SQLite Loadable Rust 扩展框架教程
2024-09-19 17:27:14作者:魏献源Searcher
1. 项目介绍
sqlite-loadable-rs 是一个用于在 Rust 中编写快速且高性能的 SQLite 扩展的框架。SQLite 的运行时可加载扩展允许用户向 SQLite 数据库连接添加新的标量函数、表函数、虚拟表、虚拟文件系统等。传统上,这些扩展主要通过 C/C++ 编写,但 sqlite-loadable-rs 提供了一个更安全和高效的 Rust 实现方式。
2. 项目快速启动
2.1 环境准备
确保你已经安装了 Rust 和 Cargo。如果没有安装,可以通过以下命令安装:
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh
2.2 创建新项目
首先,创建一个新的 Rust 项目:
cargo new --lib my_sqlite_extension
cd my_sqlite_extension
2.3 添加依赖
在 Cargo.toml 文件中添加 sqlite-loadable 依赖:
[package]
name = "my_sqlite_extension"
version = "0.1.0"
edition = "2021"
[dependencies]
sqlite-loadable = "0.0.3"
[lib]
crate-type = ["cdylib"]
2.4 编写扩展代码
在 src/lib.rs 中编写一个简单的扩展函数:
use sqlite_loadable::prelude::*;
use sqlite_loadable::{api, define_scalar_function, Result};
pub fn hello(context: *mut sqlite3_context, values: &[*mut sqlite3_value]) -> Result<()> {
let name = api::value_text_notnull(values.get(0).expect("1st argument as name"));
api::result_text(context, format!("hello, {}!", name));
Ok(())
}
#[sqlite_entrypoint]
pub fn sqlite3_hello_init(db: *mut sqlite3) -> Result<()> {
define_scalar_function(db, "hello", 1, hello, FunctionFlags::UTF8 | FunctionFlags::DETERMINISTIC);
Ok(())
}
2.5 构建项目
使用以下命令构建项目:
cargo build
2.6 测试扩展
启动 SQLite CLI 并加载你的扩展:
sqlite3
sqlite> .load target/debug/libmy_sqlite_extension
sqlite> select hello('world');
hello, world!
3. 应用案例和最佳实践
3.1 标量函数
标量函数是 SQLite 中最简单的函数类型,接受输入值并返回输出值。sqlite-loadable-rs 允许你轻松定义标量函数。例如,定义一个简单的加法函数:
pub fn add(context: *mut sqlite3_context, values: &[*mut sqlite3_value]) -> Result<()> {
let a = api::value_int(values.get(0).expect("1st argument"));
let b = api::value_int(values.get(1).expect("2nd argument"));
api::result_int(context, a + b);
Ok(())
}
#[sqlite_entrypoint]
pub fn sqlite3_extension_init(db: *mut sqlite3) -> Result<()> {
define_scalar_function(db, "add", 2, add, FunctionFlags::DETERMINISTIC);
Ok(())
}
3.2 表函数
表函数(也称为“Eponymous-only 虚拟表”)可以通过 define_table_function 添加到扩展中。例如,定义一个返回字符串中字符的表函数:
define_table_function::<CharactersTable>(db, "characters", None);
3.3 虚拟表
sqlite-loadable-rs 还支持传统的虚拟表,这些表具有动态模式或需要插入/更新支持。使用 define_virtual_table 可以定义一个新的只读虚拟表模块:
define_virtual_table::<CustomVtab>(db, "custom_vtab", None);
4. 典型生态项目
以下是一些使用 sqlite-loadable-rs 构建的典型项目:
- sqlite-xsv: 一个极快的 CSV/TSV 解析器。
- sqlite-regex: 一个极快且安全的正则表达式库。
- sqlite-base64: 快速的 base64 编码和解码库。
这些项目展示了 sqlite-loadable-rs 在实际应用中的强大功能和性能优势。
登录后查看全文
热门项目推荐
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
305
2.68 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
136
163
React Native鸿蒙化仓库
JavaScript
233
309
暂无简介
Dart
596
130
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++
630
227
仓颉编译器源码及 cjdb 调试工具。
C++
123
635
🎉 (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
1.06 K
614
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
195
71
仓颉编程语言测试用例。
Cangjie
36
634