ClickHouse-Java 0.9.0版本发布:JDBC驱动与客户端的重要更新
ClickHouse-Java项目是ClickHouse列式数据库的官方Java客户端库,为开发者提供了在Java应用中连接和操作ClickHouse数据库的能力。该项目包含多个模块,如JDBC驱动、HTTP客户端、R2DBC驱动等,支持各种Java应用场景下的数据库访问需求。
版本核心变更
本次0.9.0版本带来了多项重要改进和优化,主要集中在JDBC驱动和客户端功能上。最显著的变化是项目对发布产物的精简和优化,移除了多个冗余的artifact,简化了用户的选择和使用成本。
发布产物调整
新版本不再发布clickhouse-jdbc:http、clickhouse-jdbc:shaded-all和clickhouse-jdbc:shaded等artifact,统一推荐使用clickhouse-jdbc:all作为替代。这个all包包含了所有必要的shaded库(除了org.slf4j:slf4j-api,因为该库不应被shaded)。同时,jdbc-v2相关的独立artifact也被移除,因为其功能已经整合到clickhouse-jdbc:all中。
这种调整使得依赖管理更加清晰,开发者不再需要纠结选择哪个artifact版本,减少了潜在的依赖冲突问题。
关键问题修复
JDBC驱动改进
-
SQL解析增强:修复了在FROM子句中使用关键字作为别名时的解析问题,提升了SQL兼容性。同时改进了CREATE USER语句的识别能力,使得DDL操作更加可靠。
-
CTE支持完善:对公共表表达式(CTE)的解析进行了多项改进,解决了多个相关issue中报告的问题,使得复杂查询的编写更加顺畅。
-
参数处理优化:修复了当SQL中包含反引号包裹的函数时参数解析失败的问题,同时解决了设置超时参数时参数传递失效的缺陷。
-
结果集处理:修正了ResultSet#findColumn方法总是返回0的问题,确保了列索引查询的正确性。
-
日志统一:将SQL解析器的日志输出与驱动日志系统进行了整合,使得日志记录更加一致和可管理。
客户端改进
-
参数传递可靠性:修复了在设置超时参数时其他参数可能丢失的问题,确保了所有配置参数都能正确传递到服务器端。
-
配置管理优化:将所有默认配置值集中到ClientConfigurationProperties枚举中管理,提高了代码的可维护性和配置的一致性。
技术细节与最佳实践
对于Java开发者使用ClickHouse-Java客户端,有以下建议:
-
依赖选择:新项目应直接使用
clickhouse-jdbc:all作为依赖,它已经包含了大多数必要的功能。对于特殊场景,可以考虑使用更细粒度的模块。 -
配置管理:利用ClientConfigurationProperties枚举来管理和验证配置参数,可以避免配置错误并提高代码可读性。
-
日志集成:由于SLF4J API未被shaded,应用需要自行提供合适的日志实现,如Logback或Log4j2。
-
升级策略:从旧版本升级时,应注意检查是否使用了被移除的artifact,并相应调整依赖声明。
总结
ClickHouse-Java 0.9.0版本通过精简发布产物、增强SQL兼容性和修复关键问题,显著提升了开发体验和系统稳定性。这些改进使得Java应用与ClickHouse数据库的集成更加顺畅,特别是在处理复杂查询和管理连接配置方面。对于使用ClickHouse的Java开发者来说,升级到这个版本将获得更好的开发效率和运行时可靠性。
随着ClickHouse在数据分析领域的日益普及,其Java客户端的持续优化将为Java生态系统中的大数据应用提供更强大的支持。开发者可以期待未来版本会带来更多性能优化和新功能支持。
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