SPQR 2.6.0 版本发布:分布式 PostgreSQL 路由器的重大升级
SPQR 是一个开源的 PostgreSQL 分片路由器项目,它作为 PostgreSQL 的中间层,能够将查询路由到正确的分片,同时对外提供统一的 PostgreSQL 协议接口。SPQR 使得应用程序可以像连接单个 PostgreSQL 实例一样连接分布式数据库集群,而无需关心底层数据分布细节。
核心特性增强
多列分片支持
2.6.0 版本对多列分片路由进行了全面增强。传统分片通常只基于单个列进行数据分布,这在某些业务场景下可能不够灵活。新版本通过以下改进支持了更复杂的多列分片场景:
- 扩展了 COPY 命令处理逻辑,使其能够正确处理多列分片键的数据导入
- 改进了 INSERT 语句的直接路由机制,支持基于多列分片键的路由决策
- 增强了类型系统,支持不同数据类型的多列组合作为分片键
这些改进使得用户可以基于业务需求设计更灵活的分片策略,例如同时基于用户ID和地理位置进行数据分布。
数据重分布功能增强
数据重分布是分布式数据库管理的重要功能,2.6.0 版本对此进行了多项改进:
- 引入了
REDISTRIBUTE KEY RANGE [CHECK|APPLY]命令,提供更安全的数据迁移流程 - 增加了对分布键列的检查机制,确保重分布操作的正确性
- 修复了单分片键对应多行数据时的处理逻辑
- 改进了键范围获取算法,提高了重分布效率
- 新增了
RETRY MOVE TASK GROUP命令,便于处理失败的重分布任务
这些改进使得大规模数据重平衡操作更加可靠和高效,为在线扩容提供了更好的支持。
序列与自增功能
新版本增强了序列支持:
- 实现了完整的序列功能,包括
CREATE SEQUENCE和序列函数 - 支持
AUTO INCREMENT START语法,便于控制自增起始值 - 改进了序列在分布式环境下的行为一致性
这些特性使得从单机 PostgreSQL 迁移到分布式环境时,序列相关的应用代码几乎无需修改。
UUID 支持
新增了对 UUID 数据类型的完整支持,包括生成函数和路由逻辑。这使得用户可以使用 UUID 作为主键或分片键,满足某些特定场景的需求。
查询处理优化
虚拟查询处理
2.6.0 引入了虚拟查询处理机制,能够高效处理一些特殊查询而不需要实际访问后端数据库:
- 实现了
pg_is_in_recovery函数的虚拟处理 - 支持
SELECT 1等简单查询的虚拟执行 - 优化了子查询的处理逻辑
- 改进了伪命令的绑定处理
这些优化减少了对后端数据库的不必要访问,提高了系统整体性能。
读写分离支持
新版本增强了读写分离能力:
- 引入了
__spqr__参数控制读写路由 - 实现了副本只读路由功能(smart-read-write)
- 增加了对
target_session_attrs参数的处理 - 优化了只读状态下的控制台行为
这些改进使得应用程序可以更灵活地利用读写分离提高查询性能。
系统稳定性与运维改进
连接管理优化
- 实现了单分片服务器下的无锁连接管理
- 修复了多数据库连接池中的双重释放问题
- 增加了连接数限制配置
- 优化了客户端失败时的清理逻辑
元数据管理
- 为分布式关系添加了模式元数据支持
- 在
SHOW RELATIONS输出中包含模式名称 - 改进了模式缓存获取失败时的错误处理
监控与诊断
- 新增了
spqr-ping工具用于系统健康检查 - 改进了只读状态的显示
- 优化了系统通知机制
兼容性与测试增强
2.6.0 版本在兼容性和测试方面做了大量工作:
- 重写了多分片测试用例,提高测试覆盖率
- 增加了对 pgbench 工具的兼容性支持
- 修复了多种边界条件下的处理逻辑
- 改进了回归测试套件
- 优化了 Docker 镜像构建
总结
SPQR 2.6.0 版本在多列分片、数据重分布、序列支持、读写分离等方面带来了显著改进,同时增强了系统的稳定性和可运维性。这些变化使得 SPQR 更适合生产环境部署,能够支持更复杂的分布式数据库场景。对于正在考虑或已经使用 PostgreSQL 分片的用户,升级到 2.6.0 版本将获得更好的功能支持和性能表现。
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