Barman 3.13.0 版本发布:WAL管理优化与恢复流程增强
Barman 是 EnterpriseDB 公司开发的一款开源 PostgreSQL 数据库备份与恢复管理工具,它提供了完整的备份策略管理、时间点恢复(PITR)和灾难恢复解决方案。作为 PostgreSQL DBA 的得力助手,Barman 能够自动化处理数据库备份和恢复的复杂流程,大大简化了数据库运维工作。
WAL 元数据管理优化
本次 3.13.0 版本引入了一个重要的架构改进——新增了 xlogdb_directory 配置选项。这个参数允许管理员为 WAL 元数据文件指定独立的存储位置,该文件记录了已归档 WAL 文件的关键信息。
在之前的版本中,WAL 元数据文件(原名为 xlog.db)必须与 WAL 文件本身存储在同一个目录中。现在,管理员可以根据存储规划需求,将这个元数据文件单独存放。此外,文件命名也进行了改进,增加了服务器名前缀,使得在多服务器环境下更容易识别。
这一改进特别适合以下场景:
- 当 WAL 目录位于高性能存储设备上时,可以将元数据文件放在普通存储上
- 需要将元数据文件与 WAL 文件分开管理以满足特定合规要求
- 在多服务器环境中更清晰地组织文件结构
备份恢复流程增强
3.13.0 版本对恢复流程进行了重大改进,使恢复操作更加智能和灵活。传统上,执行恢复时必须明确指定要使用的备份 ID,这在某些紧急恢复场景下可能不够直观。
新版本引入了智能备份选择机制:
- 当用户明确知道要恢复的备份时,仍可指定备份 ID
- 当不指定备份 ID 时,系统会自动选择最新的可用备份
- 结合恢复目标参数时,系统能智能选择最合适的备份:
- 使用
target_time参数时,选择最接近指定时间点的备份 - 使用
target_lsn参数时,选择最接近指定 LSN 位置的备份 - 使用
target_tli参数时,选择符合指定时间线的最新备份
- 使用
这一改进显著简化了灾难恢复流程,特别是在需要执行时间点恢复的场景下,管理员不再需要手动确定哪个备份最适合作为恢复起点。
其他重要改进
WAL 归档处理优化
新版本改进了 barman-wal-archive 脚本对重复 WAL 文件的处理逻辑。当 PostgreSQL 尝试重复归档同一个 WAL 文件时(可能由于网络中断等原因),脚本现在会检查文件校验和。如果文件内容一致,则静默忽略;如果不一致,则将新文件移至错误目录并记录警告,同时仍返回成功状态,避免 PostgreSQL 因归档失败而阻塞。
恢复过程 WAL 目录配置
新增了 --staging-wal-directory 选项,允许在 PITR 恢复过程中指定 WAL 文件的临时存放位置。这为存储规划提供了更大的灵活性,例如可以将 WAL 文件放在单独的存储设备上,避免占用主数据目录空间。
Azure 认证支持扩展
增强了 Azure 云存储的认证选项,现在可以显式指定使用 Azure 的 DefaultAzureCredential 认证方式,为 Azure 环境下的备份管理提供了更多选择。
性能优化与问题修复
本次版本还包含多项性能优化和问题修复:
- 改进了 WAL 文件删除逻辑,现在会尝试删除整个目录而非逐个文件删除,显著提升了在 ZFS 等文件系统上的性能
- 修复了 AWS profile 参数处理中的变量引用问题
- 修正了
barman-cloud-wal-archive中 Zstandard 压缩选项无效的问题 - 修复了仅使用
--target-tli参数时恢复信号文件未正确创建的问题
诊断与监控增强
- 在
barman status和barman show-server命令输出中增加了当前活动配置模型信息 - 改进了诊断命令中保留策略信息的显示方式,使其更加用户友好
- 完善了文档中关于清除 WAL 归档失败检查的说明
Barman 3.13.0 版本的这些改进进一步巩固了其作为 PostgreSQL 专业备份解决方案的地位,特别是在大规模生产环境中的可靠性和易用性方面有了显著提升。对于依赖 PostgreSQL 的企业来说,升级到这个版本将带来更灵活的备份管理选项和更顺畅的灾难恢复体验。
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