<?xml version="1.0" encoding="UTF-8"?>
<rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:media="http://search.yahoo.com/mrss/" version="2.0"><channel><title>分类：数据库 - LT技术站</title><link>https://lautung.com/categories/shu-ju-ku</link><atom:link href="https://lautung.com/categories/shu-ju-ku/feed/categories/shu-ju-ku.xml" rel="self" type="application/rss+xml"/><description>纸上得来终觉浅，绝知此事要躬行！</description><generator>Halo v2.27.2</generator><language>zh-cn</language><image><url>https://lautung.com/upload/ChatGPT%20Image%202026%E5%B9%B47%E6%9C%8810%E6%97%A5%2002_45_40(1).webp</url><title>分类：数据库 - LT技术站</title><link>https://lautung.com/categories/shu-ju-ku</link></image><lastBuildDate>Tue, 17 Nov 2026 00:18:51 GMT</lastBuildDate><item><title><![CDATA[数据库与分布式存储：从单库到多引擎的选型与落地]]></title><link>https://lautung.com/archives/database-and-distributed-storage</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=%E6%95%B0%E6%8D%AE%E5%BA%93%E4%B8%8E%E5%88%86%E5%B8%83%E5%BC%8F%E5%AD%98%E5%82%A8%EF%BC%9A%E4%BB%8E%E5%8D%95%E5%BA%93%E5%88%B0%E5%A4%9A%E5%BC%95%E6%93%8E%E7%9A%84%E9%80%89%E5%9E%8B%E4%B8%8E%E8%90%BD%E5%9C%B0&amp;url=/archives/database-and-distributed-storage" width="1" height="1" alt="" style="opacity:0;">本文系统梳理高并发场景下数据存储方案的设计逻辑与实践要点，建议优先基于业务查询路径进行架构决策。针对单表容量瓶颈，核心需解决跨库事务、全局唯一ID和动态扩容问题，切分键应与高频WHERE条件对齐而非盲目追求字段全面性。宽表适合稳定查询模式下的读多场景，需重点关注字段裁剪策略、增量更新地和数据漂移检测；HTAP架构需权衡事务一致性要求与实时分析粒度，避免在OLTP库直接部署重报表。数据库引擎选型方面，PostgreSQL适用于复杂类型和小规模高稳定场景，Firebird适合嵌入式及单机场景，Neo4j专攻多跳关系查询，三者避免功能间错位应用。运维层需强化binlog审计机制（控制事务碎片化）、构建三维监控体系（路由均衡性/语句执行性存储负载）、规划多数据源路由的租户隔离策略。重点收益包括：架构设计从业务用例反推技术选型路径，存储形态选择需评估延迟/容量/一致性三要素权重，数据库选型应匹配具体业务特征而非盲目跟风。]]></description><guid isPermaLink="false">/archives/database-and-distributed-storage</guid><dc:creator>LTT</dc:creator><category>数据库</category><pubDate>Wed, 16 Sep 2026 06:21:56 GMT</pubDate></item><item><title><![CDATA[数据搬运的“瑞士军刀”——深入解读离线数据同步工具DataX]]></title><link>https://lautung.com/archives/TEvKy3cK</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=%E6%95%B0%E6%8D%AE%E6%90%AC%E8%BF%90%E7%9A%84%E2%80%9C%E7%91%9E%E5%A3%AB%E5%86%9B%E5%88%80%E2%80%9D%E2%80%94%E2%80%94%E6%B7%B1%E5%85%A5%E8%A7%A3%E8%AF%BB%E7%A6%BB%E7%BA%BF%E6%95%B0%E6%8D%AE%E5%90%8C%E6%AD%A5%E5%B7%A5%E5%85%B7DataX&amp;url=/archives/TEvKy3cK" width="1" height="1" alt="" style="opacity:0;">在上一篇文章中，我们聊了变更数据捕获（CDC） ，认识了这位擅长实时捕捉数据变化的“密探”。如果说CDC解决的是“实时感知每一次变化”的问题，那么在实际的数据工程中，我们还常常面临另一个需求：如何高效、稳定地把海量历史数据从A点搬到B点？ 这时候，就需要请出另一位主角了——DataX。 一、什么是D]]></description><guid isPermaLink="false">/archives/TEvKy3cK</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-019f129e-b323-7449-9d4a-de63cf8d50f1.jpg&amp;size=m" type="image/jpeg" length="30788"/><category>数据库</category><pubDate>Mon, 29 Jun 2026 10:13:20 GMT</pubDate></item><item><title><![CDATA[集捕获、计算、同步于一体的“全才”——Flink CDC]]></title><link>https://lautung.com/archives/4gXQvujq</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=%E9%9B%86%E6%8D%95%E8%8E%B7%E3%80%81%E8%AE%A1%E7%AE%97%E3%80%81%E5%90%8C%E6%AD%A5%E4%BA%8E%E4%B8%80%E4%BD%93%E7%9A%84%E2%80%9C%E5%85%A8%E6%89%8D%E2%80%9D%E2%80%94%E2%80%94Flink%20CDC&amp;url=/archives/4gXQvujq" width="1" height="1" alt="" style="opacity:0;">在之前的CDC系列文章中，我们认识了专注于MySQL的“专才”Canal，也聊过支持多数据库的“通才”Debezium。如果说它们解决了“如何捕获变更”的问题，那么今天要介绍的这位主角，则更进一步解决了“捕获之后怎么办”的问题——Flink CDC。 一、什么是Flink CDC？ Flink CD]]></description><guid isPermaLink="false">/archives/4gXQvujq</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-019f12ab-a899-73b9-933c-f4130fd418e5.jpg&amp;size=m" type="image/jpeg" length="28333"/><category>数据库</category><pubDate>Mon, 29 Jun 2026 09:20:00 GMT</pubDate></item><item><title><![CDATA[多数据库CDC“通才”——Debezium]]></title><link>https://lautung.com/archives/2C98wlSO</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=%E5%A4%9A%E6%95%B0%E6%8D%AE%E5%BA%93CDC%E2%80%9C%E9%80%9A%E6%89%8D%E2%80%9D%E2%80%94%E2%80%94Debezium&amp;url=/archives/2C98wlSO" width="1" height="1" alt="" style="opacity:0;">在之前的CDC系列文章中，我们认识了擅长实时捕获MySQL变更的“专才”Canal，也聊过擅长“搬一次家”的离线同步工具DataX。如果说Canal是专注于MySQL生态的“专才”，那么今天要介绍的这位主角，就是一位支持多种数据库的“通才”——Debezium。 一、什么是Debezium？ Deb]]></description><guid isPermaLink="false">/archives/2C98wlSO</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-019f12a8-24a3-740f-aad5-72ef30804c19.jpg&amp;size=m" type="image/jpeg" length="26660"/><category>数据库</category><pubDate>Mon, 29 Jun 2026 09:16:06 GMT</pubDate></item><item><title><![CDATA[实时同步“专才”——Canal]]></title><link>https://lautung.com/archives/g4A7culS</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=%E5%AE%9E%E6%97%B6%E5%90%8C%E6%AD%A5%E2%80%9C%E4%B8%93%E6%89%8D%E2%80%9D%E2%80%94%E2%80%94Canal&amp;url=/archives/g4A7culS" width="1" height="1" alt="" style="opacity:0;">在之前的文章中，我们聊过擅长“搬一次家”的离线同步工具DataX，也聊过追求“实时感知每一次变化”的CDC技术。如果说DataX解决的是“批量搬运”的问题，那么今天要介绍的这位主角，就是那位能把“每一次变化”都实时传递出去的“密探”——Canal。 一、什么是Canal？ Canal [kə’næl]]></description><guid isPermaLink="false">/archives/g4A7culS</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-019f12a2-bc44-723c-aeec-fa20a137d1ab.jpg&amp;size=m" type="image/jpeg" length="24958"/><category>数据库</category><pubDate>Mon, 29 Jun 2026 09:13:31 GMT</pubDate></item><item><title><![CDATA[实时数据同步的“密探”——深入解读变更数据捕获（CDC）]]></title><link>https://lautung.com/archives/oV5v6dVJ</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=%E5%AE%9E%E6%97%B6%E6%95%B0%E6%8D%AE%E5%90%8C%E6%AD%A5%E7%9A%84%E2%80%9C%E5%AF%86%E6%8E%A2%E2%80%9D%E2%80%94%E2%80%94%E6%B7%B1%E5%85%A5%E8%A7%A3%E8%AF%BB%E5%8F%98%E6%9B%B4%E6%95%B0%E6%8D%AE%E6%8D%95%E8%8E%B7%EF%BC%88CDC%EF%BC%89&amp;url=/archives/oV5v6dVJ" width="1" height="1" alt="" style="opacity:0;">在数字化转型的浪潮中，企业对实时数据的需求正在以惊人的速度增长。无论是数据中台建设、数字孪生，还是实时风控与智能决策，数据的时效性直接决定了企业的竞争力。然而，传统的批量数据同步方式（如定时ETL）往往存在分钟级甚至小时级的延迟，难以满足现代业务对数据一致性和实时性的要求。 那么，有没有一种技术能让]]></description><guid isPermaLink="false">/archives/oV5v6dVJ</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-019f1290-5bca-74c8-b65b-f20851f4aaae.jpg&amp;size=m" type="image/jpeg" length="30486"/><category>数据库</category><pubDate>Mon, 29 Jun 2026 08:52:19 GMT</pubDate></item><item><title><![CDATA[千万级数据下，MySQL 分页优化的正确姿势]]></title><link>https://lautung.com/archives/K3hercrl</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=%E5%8D%83%E4%B8%87%E7%BA%A7%E6%95%B0%E6%8D%AE%E4%B8%8B%EF%BC%8CMySQL%20%E5%88%86%E9%A1%B5%E4%BC%98%E5%8C%96%E7%9A%84%E6%AD%A3%E7%A1%AE%E5%A7%BF%E5%8A%BF&amp;url=/archives/K3hercrl" width="1" height="1" alt="" style="opacity:0;">在业务系统中，分页查询是最常见的功能之一。但当数据量攀升到千万级时，你会发现传统的 LIMIT offset, pageSize 变得奇慢无比，越往后翻页越慢，甚至拖垮数据库。 本文将带你层层拆解深分页的性能痛点，并给出从原理到实践的终极优化方案。 一、传统分页为什么慢？ 一个经典的查询： SELE]]></description><guid isPermaLink="false">/archives/K3hercrl</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-019e112b-be43-744c-8925-7b9d8d73ef17.jpg&amp;size=m" type="image/jpeg" length="28576"/><category>数据库</category><pubDate>Sun, 10 May 2026 09:16:13 GMT</pubDate></item><item><title><![CDATA[MySQL 性能隐形杀手：回表机制深度解析]]></title><link>https://lautung.com/archives/zZ2roKKH</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=MySQL%20%E6%80%A7%E8%83%BD%E9%9A%90%E5%BD%A2%E6%9D%80%E6%89%8B%EF%BC%9A%E5%9B%9E%E8%A1%A8%E6%9C%BA%E5%88%B6%E6%B7%B1%E5%BA%A6%E8%A7%A3%E6%9E%90&amp;url=/archives/zZ2roKKH" width="1" height="1" alt="" style="opacity:0;">如果你已经在使用索引，查询却依然很慢，很可能你正遭遇 “回表” 带来的隐形性能损耗。今天这篇文章，我们来把回表这个概念，从原理到优化手段，讲得清清楚楚。 一、用一个故事理解什么是回表 想象一座巨大的图书馆： 一楼是按书名拼音排序的索引卡片柜。每张卡片上只有“书名 + 书所在的书架号”。 二楼是按照书]]></description><guid isPermaLink="false">/archives/zZ2roKKH</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-019e1120-05c9-736b-b055-da10bf93c853.jpg&amp;size=m" type="image/jpeg" length="28420"/><category>数据库</category><pubDate>Sun, 10 May 2026 09:05:55 GMT</pubDate></item><item><title><![CDATA[MySql如何建立高效的复合索引？]]></title><link>https://lautung.com/archives/SbKcl1bH</link><description><![CDATA[<img src="https://lautung.com/plugins/feed/assets/telemetry.gif?title=MySql%E5%A6%82%E4%BD%95%E5%BB%BA%E7%AB%8B%E9%AB%98%E6%95%88%E7%9A%84%E5%A4%8D%E5%90%88%E7%B4%A2%E5%BC%95%EF%BC%9F&amp;url=/archives/SbKcl1bH" width="1" height="1" alt="" style="opacity:0;">高效复合索引是 MySQL 查询优化的核心，设计得当能让查询速度提升几个数量级。下面从原则、步骤到实战案例，系统梳理如何建立。 1. 核心设计原则 ① 最左前缀原则 复合索引 (A, B, C) 相当于创建了： (A) (A, B) (A, B, C) 三个索引。]]></description><guid isPermaLink="false">/archives/SbKcl1bH</guid><dc:creator>LTT</dc:creator><enclosure url="https://lautung.com/apis/api.storage.halo.run/v1alpha1/thumbnails/-/via-uri?uri=%2Fupload%2Fzhcover-019e10c0-006d-763c-b555-a84dc1922deb.jpg&amp;size=m" type="image/jpeg" length="27154"/><category>数据库</category><pubDate>Sun, 10 May 2026 07:21:23 GMT</pubDate></item></channel></rss>