PostgreSQL笔记4: 市场地位、生态全景与行业应用实践

PostgreSQL 的历史 title: PostgreSQL 的历史author:excerpt:PostgreSQL 是一款功能强大且广泛使用的开源关系型数据库管理系统。其历史可以追溯到1986年,当时由加州大学伯克利分校的一个研究团队开发。文章将深入探讨 PostgreSQL 的起源、发展历程、关键版本更新以及它如何在数据库技术的演变中占据重要地位。通过分析 PostgreSQL 的设计哲学、社区支持和市场应用。扫描PostgreSQL 是一款功能强大且广泛使用的开源关系型数据库管理系统。 阅读详情

概述

PostgreSQL 的发展历程是一部从学术项目到全球主流数据库的演进史。本文基于 DB-Engines 排名、Stack Overflow 年度调研以及国内外头部企业的生产实践,系统梳理 PostgreSQL 在全球数据库市场中的竞争格局、衍生生态体系以及在金融、互联网、AI 等关键行业的落地案例。

纲要

  • PostgreSQL 全球市场格局(DB-Engines 排名解析)
  • Stack Overflow 开发者调研与开发者认可度
  • PostgreSQL 衍生生态
    • 图数据库: AgensGraph
    • MongoDB 兼容层: FerretDB
    • 时序数据库: TimescaleDB
    • 云原生与分布式衍生
  • 国际典型应用案例
    • OpenAI: 单主库 + 50 副本
    • Instagram: 从 PostgreSQL 到 IPO
    • 其他企业(Apple, Skype, Uber 等)
  • 国内应用场景与信创生态
    • 金融行业: 平安集团
    • 互联网行业: 去哪儿、探探、GitLab 等
    • 信创国产化: 达梦、人大金仓、瀚高(IvorySQL)等
  • 行业场景与技术能力
    • 时序数据处理(BRIN 索引、TimescaleDB)
    • 半结构化数据处理(JSONB、XML 等)
    • 全文检索(tsvector/tsquery、pgZoom)
    • AI 与向量检索(pgvector)
  • API 速览(pgvector、TimescaleDB、pgAudit)
  • Demo 简单示例(Node.js + pg 驱动,演示全文检索、JSONB 查询、向量检索)
  • 项目难点与解决方案(MVCC 写放大、表膨胀、autovacuum 调优)
  • 官方文档与参考链接

全球数据库市场格局:DB-Engines 排名解析

DB-Engines 是全球数据库领域最具权威性的流行度排名系统,其评分综合了搜索引擎热度、技术讨论活跃度、就业市场需求、文档丰富度、社区参与度及生态活跃度等多个维度。

根据 DB-Engines 2026 年 8 月发布的排名数据,全球数据库市场头部格局如下:

排名数据库系统2026年8月得分月度变化年度变化
1Oracle1123.43-8.94-97.27
2MySQL842.32-4.14-73.15
3Microsoft SQL Server694.56-4.40-59.59
4PostgreSQL684.58-3.23+13.32
5MongoDB384.88-1.74-10.70

从上述数据可以清晰地看到:

  • PostgreSQL 是头部数据库中唯一实现年度正增长的。在 Oracle、MySQL、SQL Server 三大传统数据库得分持续下滑的背景下,PostgreSQL 年度涨幅达 13.32 分,与 SQL Server 的差距已缩小至 9.98 分。
  • 增长动能发生根本性逆转。2026 年上半年,PostgreSQL 的 DB-Engines 得分增长 21.97 分,位居所有数据库之首。这一增长幅度远超 Databricks(+16.04)、MongoDB(+11.24)等竞品。
  • 开源数据库整体崛起。在 2026 年上半年增长最快的十大数据库中,开源数据库占据主导地位,包括 Redis、ClickHouse、Apache Cassandra 等。

在国内市场,墨天轮(Modb)榜单是观察国产数据库流行度的重要参考。PostgreSQL 凭借其技术先进性和生态兼容性,已成为众多国产数据库产品的核心基石。

Stack Overflow 开发者调研:连续两年蝉联榜首

Stack Overflow 年度开发者调查是全球规模最大的开发者生态调研之一。在 2024 年的调查中,PostgreSQL 以 48.7% 的受访者使用率位居第一,连续第二年超越 MySQL(40.3%)。

34% 28% 23% 14% 2024年Stack Overflow开发者调查-数据库使用率 PostgreSQL MySQL SQLite 其他

更值得关注的是 “最受推崇数据库”(Most Admired Database) 维度——PostgreSQL 以约 74.5% 的推崇率蝉联榜首。这一指标反映了开发者对数据库技术本身的认可度与满意度,而非单纯的使用率。

从历史趋势来看,PostgreSQL 于 2018 年首次出现在 Stack Overflow 开发者调查中,当时使用率为 33%。六年后的 2024 年,这一数字已攀升至 49%,增长轨迹充分说明了 PostgreSQL 在开发者社区中的持续渗透。

PostgreSQL 衍生生态:从内核到多模扩展

PostgreSQL 的开源协议(PostgreSQL License)及其可扩展架构,催生了庞大的衍生数据库生态。PostgreSQL 官方 Wiki 维护了一份完整的衍生数据库列表。以下是几个代表性的生态项目:

图数据库: AgensGraph

AgensGraph 是由 Bitnine Global 开发的多模图数据库,基于 PostgreSQL 构建,同时支持关系型数据模型和属性图数据模型。它支持使用 Cypher 查询语言进行图遍历,并提供 SQL 与 Cypher 的混合查询能力。AgensGraph 还可与 PostGIS、pgvector 等 PostgreSQL 扩展协同工作。

MongoDB 兼容层: FerretDB

FerretDB 是一个开源的 MongoDB 替代方案,它通过实现 MongoDB Wire Protocol,使客户端可以使用标准 MongoDB 驱动连接,而数据实际存储在 PostgreSQL 中。FerretDB 基于 Apache 2.0 许可发布,为希望从 MongoDB 迁移至 PostgreSQL 生态的团队提供了平滑的过渡路径。

时序数据库: TimescaleDB

TimescaleDB 是 PostgreSQL 生态中最成熟的时序数据库扩展。它通过超表(Hypertable)抽象实现了时序数据的自动分片,并提供了 time_bucket、time_bucket_gapfill 等专用函数,支持降采样、数据填充等时序分析场景。

安装 TimescaleDB 后,通过以下 SQL 即可启用:

-- 创建时序扩展
CREATE EXTENSION IF NOT EXISTS timescaledb;

-- 创建超表
CREATE TABLE metrics (
    time TIMESTAMPTZ NOT NULL,
    device_id INTEGER NOT NULL,
    cpu_usage FLOAT,
    memory_usage FLOAT
);

SELECT create_hypertable('metrics', 'time');

-- 使用 time_bucket 进行降采样
SELECT 
    time_bucket('5 minutes', time) AS bucket,
    device_id,
    AVG(cpu_usage) AS avg_cpu
FROM metrics
WHERE time > NOW() - INTERVAL '1 day'
GROUP BY bucket, device_id;

云原生与分布式衍生

  • Apache Cloudberry: 2024 年从 Apache 孵化的 MPP 架构分布式数据库,继承自 Greenplum Database 的开源版本。
  • Neon: 开源的 serverless PostgreSQL 实现,借鉴了 AWS Aurora 的存算分离架构。
  • Greenplum Database: 基于 PostgreSQL 的 MPP 大数据分析平台,其开源版本已于 2024 年 5 月归档。

国际典型应用案例

PostgreSQL 在全球范围内的生产环境部署已覆盖从初创公司到超大规模互联网平台的各个层级。

OpenAI: 单主库 + 50 副本支撑 8 亿用户

OpenAI 是 PostgreSQL 规模化部署最具代表性的案例之一。在 2026 年的 PGCon.Dev 上,OpenAI 工程师披露了其 PostgreSQL 架构的核心参数:

  • 1 个主库(部署在 Azure Database for PostgreSQL)负责所有写入操作
  • 近 50 个只读副本分布在全球多个区域,承担读流量
  • 支撑 8 亿 ChatGPT 用户,每秒处理 数百万次查询(QPS)
  • p99 延迟控制在 10-19 毫秒
  • 可用性达到 99.999%

值得注意的是,OpenAI 在单集群写入吞吐接近上限后,选择将可水平分片的写密集型负载迁移至 Azure Cosmos DB(基于 PostgreSQL + Citus),而非采用传统的应用层手动分片方案。

OpenAI 的实践表明,PostgreSQL 在读多写少的场景下能够可靠地扩展到超大规模。这一案例对于许多没有充分理由提前采用复杂分布式数据库的团队而言,具有重要的参考价值。

Instagram: 从 PostgreSQL 到 IPO

Instagram 在被 Facebook 收购之前,其整个后端几乎完全基于 PostgreSQL 构建。Instagram 的工程团队曾公开分享过其 PostgreSQL 集群架构——一套集群承载了约 40 万 QPS。当面临单库写入瓶颈时,Instagram 采用了应用层分库分表(Sharding)方案解决了扩展性问题。

其他国际企业

  • Apple: 内部大量采用 PostgreSQL 作为核心数据库
  • Skype: 生产环境核心数据库
  • Uber: 早期核心业务数据库
  • Cisco、Sony、Spotify 等均在生产环境中使用 PostgreSQL 作为核心数据存储

国内应用场景与信创生态

金融行业: 平安集团

平安集团是国内最大的 PostgreSQL 用户之一,拥有超过 10,000 套 PostgreSQL 实例,版本覆盖从 9.4 到 15,服务于平安旗下各业务单元(BU)。平安基于 PostgreSQL 自研的 RASESQL 集中式数据库已通过中国信息安全测评中心的安全可靠测评认证(I 级)。

金融行业对 PostgreSQL 的青睐主要源于:

  • 严格的事务一致性: PostgreSQL 原生支持 ACID 事务
  • 安全审计能力: 通过 pgAudit 扩展实现对表访问、敏感字段操作的细粒度审计日志
  • 数据脱敏: 借助 pgAnonymizer 等工具实现身份证号、手机号等敏感信息的自动脱敏

互联网行业

国内众多互联网公司深度采用 PostgreSQL:

  • 去哪儿、探探: 核心业务数据库
  • GitLab: 基于 PostgreSQL 的代码托管平台
  • 字节跳动、腾讯、阿里、华为: 各自推出基于 PostgreSQL 的云数据库产品

国内云厂商的 PostgreSQL 兼容产品包括:

厂商产品名称核心特性
阿里云PolarDB for PostgreSQL100% 兼容 PostgreSQL,存算分离架构,支持集中式与分布式部署
腾讯云TDSQL-C PostgreSQL 版100% 兼容 PostgreSQL,存算分离,超百万级 QPS
华为云GaussDB基于 PostgreSQL 标准 API,支持行存与 Ustore

信创国产化: PostgreSQL 成为核心基石

在国内信创(信息技术应用创新)的大背景下,PostgreSQL 凭借其开源协议(类 BSD)和技术成熟度,已成为国产数据库体系的核心基石。众多国产数据库产品基于 PostgreSQL 技术路线开发:

  • 达梦数据库、南大通用、人大金仓(KingbaseES)
  • 瀚高数据库(IvorySQL) : 基于 PostgreSQL,深度兼容 Oracle 语法
  • 海量数据库、优炫数据库、神州通用

IvorySQL 由瀚高股份发起,是一个基于 PostgreSQL 的开源数据库根社区,成立于 2021 年底。其最新版本已支持 x86、ARM、MIPS、LoongArch 等主流架构,并适配麒麟、统信 UOS 等国产操作系统。

在许多省市的信创项目招标文件中,PostgreSQL 及其兼容产品已频繁出现。掌握 PostgreSQL 技术,等同于掌握了国产数据库生态的通用钥匙。

行业场景与技术能力

时序数据处理

PostgreSQL 通过 BRIN 索引(Block Range Index)和 TimescaleDB 扩展,在时序数据场景中表现优异。BRIN 索引特别适用于数据按时间顺序写入、少有更新的场景,索引体积小、维护成本低。

TimescaleDB 提供的核心时序函数包括:

  • time_bucket(): 按时间间隔聚合
  • time_bucket_gapfill(): 填充缺失的时间区间
  • 自动压缩与数据保留策略

半结构化数据处理

PostgreSQL 从 9.4 版本开始原生支持 JSONB 数据类型,提供高效的 JSON 存储与查询能力。此外还支持 XML、数组、范围类型、MAC 地址 等多种半结构化数据类型。

-- JSONB 数据存储与查询
CREATE TABLE user_profiles (
    id SERIAL PRIMARY KEY,
    profile JSONB
);

INSERT INTO user_profiles (profile) VALUES 
    ('{"name": "张三", "age": 30, "tags": ["developer", "postgres"]}');

-- JSONB 索引与查询
CREATE INDEX idx_profile_name ON user_profiles USING GIN ((profile -> 'name'));

SELECT * FROM user_profiles 
WHERE profile @> '{"tags": ["postgres"]}';

全文检索

PostgreSQL 内置了全文检索功能,通过 tsvector 和 tsquery 类型实现:

-- 创建全文检索索引
CREATE TABLE documents (
    id SERIAL PRIMARY KEY,
    title TEXT,
    body TEXT,
    ts_body TSVECTOR GENERATED ALWAYS AS (to_tsvector('english', body)) STORED
);

CREATE INDEX idx_ts_body ON documents USING GIN (ts_body);

-- 全文检索查询
SELECT * FROM documents 
WHERE ts_body @@ to_tsquery('english', 'postgresql & performance');

此外,pgZoom、ZomboDB 等扩展进一步增强了 PostgreSQL 的搜索能力。

AI 与向量检索

PostgreSQL 通过 pgvector 扩展实现了向量数据的存储与检索能力,支持:

  • 向量类型的存储与索引(IVFFlat、HNSW)
  • 余弦相似度、欧氏距离、内积等相似度度量
  • 与关系型数据的混合查询

这使得 PostgreSQL 可以承担 RAG(检索增强生成) 应用中的向量数据库角色,将业务数据与向量数据存放在同一数据库中,避免数据搬运与数据孤岛问题。

API 速览

pgvector 向量操作 API

所属扩展: pgvector

核心类型与函数:

-- 创建向量扩展
CREATE EXTENSION vector;

-- 向量类型: vector(n)
CREATE TABLE items (
    id SERIAL PRIMARY KEY,
    embedding vector(384)  -- 384维向量
);

-- 向量相似度查询
SELECT 
    id,
    embedding <-> '[0.1, 0.2, ...]' AS distance  -- 欧氏距离
FROM items
ORDER BY embedding <-> '[0.1, 0.2, ...]'
LIMIT 10;

-- 余弦相似度
SELECT * FROM items 
ORDER BY embedding <=> '[0.1, 0.2, ...]'  -- 余弦距离
LIMIT 10;

-- 内积相似度
SELECT * FROM items 
ORDER BY embedding <#> '[0.1, 0.2, ...]'  -- 负内积
LIMIT 10;

索引创建:

-- IVFFlat 索引
CREATE INDEX idx_embedding_ivfflat ON items 
USING ivfflat (embedding vector_cosine_ops)
WITH (lists = 100);

-- HNSW 索引 (PostgreSQL 16+)
CREATE INDEX idx_embedding_hnsw ON items 
USING hnsw (embedding vector_cosine_ops);

TimescaleDB 时序操作 API

所属扩展: timescaledb

超表创建:

-- 创建超表
CREATE TABLE conditions (
    time TIMESTAMPTZ NOT NULL,
    location TEXT NOT NULL,
    temperature FLOAT
);

SELECT create_hypertable('conditions', 'time');

时序聚合函数:

-- time_bucket: 按时间间隔聚合
SELECT 
    time_bucket('1 hour', time) AS hour,
    location,
    AVG(temperature) AS avg_temp
FROM conditions
WHERE time > NOW() - INTERVAL '7 days'
GROUP BY hour, location
ORDER BY hour DESC;

-- time_bucket_gapfill: 填充缺失区间
SELECT 
    time_bucket_gapfill('1 hour', time) AS hour,
    location,
    AVG(temperature) AS avg_temp
FROM conditions
WHERE time > NOW() - INTERVAL '7 days'
GROUP BY hour, location;

pgAudit 审计 API

所属扩展: pgaudit

启用审计:

-- 加载扩展 (需在 postgresql.conf 中配置 shared_preload_libraries)
CREATE EXTENSION pgaudit;

-- 配置审计日志 (需在 postgresql.conf 中设置)
-- pgaudit.log = 'ddl, role, read, write'
-- pgaudit.log_catalog = off
-- pgaudit.log_parameter = on

-- 会话级审计配置
SET pgaudit.log = 'read, write';

Demo 简单示例

本 Demo 演示如何使用 Node.js 连接 PostgreSQL,并展示 JSONB 存储、全文检索和向量检索三种能力的综合使用。

运行说明

环境要求:

  • Node.js 18+
  • PostgreSQL 16+(需安装 pgvector 扩展)
  • npm 包: pg、@neondatabase/serverless

安装依赖:

npm init -y
npm install pg @neondatabase/serverless

初始化数据库:

-- 创建数据库
CREATE DATABASE blog_demo;

-- 连接数据库后创建扩展
CREATE EXTENSION IF NOT EXISTS vector;
CREATE EXTENSION IF NOT EXISTS pg_trgm;

完整代码

// index.ts
import { Client } from 'pg';

const client = new Client({
    host: 'localhost',
    port: 5432,
    database: 'blog_demo',
    user: 'postgres',
    password: 'your_password',
});

async function main() {
    await client.connect();

    // 1. 创建表结构
    await client.query(`
        CREATE TABLE IF NOT EXISTS products (
            id SERIAL PRIMARY KEY,
            name TEXT NOT NULL,
            description TEXT,
            attributes JSONB,
            embedding vector(3),
            search_vector TSVECTOR GENERATED ALWAYS AS (
                setweight(to_tsvector('english', name), 'A') ||
                setweight(to_tsvector('english', COALESCE(description, '')), 'B')
            ) STORED
        );
    `);

    // 2. 创建索引
    await client.query(`
        CREATE INDEX IF NOT EXISTS idx_products_search ON products 
        USING GIN (search_vector);
        CREATE INDEX IF NOT EXISTS idx_products_embedding ON products 
        USING ivfflat (embedding vector_cosine_ops) WITH (lists = 10);
    `);

    // 3. 插入示例数据
    await client.query(`
        INSERT INTO products (name, description, attributes, embedding) VALUES
        ('PostgreSQL Database', 'Advanced open-source relational database', 
         '{"version": 16, "license": "PostgreSQL License"}', '[0.9, 0.1, 0.2]'),
        ('TimescaleDB', 'Time-series extension for PostgreSQL',
         '{"type": "extension", "category": "时序"}', '[0.2, 0.8, 0.1]'),
        ('pgvector', 'Vector similarity search for PostgreSQL',
         '{"type": "extension", "category": "AI"}', '[0.1, 0.2, 0.9]')
        ON CONFLICT DO NOTHING;
    `);

    // 4. 全文检索查询
    const searchResult = await client.query(`
        SELECT id, name, description
        FROM products
        WHERE search_vector @@ to_tsquery('english', 'database & open')
        ORDER BY ts_rank(search_vector, to_tsquery('english', 'database & open')) DESC;
    `);
    console.log('全文检索结果:', searchResult.rows);

    // 5. JSONB 查询
    const jsonResult = await client.query(`
        SELECT id, name, attributes
        FROM products
        WHERE attributes @> '{"category": "AI"}';
    `);
    console.log('JSONB 查询结果:', jsonResult.rows);

    // 6. 向量相似度查询
    const vectorResult = await client.query(`
        SELECT id, name, 
               1 - (embedding <=> '[0.1, 0.2, 0.9]') AS similarity
        FROM products
        ORDER BY embedding <=> '[0.1, 0.2, 0.9]'
        LIMIT 3;
    `);
    console.log('向量相似度查询结果:', vectorResult.rows);

    await client.end();
}

main().catch(console.error);

代码说明

  1. 表结构设计: products 表同时包含了关系型字段(name、description)、半结构化字段(attributes JSONB)、向量字段(embedding vector(3))以及全文检索向量(search_vector TSVECTOR)。

  2. 全文检索: 使用 setweight 为不同字段分配权重(name 为 A 级,description 为 B 级),并创建 GIN 索引加速检索。

  3. 向量检索: 使用 pgvector 扩展的 <=> 运算符计算余弦距离,并创建 IVFFlat 索引加速查询。

  4. JSONB 查询: 使用 @> 运算符进行 JSON 文档的包含查询。

技术点总结

技术能力实现方式适用场景
全文检索tsvector + tsquery + GIN 索引内容搜索、日志分析
半结构化数据JSONB 类型 + GIN 索引灵活 Schema、配置存储
向量检索pgvector 扩展 + IVFFlat/HNSW 索引RAG、推荐系统、语义搜索
混合查询上述能力的 SQL 组合复杂业务场景的统一数据访问

其他语言示例

PostgreSQL 多语言 Demo 补充:Go / Python / Java

本文作为 Node.js Demo 的补充,提供 Go、Python、Java 三种语言的完整可运行示例,均基于同一套表结构(products),演示 JSONB 存储、全文检索和向量检索三种能力的综合使用。

运行环境通用要求

  • PostgreSQL 16+,已安装 pgvector 扩展
  • 数据库名 blog_demo,用户 postgres,密码 your_password(请根据实际情况修改)
  • 初始 SQL(所有语言共用):
CREATE DATABASE blog_demo;
\c blog_demo
CREATE EXTENSION IF NOT EXISTS vector;
CREATE EXTENSION IF NOT EXISTS pg_trgm;

CREATE TABLE IF NOT EXISTS products (
    id SERIAL PRIMARY KEY,
    name TEXT NOT NULL,
    description TEXT,
    attributes JSONB,
    embedding vector(3),
    search_vector TSVECTOR GENERATED ALWAYS AS (
        setweight(to_tsvector('english', name), 'A') ||
        setweight(to_tsvector('english', COALESCE(description, '')), 'B')
    ) STORED
);

CREATE INDEX IF NOT EXISTS idx_products_search ON products USING GIN (search_vector);
CREATE INDEX IF NOT EXISTS idx_products_embedding ON products USING ivfflat (embedding vector_cosine_ops) WITH (lists = 10);

Go Demo

使用 pgx 驱动(推荐,支持 pgvector 的 vector 类型)。

运行说明

go mod init demo
go get github.com/jackc/pgx/v5
go run main.go

完整代码

// main.go
package main

import (
	"context"
	"fmt"
	"log"

	"github.com/jackc/pgx/v5"
)

func main() {
	ctx := context.Background()
	conn, err := pgx.Connect(ctx, "postgres://postgres:your_password@localhost:5432/blog_demo")
	if err != nil {
		log.Fatal(err)
	}
	defer conn.Close(ctx)

	// 1. 清空表(可选)
	_, _ = conn.Exec(ctx, "TRUNCATE products RESTART IDENTITY")

	// 2. 插入示例数据
	insertSQL := `
		INSERT INTO products (name, description, attributes, embedding) VALUES
		($1, $2, $3, $4),
		($5, $6, $7, $8),
		($9, $10, $11, $12)
	`
	_, err = conn.Exec(ctx, insertSQL,
		"PostgreSQL Database", "Advanced open-source relational database",
		`{"version": 16, "license": "PostgreSQL License"}`, "[0.9, 0.1, 0.2]",
		"TimescaleDB", "Time-series extension for PostgreSQL",
		`{"type": "extension", "category": "时序"}`, "[0.2, 0.8, 0.1]",
		"pgvector", "Vector similarity search for PostgreSQL",
		`{"type": "extension", "category": "AI"}`, "[0.1, 0.2, 0.9]",
	)
	if err != nil {
		log.Fatal("插入失败:", err)
	}

	// 3. 全文检索查询
	rows, err := conn.Query(ctx, `
		SELECT id, name, description
		FROM products
		WHERE search_vector @@ to_tsquery('english', 'database & open')
		ORDER BY ts_rank(search_vector, to_tsquery('english', 'database & open')) DESC
	`)
	if err != nil {
		log.Fatal(err)
	}
	fmt.Println("=== 全文检索结果 ===")
	for rows.Next() {
		var id int
		var name, desc string
		rows.Scan(&id, &name, &desc)
		fmt.Printf("id=%d name=%s desc=%s\n", id, name, desc)
	}
	rows.Close()

	// 4. JSONB 查询
	rows, err = conn.Query(ctx, `
		SELECT id, name, attributes
		FROM products
		WHERE attributes @> '{"category": "AI"}'
	`)
	if err != nil {
		log.Fatal(err)
	}
	fmt.Println("=== JSONB 查询结果 ===")
	for rows.Next() {
		var id int
		var name string
		var attrs map[string]interface{}
		rows.Scan(&id, &name, &attrs)
		fmt.Printf("id=%d name=%s attrs=%v\n", id, name, attrs)
	}
	rows.Close()

	// 5. 向量相似度查询
	rows, err = conn.Query(ctx, `
		SELECT id, name, 1 - (embedding <=> '[0.1, 0.2, 0.9]') AS similarity
		FROM products
		ORDER BY embedding <=> '[0.1, 0.2, 0.9]'
		LIMIT 3
	`)
	if err != nil {
		log.Fatal(err)
	}
	fmt.Println("=== 向量相似度查询结果 ===")
	for rows.Next() {
		var id int
		var name string
		var sim float64
		rows.Scan(&id, &name, &sim)
		fmt.Printf("id=%d name=%s similarity=%.4f\n", id, name, sim)
	}
	rows.Close()
}

Python Demo

使用 psycopg2(同步)或 asyncpg(异步)。本示例采用 psycopg2,配合 psycopg2.extras 处理 JSONB。

运行说明

pip install psycopg2-binary
python main.py

完整代码

# main.py
import psycopg2
import psycopg2.extras

conn = psycopg2.connect(
    host="localhost",
    port=5432,
    database="blog_demo",
    user="postgres",
    password="your_password"
)
conn.autocommit = True
cur = conn.cursor(cursor_factory=psycopg2.extras.DictCursor)

# 1. 清空表
cur.execute("TRUNCATE products RESTART IDENTITY")

# 2. 插入示例数据
insert_sql = """
    INSERT INTO products (name, description, attributes, embedding) VALUES
    (%s, %s, %s, %s),
    (%s, %s, %s, %s),
    (%s, %s, %s, %s)
"""
cur.execute(insert_sql, (
    "PostgreSQL Database", "Advanced open-source relational database",
    psycopg2.extras.Json({"version": 16, "license": "PostgreSQL License"}),
    "[0.9, 0.1, 0.2]",
    "TimescaleDB", "Time-series extension for PostgreSQL",
    psycopg2.extras.Json({"type": "extension", "category": "时序"}),
    "[0.2, 0.8, 0.1]",
    "pgvector", "Vector similarity search for PostgreSQL",
    psycopg2.extras.Json({"type": "extension", "category": "AI"}),
    "[0.1, 0.2, 0.9]",
))

# 3. 全文检索查询
cur.execute("""
    SELECT id, name, description
    FROM products
    WHERE search_vector @@ to_tsquery('english', 'database & open')
    ORDER BY ts_rank(search_vector, to_tsquery('english', 'database & open')) DESC
""")
print("=== 全文检索结果 ===")
for row in cur.fetchall():
    print(f"id={row['id']} name={row['name']} desc={row['description']}")

# 4. JSONB 查询
cur.execute("""
    SELECT id, name, attributes
    FROM products
    WHERE attributes @> '{"category": "AI"}'
""")
print("=== JSONB 查询结果 ===")
for row in cur.fetchall():
    print(f"id={row['id']} name={row['name']} attrs={row['attributes']}")

# 5. 向量相似度查询
cur.execute("""
    SELECT id, name, 1 - (embedding <=> '[0.1, 0.2, 0.9]') AS similarity
    FROM products
    ORDER BY embedding <=> '[0.1, 0.2, 0.9]'
    LIMIT 3
""")
print("=== 向量相似度查询结果 ===")
for row in cur.fetchall():
    print(f"id={row['id']} name={row['name']} similarity={row['similarity']:.4f}")

cur.close()
conn.close()

Java Demo

使用 JDBC 驱动(org.postgresql:postgresql)和 pgvector 的 Java 客户端(可选)。本示例直接通过 JDBC 传递向量字符串,不依赖额外库。

运行说明

  • Maven 依赖:

    <dependency>
        <groupId>org.postgresql</groupId>
        <artifactId>postgresql</artifactId>
        <version>42.7.3</version>
    </dependency>
    
  • 编译运行:javac -cp postgresql-42.7.3.jar Main.java && java -cp .:postgresql-42.7.3.jar Main

完整代码

// Main.java
import java.sql.*;
import java.util.*;

public class Main {
    public static void main(String[] args) throws Exception {
        String url = "jdbc:postgresql://localhost:5432/blog_demo";
        Properties props = new Properties();
        props.setProperty("user", "postgres");
        props.setProperty("password", "your_password");

        try (Connection conn = DriverManager.getConnection(url, props)) {
            // 1. 清空表
            try (Statement stmt = conn.createStatement()) {
                stmt.execute("TRUNCATE products RESTART IDENTITY");
            }

            // 2. 插入示例数据
            String insertSQL = """
                INSERT INTO products (name, description, attributes, embedding) VALUES
                (?, ?, ?::jsonb, ?::vector),
                (?, ?, ?::jsonb, ?::vector),
                (?, ?, ?::jsonb, ?::vector)
            """;
            try (PreparedStatement pstmt = conn.prepareStatement(insertSQL)) {
                pstmt.setString(1, "PostgreSQL Database");
                pstmt.setString(2, "Advanced open-source relational database");
                pstmt.setString(3, "{\"version\": 16, \"license\": \"PostgreSQL License\"}");
                pstmt.setString(4, "[0.9, 0.1, 0.2]");
                pstmt.setString(5, "TimescaleDB");
                pstmt.setString(6, "Time-series extension for PostgreSQL");
                pstmt.setString(7, "{\"type\": \"extension\", \"category\": \"时序\"}");
                pstmt.setString(8, "[0.2, 0.8, 0.1]");
                pstmt.setString(9, "pgvector");
                pstmt.setString(10, "Vector similarity search for PostgreSQL");
                pstmt.setString(11, "{\"type\": \"extension\", \"category\": \"AI\"}");
                pstmt.setString(12, "[0.1, 0.2, 0.9]");
                pstmt.executeUpdate();
            }

            // 3. 全文检索查询
            String searchSQL = """
                SELECT id, name, description
                FROM products
                WHERE search_vector @@ to_tsquery('english', 'database & open')
                ORDER BY ts_rank(search_vector, to_tsquery('english', 'database & open')) DESC
            """;
            try (Statement stmt = conn.createStatement();
                 ResultSet rs = stmt.executeQuery(searchSQL)) {
                System.out.println("=== 全文检索结果 ===");
                while (rs.next()) {
                    System.out.printf("id=%d name=%s desc=%s%n",
                        rs.getInt("id"), rs.getString("name"), rs.getString("description"));
                }
            }

            // 4. JSONB 查询
            String jsonSQL = """
                SELECT id, name, attributes
                FROM products
                WHERE attributes @> '{"category": "AI"}'
            """;
            try (Statement stmt = conn.createStatement();
                 ResultSet rs = stmt.executeQuery(jsonSQL)) {
                System.out.println("=== JSONB 查询结果 ===");
                while (rs.next()) {
                    System.out.printf("id=%d name=%s attrs=%s%n",
                        rs.getInt("id"), rs.getString("name"), rs.getString("attributes"));
                }
            }

            // 5. 向量相似度查询
            String vectorSQL = """
                SELECT id, name, 1 - (embedding <=> '[0.1, 0.2, 0.9]') AS similarity
                FROM products
                ORDER BY embedding <=> '[0.1, 0.2, 0.9]'
                LIMIT 3
            """;
            try (Statement stmt = conn.createStatement();
                 ResultSet rs = stmt.executeQuery(vectorSQL)) {
                System.out.println("=== 向量相似度查询结果 ===");
                while (rs.next()) {
                    System.out.printf("id=%d name=%s similarity=%.4f%n",
                        rs.getInt("id"), rs.getString("name"), rs.getDouble("similarity"));
                }
            }
        }
    }
}

阶段性 demo总结

以上 Go、Python、Java 三个 Demo 与 Node.js 版本逻辑完全一致,均实现了:

  • 表结构创建(若已存在则跳过)
  • 插入三条测试数据(包含 JSONB 和向量字段)
  • 全文检索查询(tsvector + tsquery)
  • JSONB 包含查询(@> 运算符)
  • 向量余弦相似度查询(<=> 运算符)

所有代码均采用各自生态的标准驱动,可直接运行验证。实际生产环境中,建议根据并发需求选择连接池(如 Go 的 pgxpool、Python 的 psycopg2.pool、Java 的 HikariCP)。

项目难点与解决方案

核心难点

PostgreSQL 在实际生产环境中面临的核心挑战源于其 MVCC(多版本并发控制) 实现机制:

  • 写放大: 每次 UPDATE 操作即使只修改一个字段,也会复制整行生成新版本
  • 读放大: 查询为获取最新版本,需要扫描多个行版本(含"死元组")
  • 表膨胀: 频繁更新导致表与索引持续膨胀
  • autovacuum 调优复杂: 需要根据负载特征精细调整参数

解决方案

  1. 读写分离: 采用"一主多从"架构,将读流量分散到只读副本
  2. 分区表: 使用声明式分区减少大表维护开销
  3. pg_repack: 在线重建表以回收空间
  4. autovacuum 调优: 根据更新频率调整 autovacuum_vacuum_scale_factor、autovacuum_vacuum_threshold 等参数
  5. 考虑衍生方案: 如 Oracle 兼容场景可评估 IvorySQL,写密集场景可评估 Neon 的存算分离架构

广度

PostgreSQL 的应用场景覆盖了:

  • OLTP 事务处理
  • OLAP 分析查询
  • 时序数据处理(TimescaleDB)
  • 图数据存储(AgensGraph)
  • 向量检索(pgvector)
  • 全文检索(内置 + pgZoom)
  • 文档存储(JSONB)

深度

PostgreSQL 的技术深度体现在:

  • 内核级别的扩展机制(CREATE EXTENSION)
  • 多模型数据支持(关系型、文档、图、向量、时序)
  • 丰富的索引类型(B-Tree、Hash、GIN、GiST、SP-GiST、BRIN)
  • 成熟的 MVCC 与事务隔离级别

复杂度

  • 运维复杂度: autovacuum 调优、流复制管理、备份恢复
  • 扩展管理: 第三方扩展的版本兼容性与升级策略
  • 性能调优: 需要深入理解查询计划、索引选择、内存参数(shared_buffers、work_mem、maintenance_work_mem)

官方文档

参考链接

总结

PostgreSQL 已从加州大学伯克利分校的学术项目演变为全球数据库市场中最具增长动能的头部系统。DB-Engines 排名中唯一实现年度正增长、Stack Overflow 开发者调查中连续两年蝉联"最受推崇数据库"——这些数据共同印证了 PostgreSQL 在技术成熟度、社区活跃度和产业影响力三个维度的全面领先。

在生态层面,PostgreSQL 的开源协议与可扩展架构催生了覆盖图数据库(AgensGraph)、时序数据库(TimescaleDB)、文档数据库兼容层(FerretDB)、向量检索(pgvector)等方向的庞大衍生生态。在国内信创市场,PostgreSQL 已成为众多国产数据库产品的核心基石。

在生产实践层面,OpenAI 以"一主五十从"的架构支撑 8 亿用户、平安集团部署上万套 PostgreSQL 实例、Instagram 基于 PostgreSQL 完成 IPO——这些案例共同证明了 PostgreSQL 从初创公司到超大规模平台的全场景适用性。

PostgreSQL 已不仅仅是一个关系型数据库,而是一个能够承载传统业务与 AI 时代智能应用的通用数据平台。

PostgreSQL三十年:从开源内核到国产数据库的自主创新之路 PostgreSQL(简称PG)已经走过了三十年的发展历程,从学术研究项目成长为当今数据库领域的“全能冠军”。根据2023年StackOverflow开发者调研,PostgreSQL在流行度、喜爱度和需求度三项核心指标上均位列第一,被广泛认为是“数据库界的Linux”。其开源、先进、稳定、可扩展的特性,使其不仅成为全球开发者的首选,更成为了中国数据库产业实现“自主可控”的重要基石。围绕PG衍生出的众多国产数据库产品,究竟是简单的“套壳”,还是真正的“自主”创新?这背后反映了中国数据库产业怎样的发展路径和技术 阅读详情

相关推荐

PostgreSQL崛起:国产数据库的基石与创新之路

如果你是一位数据库架构师,最近在选型时可能会发现一个有趣的现象:无论你是在评估金融级核心交易系统,还是在为下一个AI应用寻找向量存储方案,甚至是在规划一个需要处理地理空间数据的物联网平台,总有一个名字会反复出现在你的备选清单里:PostgreSQL,或者更亲切地,PG。 这不仅仅是巧合。根据 StackOverflow 2023 年的开发者调研,PostgreSQL 在数据库的“流行度”、“喜爱度”和“需求度”三项核心指标上,首次全面超越 MySQL,成为无可争议的“全能冠军”。更关键的是,它正以一种前所未

weixin_30753873的博客 326

2023年6月墨天轮中国图数据库排行榜:TGS 开新局,创邻和字节多点突破露锋芒

墨天轮社区的中国数据库中排行榜已有31个图数据库参与排名,那么这些图数据库排名如何?哪些又将成为黑马?欢迎查看新出炉6月图数据库榜单解读文章一起讨论。

Era666的博客 3626

国产信创生态全景图:核心厂商、技术路线与选型落地指南

信息技术应用创新(信创)是保障国家信息安全与产业自主可控的核心战略。其核心原理在于构建从底层硬件到上层应用的全栈自主技术体系,以摆脱对外部技术的依赖。这一过程的技术价值在于实现关键基础设施的安全、可靠与可持续发展。在党政、金融、能源等关键行业,信创体系已进入规模化应用阶段,其落地涉及复杂的生态适配与选型决策。本文聚焦于信创生态中的核心环节,系统梳理了以飞腾、龙芯为代表的CPU芯片技术路线,以及统信UOS、麒麟操作系统等基础软件构成的“四梁八柱”产业体系。针对项目落地,提供了涵盖硬件选型、软件迁移、外设兼容性

weixin_30291791的博客 384

墨天轮国产数据库排行榜年终总结-2025年

墨天轮国产数据库排行榜年终总结-2025年

chenoracle的博客 1230

利用pyGAM实现广义可加模型(GAM)的实战指南

本文提供了利用pyGAM库实现广义可加模型(GAM)的完整实战指南。通过乳腺癌和房价预测案例,详细讲解了从环境配置、模型构建、核心可视化(部分依赖图)到参数调优(n_splines, lam)的每一步。重点展示了GAM如何平衡模型准确性与可解释性,帮助数据科学家在Python中高效应用这一强大工具。

weixin_29053383的博客 329

X3850x6 6241 fireware固件升级

登录联想https://datacentersupport.lenovo.com/cn/zc网站,选择system x,x3850 x6,type选择6241 选择驱动及应用程序,BIOS/UEFI 选择lnvgy_fw_uefi_a9e156a-4.90_anyos_32-64.uxz 文件,点击下载 选择IMM2, 下载lnvgy_fw_imm2_tcoo58b-5.80_anyos_noarch.uxz ps:3837和3839会跳转到ibm网站下载 笔记本直连.

zds00virtue的博客 5458

墨天轮国产数据库排行榜年终总结-2023年

本文作者对2023年墨天轮中国数据库流行度排行榜进行了年终盘点,包含多个维度的详细分析整理,欢迎大家阅读交流!

Era666的博客 4116

Anroid8.1 强制修改系统可以adb remount

在Android6.0 (Android M)user版本上,发现使用adb root后再adb remount系统之后会提示这样信息:remount of /system failed: Read-only file system,这是不能对system分区进行操作,提示没有写权限,为只读文件系统Read-only file system,因为系统本身在user就不支持可写操作,我们就不能adb push来调试apk,如果想调试apk就需要修改system、vendor权限问题。 如下现象: C:\Use

wq892373445的博客 1408

墨天轮【第二届数据库掌门人论坛】圆满收官 | 含嘉宾精彩观点回顾

主题为“新征程,向未来”的墨天轮【2023春季发布会暨第二届数据库掌门人论坛】已圆满收官!中国数据库行业已经踏上了发展图强的新征程,墨天轮也将与各厂商、从业者一道继续奋斗,创造更加精彩的未来!

Era666的博客 918

工业质检新利器:手把手教你用AD-DINOv3实现零样本缺陷检测(附MVTec AD实战)

本文详细介绍了AD-DINOv3框架在工业质检中的应用,通过零样本异常检测技术解决传统方法的标注成本高和泛化能力弱问题。文章包含技术原理解析、MVTec AD数据集实战部署、模型训练流程及工业部署优化技巧,帮助读者快速掌握这一创新技术。

seed的博客 766

遥感卫星影像AI数据集格式规范详解、技术原理与数据生产全流程技术手册

本技术手册旨在系统性地梳理遥感卫星影像AI数据集的各类格式标准(涵盖VOC、COCO、YOLO及遥感专用DOTA格式等),深入剖析其背后的技术原理,并详细阐述数据生产的全过程,涵盖预处理、标注、质量控制及数据增强等关键环节。无论您是刚入门的算法工程师,还是资深的数据生产管理者,本手册都将为您提供详实的参考与指引。

panshengwu的博客 1136

别吹牛了,PostgreSQL 国外也没人用!

国外 PostgreSQL 数据库用的多么?

破产码农 2155

R语言机器学习算法实战系列(十一)MLP算法分类器 (Multi-Layer Perceptrons)

本文介绍了多层感知器(MLP)分类算法的原理和计算步骤,并通过R语言实现MLP模型。MLP是一种前馈神经网络,包含输入层、隐藏层和输出层,通过激活函数引入非线性,利用前向传播和反向传播进行训练。文章详细描述了数据预处理、数据切割、模型构建、预测和评估等步骤,并提供了乳腺癌数据集(BreastCancer_clean.csv)的下载链接。通过R包如neuralnet和caret,读者可以逐步实现MLP模型,并评估其分类性能。

专注生信领域 937

PostgreSQL 与 MySQL 谁的地位更高?——全方位对比分析

目录一、历史与定位二、功能与技术特性三、社区与生态四、企业应用与行业地位五、未来趋势六、结论:谁的地位更高? 在开源数据库领域,PostgreSQL 和 MySQL 是当之无愧的“双子星”。一个以“世界上最先进的开源数据库”著称,另一个则凭借广泛的应用成为开源数据库的代名词。那么,在今天的数据库世界里,究竟谁的地位更高呢?本文将从多个维度深入探讨。MySQL1995 年由瑞典公司 MySQL AB 开发。2008 年被 Sun 收购,随后 2010 年 Sun 又被 Oracle 收购。以 轻量、易用、成

AngelCryToo的专栏 1283

基于C#通过PLCSIM ADV仿真软件实现与西门子1500PLC的S7通信方法演示

基于C#通过PLCSIM ADV仿真软件实现与西门子1500PLC的S7通信方法演示

Robot_PLC_HMI_Automation 3164

ZeroClaw安装、使用方法详细全解

ZeroClaw 是一个用 Rust 编写的轻量级、高性能、完全自主的 AI 助手运行时框架

洛星核的博客 620

PG实战笔记 | 04 PostgreSQL市场地位与实际案例

它是头部数据库中唯一仍在增长的传统关系型数据库,也是 AI 时代扩展性最强的数据平台。从平安的千实例到 Instacart 的搜索重构,从 Netflix 的 75% 性能提升到 Supabase 的 50 亿美元估值,这些案例共同说明一件事:PG 的价值不在于“什么都最强”,而在于“什么都能做,而且做得不错”。它用扩展机制把向量、地理、时序、JSON、搜索都纳入了同一个事务边界内,让团队可以用一个数据库解决大部分数据问题。

源码获取 | 运行部署 | 定制二开修改,如果回复不及时请耐心等待,请见谅。 292

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

PostgreSQL笔记2: AI时代的首选数据库——从六边形战士到生态融合

本文从技术能力、产业生态、AI 融合、信创国产化以及全球趋势五个维度,系统阐述了PostgreSQL为何能够成为 AI 时代的首选数据库。PostgreSQL凭借其全面均衡的技术能力(“六边形战士”)、开放的扩展生态、成熟的企业级特性,以及在向量检索、时序数据、地理信息等新兴领域的快速跟进,成功应对了 AI 时代多样化的数据管理需求。2025 年发生在PostgreSQL生态中的数起大规模收购(Databricks收购Neon与Snowflake收购)进一步印证了其在开源数据库领域的事实标准地位。

Wang的专栏 437

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

PostgreSQL 也很强大,为何在中国大陆,MySQL 成为主流,PostgreSQL 屈居二线呢?

postgresql在许多地方,有mysql无法比拟的优势。但是在中国许多公司的核心业务库,都是mysql,postgresql则屈居二线。为什么不用postgresql来扛大梁呢

码农小郑有话说的博客 1795

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

PostgreSQL也很强大,为何在中国大陆,MySQL成为主流,PostgreSQL屈居二线?

综上所述,尽管PostgreSQL在某些方面具备明显的技术优势,但由于历史沿革、市场需求、教育培训等多重因素的影响,使其在中国大陆暂时落后于MySQL。不过,随着技术进步和社会环境的变化,相信未来两者之间的竞争格局将会发生新的转变。对于广大从业者而言,无论选择哪一款数据库产品,关键在于能否根据实际业务需求做出明智决策,并持续关注行业动态,不断提升自我技术水平。

cda2024的博客 999

PostgreSQL生态下国产数据库的演进路径与选型评估

1. 从“套壳”到“自主”,PG生态下的中国数据库走到了哪一步? 这个话题最近在技术圈里讨论得挺多,核心就一个:基于 PostgreSQL(PG)二次开发的国产数据库,到底算不算“自主可控”?是简单的“套壳”,还是真正的创新?作为在数据库领域摸爬滚打多年的从业者,我的看法是,这个问题不能非黑即白地看。它背后反映的,是中国数据库产业在特定历史阶段下,一条务实且高效的演进路径。 首先,直接说结论: 目前市场上大量基于PG的国产数据库,其价值不在于“从零写一个内核”,而在于解决了“如何用好一个先进、稳定、开源的内

java天气 428

PostgreSQL开源生态与国产数据库发展:从技术基石到自主创新之路

在数据库选型和技术路线规划中,一个长期困扰国内开发者与企业决策者的问题是:那些宣称“自主可控”的国产数据库,究竟有多少是真正的技术创新,又有多少是基于成熟开源项目(尤其是 PostgreSQL)的“二次开发”?随着“去IOE”浪潮和信创政策的推进,国产数据库市场百花齐放,但繁荣背后也伴随着“套壳”的质疑。本文将深入探讨 PostgreSQL(简称 PG)这一开源数据库巨头的技术生态,分析其对国产数据库产业的深远影响,并尝试回答:在 PG 诞生三十年后,中国数据库产业究竟走到了哪一步?本文适合所有关注数据库技

weixin_30823001的博客 343

数据库格局洗牌:PostgreSQL 凭什么超越 MySQL 成开发者新宠?

在数据库领域,MySQL与PostgreSQL的较量从未停歇。过去二十年,MySQL凭借开源免费、简单稳定的特性,在关系型数据库市场占据统治地位,成为无数企业搭建业务系统的首选。但随着AI技术的飞速发展,数据库需求发生巨变,PostgreSQL异军突起,不仅在开发者群体中热度飙升,更在关键榜单中实现对MySQL的超越,数据库行业格局正迎来历史性转折。

weixin_54447959的博客 555

青少年编程与数学 01-011 系统软件简介 12 PostgreSQL数据库

PostgreSQL 是一种功能强大的开源关系型数据库,起源于 1986 年的 POSTGRES 项目,1996 年更名为 PostgreSQL。它以高可靠性、功能丰富性、标准兼容性和可扩展性著称,广泛应用于金融、电信、互联网等行业。其技术架构包括多版本并发控制(MVCC)、先进的查询优化器和可扩展的存储引擎。PostgreSQL 的核心优势在于其高可靠性和功能丰富性,支持复杂查询和多模型数据处理。

明月看潮生的博客 1427
上一篇: PostgreSQL笔记3:从学术项目到开源数据库标杆——PostgreSQL发展历程回顾
下一篇: PostgreSQL笔记5: 学习资源与社区生态全景指南
Wang's Blog
博客等级 码龄12年 7440粉丝 2427原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值