ClickHouse Java客户端v0.8.5版本发布:功能增强与Bug修复
ClickHouse Java客户端是一个用于连接和操作ClickHouse数据库的Java库,它提供了多种连接方式(包括HTTP和JDBC)以及丰富的数据处理功能。该项目由ClickHouse官方维护,旨在为Java开发者提供高效、稳定的ClickHouse数据库访问能力。
功能改进
在v0.8.5版本中,JDBC v2组件新增了SQL调试功能,开发者现在可以查看最终执行的SQL语句,这对于调试复杂查询和性能优化非常有帮助。这一改进使得开发者在遇到查询问题时能够更直观地了解实际发送到数据库的SQL内容。
关键Bug修复
-
物化视图支持:修复了客户端v2在处理物化视图时创建TableSchema的问题,这解决了POJO序列化/反序列化相关的多个问题。物化视图是ClickHouse中常用的性能优化手段,这一修复使得Java应用能够更稳定地处理物化视图数据。
-
复杂类型处理:修复了
Nullable类型嵌套在SimpleAggregateFunction列中的处理问题。ClickHouse支持多种复杂数据类型组合,这一修复增强了类型系统的健壮性。 -
JDBC元数据改进:解决了服务器信息请求的时机问题,现在会在服务器时区设置后正确获取服务器信息。同时修复了
getIndexInfo()返回null的问题,现在会返回空结果集。这些改进使得JDBC元数据操作更加符合标准行为。 -
数据类型映射:针对ClickHouse特有的无符号整数类型(UInt8、UInt16、UInt32、UInt64、UInt128、UInt256),完善了到Java类型的映射关系。由于JDBC规范本身不支持无符号整数,这些类型被映射为最接近的Java类型,并以SQL类型
OTHER表示。 -
PreparedStatement规范:根据JDBC规范,禁止在PreparedStatement实例上调用Statement接口的方法,这提高了API使用的规范性。
-
UUID处理:修复了PreparedStatement中UUID数据类型的处理问题,确保了这种常用数据类型的稳定支持。
版本兼容性
该版本继续保持对ClickHouse各版本的广泛兼容性,同时优化了与JDBC规范的符合程度。开发者可以放心升级,特别是那些需要使用物化视图、复杂数据类型或无符号整数的项目。
升级建议
对于现有项目,特别是遇到物化视图处理问题或需要使用无符号整数类型的应用,建议升级到此版本。新项目可以直接采用此版本作为起点,以获得更稳定的数据类型支持和更完善的JDBC功能。
这个版本的发布进一步巩固了ClickHouse Java客户端作为连接ClickHouse数据库首选Java解决方案的地位,特别是在企业级应用和数据分析场景中。
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