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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0201
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07