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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00