Database Labdon – Telegram
Database Labdon
835 subscribers
33 photos
3 videos
1 file
820 links
🕸 Database Academy

حمایت مالی:
https://www.coffeete.ir/mrbardia72

ادمین:
@mrbardia72
Download Telegram
🔵 عنوان مقاله
Don't Give Postgres Too Much Memory

🟢 خلاصه مقاله:
خلاصه‌ای از دیدگاه Tomas این است که در Postgres همیشه «حافظه بیشتر=بهتر» نیست. بالا بردن بی‌محابای maintenance_work_mem و work_mem می‌تواند اندازه مجموعه کاری را بزرگ‌تر از CPU cache کند و با افزایش cache miss، سرعت مرتب‌سازی و هش را کم کند. علاوه بر آن، تخصیص‌های بزرگ، بار مدیریت حافظه روی OS را زیاد می‌کند و در بار همزمان، چون work_mem به‌ازای هر نود و هر کوئری اعمال می‌شود، مصرف واقعی حافظه چندبرابر شده و افت کارایی رخ می‌دهد. نتیجه عملی: مقادیر را معقول و مرحله‌ای تنظیم کنید، با سناریوهای واقعی بنچمارک بگیرید، در صورت نیاز به‌صورت موردی با SET مقدار work_mem را برای عملیات سنگین بالا ببرید، و به تعامل CPU cache و مدیریت حافظه OS توجه کنید؛ همیشه مقدار بیشتر سریع‌تر نیست.

#Postgres #PostgreSQL #DatabasePerformance #work_mem #maintenance_work_mem #CPUCaches #OSMemory

🟣لینک مقاله:
https://postgresweekly.com/link/176669/web


👑 @Database_Academy
🔵 عنوان مقاله
pg_timetable 6.1 Released: Advanced Job Scheduling Extension

🟢 خلاصه مقاله:
نسخه 6.1 از pg_timetable منتشر شد؛ یک افزونه مستقل و پخته برای زمان‌بندی کارها که کاملاً داخل پایگاه داده اجرا می‌شود. این ابزار اجازه می‌دهد در خود Postgres، فرمان‌ها و کوئری‌ها، برنامه‌های سیستمی و عملیات داخلی را زمان‌بندی کنید و وظایف را به‌صورت زنجیره‌ای به هم متصل کنید تا گردش‌کارهای چندمرحله‌ای بسازید. اجرای زمان‌بندی داخل پایگاه داده، استقرار را ساده می‌کند، با سیاست‌های دسترسی و پشتیبان‌گیری هماهنگ است و برای نگه‌داری دوره‌ای، ETL، گزارش‌گیری، کنترل کیفیت داده و پشتیبان/خروجی گرفتن بسیار مناسب است. نسخه جدید بر بلوغ و آمادگی تولیدی این راهکار تأکید دارد و گزینه‌ای عملی برای خودکارسازی مبتنی بر پایگاه داده بدون نیاز به سرویس‌های خارجی اضافی ارائه می‌کند.

#pg_timetable #Postgres #JobScheduler #DatabaseAutomation #ETL #DevOps #OpenSource #DataEngineering

🟣لینک مقاله:
https://postgresweekly.com/link/176688/web


👑 @Database_Academy
🔵 عنوان مقاله
How Would You Like Your Iceberg Sir? Stream or Batch Ordered? (9 minute read)

🟢 خلاصه مقاله:
این مقاله توضیح می‌دهد که در جدول‌های Iceberg، چیدمان Stream-order با حفظ ترتیب ورود داده برای پردازش ترتیبی و راه‌اندازی سریع جریان‌ها مناسب است، در حالی‌که چیدمان Batch-order با خوشه‌بندی داده‌ها کارایی پرس‌وجوهای تحلیلی را بهینه می‌کند. تلاش برای پشتیبانی همزمان هر دو نیاز در یک جدول، به سربار محاسباتی پنهان منجر می‌شود؛ به‌ویژه هنگام راه‌اندازی jobهای جریانی از داده‌های Batch-order که مستلزم مرتب‌سازی و shuffling پرهزینه است. نتیجه این است که صرفه‌جویی ظاهری در فضای ذخیره‌سازی با افزایش هزینه‌های محاسباتی از بین می‌رود. راهکار پیشنهادی، Confluent Tableflow است که داده‌های جریانی را در Iceberg مادی‌سازی می‌کند و با نگه‌داشتن نمای مناسب برای هر سناریو، انعطاف‌پذیری و کارایی بهتری ارائه می‌دهد—even اگر به معنای تقریباً دو برابر شدن فضای ذخیره‌سازی باشد.

#ApacheIceberg #Streaming #BatchProcessing #DataEngineering #Confluent #Tableflow #DataLake #Lakehouse

🟣لینک مقاله:
https://jack-vanlightly.com/blog/2025/11/5/how-would-you-like-your-iceberg-sir-stream-or-batch-ordered?utm_source=tldrdata


👑 @Database_Academy
🔵 عنوان مقاله
The Search API Reset: Incumbents Retreat, Innovators Step Up (3 minute read)

🟢 خلاصه مقاله:
**خلاصه فارسی: بازنشستگی Bing Search API از سوی Microsoft و محدود شدن API جست‌وجوی Google به ۱۰ نتیجه در هر پرسش، نشانه چرخش به سمت بازیابیِ هوشمند و کنترل‌شده درون اکوسیستم‌های خودِ این شرکت‌هاست. این تغییر دسترسی انبوه به داده‌های وب را محدود می‌کند و سازمان‌ها و توسعه‌دهندگان را به سمت خدمات میانجیِ مبتنی بر هوش مصنوعی سوق می‌دهد. در نتیجه، ارزش لایه‌های بازیابیِ سریع و انعطاف‌پذیر برای RAG و گردش‌کارهای عامل‌محور افزایش می‌یابد. همزمان بازیگران جدیدی مانند Perplexity و Parallel با ارائه تجربه‌های جست‌وجوی بهتر و محصولات چابک‌تر، استانداردها را بالاتر می‌برند و فضا را برای راهکارهای تخصصی و عمودیِ بازیابی و داده باز می‌کنند.

#SearchAPI #AI #RAG #AgenticAI #Retrieval #Perplexity #Microsoft #Google

🟣لینک مقاله:
https://thenewstack.io/the-search-api-reset-incumbents-retreat-innovators-step-up/?utm_source=tldrdata


👑 @Database_Academy
🔵 عنوان مقاله
pg_qualstats: Extension for Collecting Statistics About Predicates

🟢 خلاصه مقاله:
pg_qualstats یک افزونه برای PostgreSQL است که آمار مربوط به استفاده از گزاره‌ها در WHERE و JOIN را جمع‌آوری می‌کند تا نشان دهد کدام فیلترها در عمل بیشترین استفاده و بیشترین اثر را دارند. این داده‌ها به شما کمک می‌کند برای بار کاری واقعی خود، ایندکس‌های هدفمند (تکی، ترکیبی، جزئی یا بر اساس عبارت) طراحی کنید و با کاهش I/O و تأخیر، کارایی را بهبود دهید. می‌توانید نتایج را مستقیم از نماهای افزونه ببینید یا از طریق POWA (Postgres Workload Analyzer) آن‌ها را تحلیل و اولویت‌بندی کنید. در کنار ابزاری مثل pg_stat_statements، این افزونه مشخص می‌کند کدام بخش از یک کوئری پرهزینه است و در نتیجه یافتن ایندکس‌های از دست‌رفته و ارزیابی اثربخشی ایندکس‌های جدید ساده‌تر می‌شود.

#PostgreSQL #pg_qualstats #POWA #PostgresWorkloadAnalyzer #QueryOptimization #Indexing #DatabasePerformance

🟣لینک مقاله:
https://postgresweekly.com/link/175733/web


👑 @Database_Academy
🔵 عنوان مقاله
14x Faster with 12x Less Compute: Sometimes Postgres Really is All You Need

🟢 خلاصه مقاله:
تیم جیمز یک کلاستر ۱۲ سروره مبتنی بر HBase/OpenTSDB را که برای داده‌های سری‌زمانی استفاده می‌شد، با سامانه‌ای بسیار ساده‌تر بر پایه Postgres/Timescale جایگزین کرد. نتیجه: پرس‌وجوها تا ۱۴ برابر سریع‌تر، با ۱۲ برابر محاسبات کمتر، و ۱۰۰٪ دسترس‌پذیری پس از مهاجرت.

آن‌ها با تکیه بر SQL و قابلیت‌های Timescale مانند hypertable، فشرده‌سازی، continuous aggregates و خط‌مشی‌های نگهداشت داده، هم کارایی پرس‌وجوها و هم پایداری ingestion را بهبود دادند. طرح مهاجرت شامل dual-write، backfill موازی و اعتبارسنجی دقیق بود و در نهایت کل سامانه روی دو سرور با replication و failover خودکار پایدار شد.

پیام اصلی: برای بسیاری از بارهای کاری سری‌زمانی، Postgres/Timescale با طراحی درستِ شِما، ایندکس‌های هدفمند و ابزارهای استاندارد، هزینه و پیچیدگی عملیاتی را به‌طور چشمگیری کاهش می‌دهد و کارایی را بالا می‌برد—گرچه برای نرخ‌نوشتن یا کاردینالیته‌ی بسیار شدید، پایگاه‌های تخصصی هنوز مزیت دارند.

#Postgres #TimescaleDB #TimeSeries #OpenTSDB #HBase #DatabaseMigration #PerformanceEngineering #DevOps

🟣لینک مقاله:
https://postgresweekly.com/link/176022/web


👑 @Database_Academy
🔵 عنوان مقاله
Perplexity's Open-Source Tool to Run Trillion-Parameter Models Without Costly Upgrades (4 minute read)

🟢 خلاصه مقاله:
Perplexity AI با معرفی ابزار متن‌باز TransferEngine امکان اجرای مدل‌های تریلیون‌پارامتری را روی سخت‌افزارهای متنوع و موجود فراهم کرده است. این سیستم با تکیه بر RDMA ارتباط GPU-to-GPU را در محیط‌های ترکیبی AWS و Nvidia بهینه می‌کند و با دستیابی به 400 Gbps روی ConnectX-7 و AWS EFA، نیاز به ارتقای گران‌قیمت را برطرف می‌سازد و وابستگی به یک فروشنده را کاهش می‌دهد. TransferEngine برای بارهای کاری LLM طراحی شده و مسیریابی Mixture-of-Experts را کارآمد می‌کند؛ در نتیجه اجرای مدل‌هایی مانند DeepSeek V3 و Kimi K2 با تأخیر کم و مقیاس‌پذیر ممکن می‌شود. متن‌باز بودن آن نیز ادغام، توسعه و استفاده در پشته‌های موجود را ساده می‌کند.

#OpenSource #LLM #RDMA #GPU #AWS #Nvidia #MixtureOfExperts #AIInfrastructure

🟣لینک مقاله:
https://www.infoworld.com/article/4085830/perplexitys-open-source-tool-to-run-trillion-parameter-models-without-costly-upgrades-2.html?utm_source=tldrdata


👑 @Database_Academy
🔵 عنوان مقاله
ShadowTraffic's Postgres Connector (Tool)

🟢 خلاصه مقاله:
کانکتور Postgres از ShadowTraffic داده‌های تولیدشده را مستقیماً به Postgres استریم می‌کند و اختیار کامل مدیریت جدول‌ها را می‌دهد: ساخت خودکار، حذف و ایجاد مجدد، یا واگذاری کامل به فرآیندهای دستی/مهاجرت‌های موجود. با تنظیمات ساده می‌توانید رفتار insert، update و delete را کنترل کنید و نوع ستون‌ها، سرنخ‌های اسکیمای لازم و اندازه/بسامد دسته‌ها را دقیقاً سفارشی‌سازی کنید. نتیجه این است که می‌توانید داده را سریع شبیه‌سازی یا به‌تدریج تکامل دهید، در حالی‌که کنترل و شفافیت عملیاتی بر Postgres و بار وارد بر محیط را حفظ می‌کنید.

#ShadowTraffic #Postgres #DataStreaming #SyntheticData #DataGeneration #ETL #DatabaseTesting #DevTools

🟣لینک مقاله:
https://docs.shadowtraffic.io/connections/postgres/?utm_source=tldrdata


👑 @Database_Academy
🔵 عنوان مقاله
Systems Thinking for Scaling Responsible Multi-Agent Architectures (50 minute video)

🟢 خلاصه مقاله:
این ارائه نشان می‌دهد مقیاس‌دهی سریع سامانه‌های هوش مصنوعی چندعاملی، به دلیل بازخوردها و برهم‌کنش‌های غیرخطی، ریسک‌های پیش‌بینی‌نشده ایجاد می‌کند و به رویکردی مسئولانه و «سیستمی» نیاز دارد. با بهره‌گیری از Causal Flow Diagrams و چارچوب Cynefin می‌توان رفتارهای نوپدید را پیشاپیش دید، نقاط اهرمی را شناخت و میان کارایی، هزینه و تأثیر انسانی توازن برقرار کرد. کنترل مسئولانه بر پایه تنظیم پویا در «تابع پاداش»، سیاست‌ها و ریل‌های حفاظتی است و در کنار آن، حضور انسان در حلقه و حالت‌های تنزل‌پذیر از بروز آسیب در شرایط مبهم جلوگیری می‌کند. ابزارهایی مانند LIME، SHAP و Arize به همراه telemetry، قابلیت مشاهده‌پذیری و توضیح‌پذیری تصمیمات را فراهم می‌کنند و پایش مداوم رانش و عملکرد را ممکن می‌سازند. در نهایت، الگوهای معماری، ایزولیشن و حاکمیت داده/سیاست، به‌علاوه تست نفوذ (red-teaming) و پسامرتبه‌ها، چرخه یادگیری را کامل می‌کنند. پیام اصلی: با نگاه «تفکر سیستمی»، مشاهده‌پذیری قوی، مشوق‌های سازگار و ریل‌های حفاظتی لایه‌ای، می‌توان سامانه‌های چندعاملی را مسئولانه مقیاس داد.

#SystemsThinking #MultiAgent #ResponsibleAI #Explainability #Observability #Cynefin #CausalLoopDiagrams #AIEngineering

🟣لینک مقاله:
https://www.infoq.com/presentations/systems-thinking-multi-agent-architectures/?utm_source=tldrdata


👑 @Database_Academy
🔵 عنوان مقاله
Perplexity Launches Search API to Power Next-Gen AI Applications (2 minute read)

🟢 خلاصه مقاله:
پرپلکسی با معرفی Search API یک سرویس جست‌وجوی بلادرنگ ارائه کرده که از فهرستی با پوشش صدها میلیارد صفحه وب تغذیه می‌شود و در هر ثانیه ده‌ها هزار سند را به‌روزرسانی می‌کند. این API قطعات وب از پیش رتبه‌بندی‌شده را برمی‌گرداند تا مدل‌ها بدون ساختن خزنده و رنکینگ اختصاصی، به اطلاعات تازه و مرتبط دسترسی داشته باشند. این سرویس برای ایجنت‌های هوشمند و retrieval‑augmented (RAG) طراحی شده و با ساده‌کردن فرآیند گراند کردن LLMs و کاهش پیش‌پردازش، ادغام را سریع‌تر می‌کند. نتایج اولیه بنچمارک‌های open-source نشان می‌دهد کیفیت خروجی و تأخیر آن از جایگزین‌ها بهتر است، و ابزارهای توسعه‌دهنده نیز امکان پروتوتایپ‌سازی سریع را فراهم می‌کنند.

#Perplexity #SearchAPI #RAG #LLMs #AIAgents #WebSearch #DeveloperTools #APIs

🟣لینک مقاله:
https://www.infoq.com/news/2025/09/perplexity-search-api/?utm_source=tldrdata


👑 @Database_Academy
🔵 عنوان مقاله
The Transactional Graph-Enhanced LLM: A Definitive Guide to Read/Write Chatbots for Relational Data (9 minute read)

🟢 خلاصه مقاله:
این راهنما چارچوبی عملی برای ساخت چت‌بات‌های مبتنی بر LLM ارائه می‌کند که هم قابلیت خواندن و هم نوشتن روی پایگاه‌های داده رابطه‌ای سازمانی را دارند، با این ایده که یک Knowledge Graph (KG) به‌عنوان لایه میانی و معنایی عمل کند. سه الگوی اصلی معماری معرفی می‌شود: ۱) KG به‌عنوان cache برای خواندن سریع و معنایی، در حالی که عملیات نوشتن در RDB انجام می‌شود؛ ۲) KG به‌عنوان منبع حقیقت برای نمایش دانش دامنه و وضعیت جاری، با همگام‌سازی گزینشی با سیستم‌های رابطه‌ای؛ و ۳) رویکرد ترکیبی الهام‌گرفته از CQRS که در آن KG مسئول خواندن و لایه معنایی (برای تفسیر نیت، نگاشت موجودیت‌ها و اعتبارسنجی پرس‌وجو) است و RDB مسئول نوشتن و تراکنش‌ها می‌باشد.

در الگوی CQRS، KG به LLM کمک می‌کند تا درخواست‌های طبیعی را به پرس‌وجوهای دقیق (مثلاً SQL) ترجمه و پیش از اجرا اعتبارسنجی کند؛ خواندن‌ها از KG انجام می‌شود و نوشتن‌ها با حفظ ویژگی‌های ACID در RDB صورت می‌گیرد. برای ایمنی و انطباق، از کنترل دسترسی، اعتبارسنجی dry-run، بررسی طرحواره، پارامتریک‌سازی پرس‌وجو، راهکارهای idempotency و برنامه‌های rollback استفاده می‌شود. همگام‌سازی KG و RDB معمولاً مبتنی بر رویداد یا change-data-capture است و نسخه‌بندی/منشأ داده در KG امکان ممیزی و توضیح‌پذیری را فراهم می‌کند. انتخاب بین سه الگو به نسبت بار خواندن/نوشتن، نیازهای یکپارچگی و حکمرانی داده و وضعیت پلتفرم‌های موجود بستگی دارد.

#KnowledgeGraph #LLM #CQRS #RelationalData #Chatbots #AIArchitecture #EnterpriseData #GraphAI

🟣لینک مقاله:
https://blog.gopenai.com/the-transactional-graph-enhanced-llm-a-definitive-guide-to-read-write-chatbots-for-relational-data-6e1b280cefee?utm_source=tldrdata


👑 @Database_Academy
🔵 عنوان مقاله
is returning in 2026

🟢 خلاصه مقاله:
این رویداد در سال ۲۰۲۶ بازمی‌گردد و فراخوان ارائه‌ها (CFP) اکنون باز است. کنفرانس در ژوئن برگزار می‌شود و مهلت ارسال تا اول فوریهٔ ۲۰۲۶ است. از ارائه‌های متنوع مانند سخنرانی، پنل، کارگاه و آموزش—برای سطوح مختلف مخاطب—استقبال می‌شود، به‌ویژه محتوایی که خروجی‌های عملی و درس‌های کاربردی ارائه کند. سخنرانان تازه‌کار نیز تشویق می‌شوند. برای ثبت پیشنهاد، یک چکیده روشن، سطح و مخاطب هدف، دستاوردهای یادگیری و یک بیوی کوتاه ارائه کنید. جزئیات کامل فرمت‌ها، معیارهای ارزیابی و زمان‌بندی در صفحهٔ CFP موجود است؛ زودتر ارسال کنید تا با خیال راحت در مهلت بمانید.

#CFP #CallForPapers #Conference #Event #2026 #June2026 #TalkProposal #فراخوان_ارائه

🟣لینک مقاله:
https://postgresweekly.com/link/176983/web


👑 @Database_Academy
🔥1
🔵 عنوان مقاله
Did You Know Postgres Tables are Limited to 1,600 Columns?

🟢 خلاصه مقاله:
اگر نمی‌دانستید، در Postgres هر جدول حداکثر ۱۶۰۰ ستون می‌تواند داشته باشد. این یک محدودیت سخت در هسته سیستم است و با NULL بودن فیلدها یا TOAST دور زده نمی‌شود. اگر شماره issue 226 در سال 2017 را خوانده باشید، احتمالاً این نکته را به خاطر دارید. این سقف به معنای آن است که طراحی‌هایی با جدول‌های بسیار عریض—مثل هر شاخص یک ستون یا طرح‌های EAV تثبیت‌شده—به‌سرعت به حد می‌خورند. راه‌حل‌های بهتر شامل نرمال‌سازی، تفکیک عمودی، تبدیل ستون‌ها به سطرها برای سنجه‌ها، یا استفاده از JSONB برای ویژگی‌های کم‌استفاده و پراکنده است. جدول‌های خیلی عریض علاوه بر ریسک رسیدن به سقف، هزینه I/O و نگهداری را بالا می‌برند. نتیجه عملی: با در نظر گرفتن حد ۱۶۰۰ ستون، از طرح‌های باریک‌تر و انعطاف‌پذیرتر استفاده کنید و قبل از اعمال مهاجرت‌ها، تعداد ستون‌ها را بررسی کنید.

#Postgres #PostgreSQL #SQL #DatabaseDesign #DataModeling #SchemaDesign #JSONB #SoftwareEngineering

🟣لینک مقاله:
https://postgresweekly.com/link/176989/web


👑 @Database_Academy
🔵 عنوان مقاله
PostGraphile v5 Release Candidate

🟢 خلاصه مقاله:
** نسخه v5 از PostGraphile به مرحله Release Candidate رسیده است؛ ابزاری که مانند PostgREST برای RESTful، به‌صورت خودکار یک GraphQL API مبتنی بر Postgres می‌سازد و طرحواره GraphQL را از همان ساختار دیتابیس (جداول، ویوها و فانکشن‌ها) مشتق می‌کند. این RC نتیجه پنج سال کار است و نشان می‌دهد قابلیت‌ها تقریباً تکمیل شده‌اند و تمرکز روی پایداری و بازخورد دنیای واقعی است. برای تیم‌هایی که روی Postgres سرمایه‌گذاری کرده‌اند، PostGraphile لایه GraphQL را به‌خوبی با مدل رابطه‌ای همسو می‌کند و با تکیه بر ساختار و منطق موجود در دیتابیس، توسعه API را سریع‌تر و منسجم‌تر می‌سازد. در انتخاب مسیر، PostgREST برای APIهای ساده و RESTful مناسب است و PostGraphile زمانی می‌درخشد که انعطاف‌پذیری GraphQL مدنظر باشد. کاربران فعلی بهتر است قبل از ارتقا به v5، RC را در محیط آزمایشی امتحان کنند و یادداشت‌های انتشار و تغییرات احتمالی را مرور کنند.

#PostGraphile #GraphQL #Postgres #API #ReleaseCandidate #OpenSource #Backend #DeveloperTools

🟣لینک مقاله:
https://postgresweekly.com/link/176691/web


👑 @Database_Academy
🔵 عنوان مقاله
a new $8/mo 'developer tier'

🟢 خلاصه مقاله:
** یک پلن جدید با قیمت ماهانه ۸ دلار برای «developer tier» سرویس ابری مدیریت‌شده Postgres معرفی شده که دسترسی کم‌هزینه و قابل پیش‌بینی به دیتابیس را برای مراحل اولیه توسعه فراهم می‌کند. این پلن برای توسعه‌دهندگان مستقل، دانشجوها و تیم‌های کوچک—برای نمونه‌سازی، استیجینگ، CI/CD و پروژه‌های آزمایشی—طراحی شده و امکانات ضروری مانند اجرای مدیریت‌شده Postgres، پشتیبان‌گیری و مانیتورینگ پایه را ارائه می‌دهد. در ازای قیمت پایین، معمولاً محدودیت منابع دارد و قابلیت‌های پیشرفته تولیدی مثل HA یا چندمنطقه‌ای را شامل نمی‌شود. نقطه قوت آن مسیر ارتقا به پلن‌های بالاتر بدون دردسر و سازگاری کامل با اکوسیستم استاندارد Postgres است که هزینه و پیچیدگی میزبانی شخصی را کاهش می‌دهد.

#Postgres #DBaaS #CloudDatabase #DeveloperTier #SaaS #StartupTools #DevOps

🟣لینک مقاله:
https://postgresweekly.com/link/176986/web


👑 @Database_Academy
🔵 عنوان مقاله
ClickPipes for Postgres now supports failover replication slots.

🟢 خلاصه مقاله:
** این به‌روزرسانی اعلام می‌کند که ClickPipes for Postgres اکنون از failover replication slots پشتیبانی می‌کند؛ قابلیتی که در محیط‌های با قابلیت دسترس‌پذیری بالا باعث تداوم جریان داده هنگام جابه‌جایی از primary به standby می‌شود. با حفظ موقعیت اسلات در زمان failover، مصرف‌کنندگان CDC می‌توانند بی‌وقفه روی primary جدید ادامه دهند، بدون از دست‌دادن داده یا رشد غیرقابل‌کنترل WAL. این تغییر ریسک عملیاتی را کم می‌کند، پیاده‌سازی HA را ساده‌تر می‌سازد و برای تیم‌های Go که روی Postgres سرویس‌های داده می‌سازند—طبق پوشش آخرین شماره Golang Weekly—خبر مهمی است.

#Postgres #Replication #Failover #ClickPipes #Golang #CDC #HighAvailability #DataEngineering

🟣لینک مقاله:
https://postgresweekly.com/link/176987/web


👑 @Database_Academy
🔵 عنوان مقاله
pREST (PostgreSQL REST) 2.0 RC3

🟢 خلاصه مقاله:
** pREST (PostgreSQL REST) در نسخه 2.0 RC3 یک راه ساده برای قرار دادن یک RESTful API جلوی پایگاه داده Postgres ارائه می‌دهد تا بدون نوشتن لایه‌های تکراری، بتوان از طریق HTTP به جداول و نماها دسترسی داشت. این نسخه RC3 یعنی پروژه به انتشار پایدار 2.0 نزدیک است و از کاربران می‌خواهد در محیط‌های تست/مرحله‌ای آن را امتحان کنند و بازخورد بدهند. pREST برای سناریوهایی مثل نمونه‌سازی سریع، ریزسرویس‌ها و ابزارهای داخلی مفید است و الگوهای رایج مانند CRUD، فیلتر، مرتب‌سازی و صفحه‌بندی را از طریق درخواست‌های HTTP ساده می‌کند. هدف آن ادغام راحت با زیرساخت و شیوه‌های امنیتی موجود و بهره‌گیری از توان PostgreSQL است تا استقرار و مشاهده‌پذیری آسان‌تر شود.

#pREST #PostgreSQL #RESTAPI #OpenSource #Database #Backend #APIs #RC3

🟣لینک مقاله:
https://postgresweekly.com/link/174130/web


👑 @Database_Academy