Ordinals项目:解决区块链节点无法获取原始交易数据的问题
问题背景
在使用Ordinals项目时,用户可能会遇到一个常见的技术问题:区块链全节点无法获取原始交易数据,并返回错误信息"Couldn't receive txs failed to fetch raw transaction: code -5 message No such mempool transaction"。这个错误通常出现在用户尝试通过Ordinals协议与区块链网络交互时。
错误分析
该错误的核心信息表明区块链节点无法查询特定的交易数据,主要原因有两个:
- 交易不在内存池(mempool)中
- 节点没有启用交易索引(txindex)
错误信息建议的解决方案包括:
- 使用-txindex参数启用区块链交易查询
- 提供区块哈希以启用区块链交易查询
- 对于钱包交易,使用gettransaction命令
根本原因
区块链核心客户端默认不保存所有交易的索引,这是为了节省磁盘空间和提高同步速度。当Ordinals项目需要查询特定交易时,如果该交易不在内存池中且没有建立交易索引,节点就无法提供所需数据。
解决方案
启用交易索引
最直接的解决方案是在区块链核心客户端的配置中启用交易索引。这可以通过以下方式实现:
-
在blockchain.conf配置文件中添加:
txindex=1 -
或者在启动区块链核心时使用命令行参数:
blockchaind -txindex
注意事项
-
启用txindex后,需要重新同步区块链数据,这可能需要较长时间(通常几天到一周不等,取决于硬件配置和网络速度)。
-
确保有足够的磁盘空间。完整的区块链数据加上交易索引目前需要超过600GB的存储空间。
-
如果之前运行的是修剪(pruned)节点,需要删除现有数据并从头开始同步,因为修剪节点无法添加交易索引。
验证解决方案
启用txindex并完成同步后,可以通过以下命令验证节点状态:
blockchain-cli getblockchaininfo
确认输出中"pruned"字段为false,并且同步进度接近1.0。
性能考虑
启用txindex会增加节点的资源使用:
- 磁盘空间需求增加约15-20%
- 初始同步时间延长
- 日常运行内存占用略有增加
但对于Ordinals项目的完整功能支持,这些额外的资源消耗是必要的。
替代方案
如果资源有限,可以考虑:
- 使用第三方提供的索引服务(但会降低去中心化程度)
- 仅针对特定交易查询时提供区块哈希(适用于临时需求)
- 使用轻量级客户端(功能可能受限)
结论
对于Ordinals项目的完整支持,运行一个完整的、启用txindex的区块链节点是最可靠的选择。虽然这会增加一些资源开销,但确保了所有交易数据的可查询性,为Ordinals协议的正常运行提供了坚实基础。
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