Immich项目PostgreSQL迁移脚本中的Schema硬编码问题分析
问题背景
在Immich项目v128.0版本的数据库迁移过程中,当用户使用独立PostgreSQL服务器并配置了专用schema(而非默认的public schema)时,迁移脚本会执行失败。这个问题源于迁移脚本中硬编码了对"public" schema的直接引用,导致在非public schema环境下无法正确执行。
技术细节分析
问题表现
迁移脚本在执行过程中尝试删除索引时,使用了完整的schema限定名称"public.IDX_users_audit_deleted_at_asc_user_id_asc",而实际上在专用schema环境下,这些索引存在于用户指定的schema中,而非public schema中。这导致了如下错误:
QueryFailedError: index "IDX_users_audit_deleted_at_asc_user_id_asc" does not exist
影响范围
通过代码审查发现,该问题主要出现在以下两个迁移脚本中:
1740595460866-UsersAuditUuidv7PrimaryKey.js文件中:- 硬编码引用了"public"."IDX_users_audit_deleted_at_asc_user_id_asc"
- 硬编码引用了"public"."IDX_users_audit_deleted_at"
解决方案建议
对于直接引用数据库对象(如表、索引等)的情况,应该避免硬编码schema名称,而是使用相对路径或从数据库连接配置中获取当前schema。具体来说:
-
对于索引删除操作,可以简化为:
await queryRunner.query(`DROP INDEX "IDX_users_audit_deleted_at_asc_user_id_asc"`); -
保留必要的search_path设置,因为这是PostgreSQL向量扩展和地理距离计算所必需的:
await queryRunner.query(`SET search_path TO "$user", public, vectors`);
最佳实践
对于数据库迁移脚本的编写,特别是在多schema环境下,建议遵循以下原则:
-
避免硬编码schema名称:除非绝对必要,否则不应在SQL语句中硬编码schema名称。
-
使用相对引用:让数据库根据当前search_path自动解析对象位置。
-
明确区分必要和非必要的schema限定:
- 对于数据库扩展功能(如pgvector)所需的search_path设置,可以保留
- 对于普通数据库对象的操作,应使用相对引用
-
测试覆盖:确保迁移脚本在多种schema配置下都能正常工作,包括:
- 默认public schema
- 自定义专用schema
- 多schema混合环境
总结
Immich项目在数据库迁移脚本中硬编码public schema的问题虽然看似简单,但反映了数据库迁移脚本编写时需要特别注意的环境兼容性问题。通过遵循上述最佳实践,可以确保迁移脚本在各种数据库配置下都能可靠执行,为用户提供更平滑的升级体验。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00