Pigsty 部署中 PostgreSQL 扩展包安装问题分析与解决
问题背景
在使用 Pigsty 项目的 conf/safe.yml 配置模板部署 PostgreSQL 集群时,遇到了两个扩展包无法找到的问题:anonymizer 和 noset。系统环境为 Ubuntu 22.04 LTS,Pigsty 版本为 v3.4.1。
错误现象
在部署过程中,Ansible 任务执行到安装 PostgreSQL 扩展时失败,报错信息显示:
No package matching 'anonymizer' is available
No package matching 'noset' is available
问题分析
-
扩展包命名规则问题
检查/www/pigsty目录发现实际存在的扩展包文件名为:postgresql-17-pg-anon_2.1.1-1PIGSTY~jammy_amd64.debpostgresql-17-noset_0.3.0-1PIGSTY~jammy_amd64.deb
而配置文件中指定的扩展名称为
anonymizer和noset,与实际的包名pg-anon和noset不一致。 -
Pigsty 扩展包命名规范
Pigsty 对 PostgreSQL 扩展包的命名有一定规范,通常以postgresql-<version>-<extension-name>_<version>-<distro>_<arch>.deb格式命名。部分扩展包可能有pg_前缀。
解决方案
-
修改配置文件
将pg_extensions配置项中的:anonymizer改为pg_anonnoset改为pg_noset
修改后的配置如下:
pg_extensions: - passwordcheck, supautils, pgsodium, pg_vault, pg_session_jwt, pg_anon, pgsmcrypto, pgauditlogtofile, pgaudit - pg_auth_mon, credcheck, pgcryptokey, pg_jobmon, logerrors, login_hook, set_user, pgextwlist, pg_auditor, sslutils, pg_noset -
确保包文件存在
复制postgresql-17-noset_0.3.0-1PIGSTY~jammy_amd64.deb为postgresql-17-pg-noset_0.3.0-1PIGSTY~jammy_amd64.deb,确保包文件与配置中的名称一致。
技术原理
-
PostgreSQL 扩展管理
Pigsty 通过 Ansible 自动化安装 PostgreSQL 扩展,这些扩展以 Debian 包形式提供。安装时会根据配置中的扩展名称查找对应的.deb包文件。 -
命名一致性要求
配置中的扩展名称必须与包文件名中的关键部分完全匹配。例如,pg_anon对应postgresql-17-pg-anon_*.deb,pg_noset对应postgresql-17-pg-noset_*.deb。
最佳实践
-
检查扩展包命名
在配置扩展前,应先在/www/pigsty目录下确认实际的包文件名格式。 -
保持命名一致性
确保配置中的扩展名称与包文件名中的关键部分一致,必要时可创建符号链接或复制文件来满足命名要求。 -
测试验证
修改配置后,建议先在小范围测试环境中验证扩展安装是否成功,再应用到生产环境。
总结
Pigsty 部署过程中遇到的扩展包安装问题通常是由于命名不一致导致的。通过理解 Pigsty 的扩展包命名规范,并确保配置与实际包文件名的匹配,可以有效解决这类问题。对于安全增强模板中的特殊扩展,更应仔细检查命名规则,必要时可参考项目文档或社区经验进行调整。
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-1.5暂无简介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
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
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