Manticore Search 9.3.2 版本发布:性能优化与稳定性提升
Manticore Search 是一个高性能的开源搜索引擎,专为快速、高效的全文搜索而设计。它支持 SQL 查询语法,提供了丰富的搜索功能,包括全文检索、过滤、排序、分组等。Manticore Search 以其出色的性能和可扩展性,广泛应用于各种需要快速搜索的场景。
最新发布的 Manticore Search 9.3.2 版本带来了多项重要改进,主要集中在性能优化、内存管理、稳定性提升和功能增强等方面。本文将详细介绍这些改进内容及其技术实现。
性能优化与内存管理
在 9.3.2 版本中,开发团队对内存使用进行了多项优化。其中最重要的改进之一是减少了合并操作时的峰值内存使用量。通过优化文档 ID 到行 ID 的查找机制,现在每个文档只需要 12 字节的内存空间,而之前需要 16 字节。这意味着在处理 20 亿文档时,内存使用量从 36GB 降低到了 24GB,显著提高了系统处理大规模数据的能力。
另一个重要的内存优化是针对大型实时表的 COUNT(*) 查询。在之前的版本中,这类查询可能会返回不准确的结果,特别是在表规模很大时。新版本修复了这个问题,确保了查询结果的准确性。
稳定性改进
9.3.2 版本修复了多个可能导致系统崩溃的问题。其中包括:
-
修复了在优化过程被中断时可能遗留临时文件的问题,避免了存储空间的浪费和潜在的文件冲突。
-
解决了在处理包含单引号的字符串时可能导致的崩溃问题,提高了系统的健壮性。
-
修复了在分布式表创建过程中可能出现的无效指针问题,防止了系统崩溃。
-
解决了在多磁盘块的实时表上使用分组器(grouper)和多个 JSON 属性时可能导致的段错误问题。
查询功能增强
新版本对查询功能也进行了多项改进:
-
改进了对大型文档 ID 的处理能力,解决了之前可能无法找到大 ID 文档的问题。
-
修复了在 RAM 块刷新后,使用 WHERE string ANY(...) 查询失败的问题。
-
改进了 GEODIST 函数的距离计算算法,提高了地理空间查询的准确性。
-
增加了对 Elasticsearch query_string 过滤器格式的支持,提高了与 Elasticsearch 的兼容性。
系统监控与管理
9.3.2 版本引入了一个重要的新功能:详细的表使用统计信息。现在系统会记录每个表的命令计数器,提供了更细粒度的表使用情况监控能力。这对于系统管理员优化查询性能和资源分配非常有帮助。
此外,还改进了系统线程显示功能,现在 CPU 活动会以字符串形式而非浮点数形式显示,提高了监控信息的可读性。
构建与兼容性
在构建系统方面,新版本修复了与 Boost 1.88.0 的兼容性问题,确保了在不同环境下的构建稳定性。同时,改进了对系统表的反引号支持,提高了 SQL 查询的灵活性。
Kafka 集成改进
对于使用 Kafka 集成的用户,新版本增加了一个实用功能:现在可以为特定的 Kafka 分区创建源。这提供了更精细的数据摄入控制能力,特别适用于需要处理特定分区数据的场景。
总结
Manticore Search 9.3.2 版本通过一系列的性能优化、稳定性改进和功能增强,进一步提升了这个高性能搜索引擎的可靠性和可用性。特别是内存管理的优化使得系统能够更高效地处理大规模数据,而各种崩溃问题的修复则提高了系统的稳定性。新增加的表使用统计功能为系统监控和优化提供了更好的工具。这些改进使得 Manticore Search 在搜索性能、系统稳定性和管理便利性方面都达到了新的高度。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00