可以帮助用户自动化执行日常的索引管理任务,如创建、优化等操作。最新发布的Curator v8.0.18版本带来了一个重要的改进:全面兼容Elasticsearch 7.14.x及更高版本,这对于仍在使用Elasticsearch 7.x系列的用户来说是一个重大利好。
版本兼容性扩展
Curator v8.0.18通过升级其依赖的es_client库至8.17.2版本,实现了对Elasticsearch 7.14.x及更高版本的全面支持。经过严格测试,该版本已确认可以与Elasticsearch v7.14.0、v7.14.2、v7.17.7、v7.17.25和v7.17.27等版本完美配合工作。虽然由于M系列处理器上的JVM问题(OpenJDK 16至19之间的版本存在兼容性问题)导致无法在MacBook Pro上测试v7.15.x至v7.17.6版本,但由于7.14和7.17系列之间没有影响Curator的API变更,我们有理由相信这些版本也能正常工作。
系统索引默认排除
新版本中,Curator默认会排除系统索引,这一改进增强了操作的安全性。默认排除的系统索引模式包括:
-.kibana*,-.security*,-.watch*,-.triggered_watch*,-.ml*,-.geoip_databases*,-.logstash*,-.tasks*
这一变更减少了意外操作系统索引的风险,特别适合在生产环境中使用。
功能增强
在测试过程中,开发团队发现了一个与恢复功能相关的重要问题。原先的恢复操作类要求用户提供确切的索引名称来进行恢复,而实际上Elasticsearch的恢复API支持使用多目标语法(逗号分隔的模式)来选择和取消选择索引。虽然这种模式匹配功能并未明确禁止使用,但由于无法正确验证和匹配模式而非精确名称,导致功能存在缺陷。
为解决这一问题,开发团队在helpers.utils模块中新增了三个关键函数:
- multitarget_match:用于多目标模式匹配
- multitarget_fix:用于修复多目标模式
- regex_loop:提供正则表达式循环支持
现在,Restore类在其_get_expected_output方法中调用multitarget_match来从列表对象中获取名称,这使得使用模式匹配成为可能,相关测试也已更新以确保这一功能的可靠性。
代码质量提升
本次发布还包含了大量代码风格改进,使其更加符合PEP8规范。这些改进包括:
- 大量注释和代码换行的优化
- 集成测试的相应更新
- 在curator.defaults中新增了VERSION_MAX和VERSION_MIN常量,用于版本兼容性检查(VERSION_MIN设置为7.14.0)
日期数学功能修复
开发团队还修复了包含冒号的日期模式(datemath)的集成测试问题。过去由于Elasticsearch将冒号字符评估为远程索引的潜在指示符,导致这一问题。该问题已在Elasticsearch 8.7.0版本中得到修复。
迁移注意事项
虽然Curator v8可以使用v7版本的动作配置文件,但客户端配置文件需要进行调整。文档中详细说明了这些语法差异,用户在升级时应当仔细阅读相关说明以确保平滑过渡。
这一版本的发布为仍在使用Elasticsearch 7.x系列的用户提供了升级到Curator v8的机会,使他们能够享受到新版本带来的各种改进和增强功能,同时保持与现有Elasticsearch版本的兼容性。
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
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