Mattermost项目中优化PreferenceStore的SQL查询实践
2025-05-04 09:54:03作者:凤尚柏Louis
背景介绍
在Mattermost这个开源企业级即时通讯平台的开发过程中,数据库查询优化是一个持续进行的工作。特别是在PreferenceStore模块中,使用SELECT *这种查询方式会带来潜在的问题,需要开发者进行针对性的优化。
问题分析
SELECT *查询语句虽然编写简单,但在生产环境中会带来两个主要问题:
- 向后兼容性问题:当数据库表结构发生变化(如新增列)时,旧版本的服务器代码无法正确处理新增加的列数据
- 性能问题:查询返回所有列数据,包括那些不需要的列,增加了数据库负载和网络传输量
解决方案
第一阶段:迁移字符串SQL到Builder模式
原始代码中直接使用字符串拼接SQL语句的方式:
_, err = s.GetReplica().Get("SELECT * FROM Preferences WHERE UserId = ?", userId)
应迁移为使用SQL Builder模式:
query := s.getQueryBuilder().
Select("*").
From("Preferences").
Where(sq.Eq{"UserId": userId})
_, err = s.GetReplica().GetBuilder(query)
这种改造使得SQL语句的构建更加结构化,便于后续维护和扩展。
第二阶段:显式指定查询列
进一步优化,将SELECT *替换为具体需要的列名:
query := s.getQueryBuilder().
Select("UserId", "Category", "Name", "Value").
From("Preferences").
Where(sq.Eq{"UserId": userId})
对于频繁使用的查询,可以在Store初始化时预定义查询结构:
type SqlPreferenceStore struct {
*SqlStore
preferenceSelectQuery sq.SelectBuilder
}
func newSqlPreferenceStore(sqlStore *SqlStore) store.PreferenceStore {
s := &SqlPreferenceStore{
SqlStore: sqlStore,
}
s.preferenceSelectQuery = s.getQueryBuilder().
Select("UserId", "Category", "Name", "Value").
From("Preferences")
return s
}
使用时只需添加条件即可:
query := s.preferenceSelectQuery.Where(sq.Eq{"UserId": userId})
实施建议
- 测试保障:修改后必须运行相关单元测试,确保功能不受影响
- 渐进式改造:可以先改造查询量大的关键路径,再逐步覆盖全部查询
- 性能监控:改造前后建议进行性能对比测试
总结
通过这种SQL查询优化,Mattermost项目可以获得以下收益:
- 提高系统向后兼容性,使数据库模式变更更加安全
- 减少不必要的数据传输,提升查询性能
- 代码更加结构化,便于后续维护和扩展
这种优化模式不仅适用于PreferenceStore,也可以推广到项目中的其他数据存储模块,是数据库访问层优化的一个良好实践。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
690
325
Ascend Extension for PyTorch
Python
229
258
暂无简介
Dart
679
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
346
147