寻找热狗大作战无限提示
49.84MB · 2025-11-20
在数据与AI深度融合的时代，数据库不再只是“存储与查询”的工具，而是智能应用的核心底座。openGauss作为企业级开源关系型数据库，既具备OLTP/OLAP混合负载的能力，也在向量计算、AI检索等新场景上持续演进。
本篇作为系列开篇，不仅完成在华为云 CentOS 7.9 环境的极简部署与可用性验证，还将引入更贴近生产的进阶内容：架构与版本要点、性能与SQL优化、企业级安全实践、向量与RAG场景的落地路径。文末的“进阶与实践”模块与后续两篇《使用DBeaver可视化管理与实战》《Python开发与AI向量数据库应用》形成顺畅衔接。
openGauss是一款开源关系型数据库，深度融合了华为在数据库领域超过十年的经验，结合企业级场景需求，在架构、事务、存储引擎、优化器及AI能力上持续创新。其技术生态兼容PostgreSQL，便于客户端、驱动与工具的复用，同时在关键内核能力上增强以适配复杂负载。
VECTOR(n)类型与距离算子<->，优化向量化计算，使图像、文本等非结构化数据的向量检索高效可用，为大模型时代的知识检索与增强生成夯实数据底座。提示：产品说明与版本细节参考文档中心 https://docs.opengauss.org/zh/。
接下来，我们将进入实战环节，演示如何在华为云的CentOS 7.9服务器上部署openGauss。
在开始安装之前，请确保您的服务器满足以下基本配置，并完成相应的环境准备工作。
硬件配置
关于CentOS 7.9的兼容性说明:
官方显示支持 CentOS 7.6，7.x 系列差异较小，通常可在 7.9 成功安装。安装脚本主要检查依赖与系统环境，二者在 7.6 与 7.9 间基本一致。
为了确保安装脚本顺利通过检查，可在安装期间临时将系统版本标识修改为“7.6”，安装完成后恢复。该方法仅影响脚本检查流程，不改变系统内核与库版本。
# 备份当前的系统版本文件
sudo cp /etc/redhat-release /etc/redhat-release.bak
# 临时修改为7.6
sudo echo "CentOS Linux release 7.6.1810 (Core)" > /etc/redhat-release
安装完成后，记得恢复原始文件：
sudo mv /etc/redhat-release.bak /etc/redhat-release
环境依赖安装:
首先，通过yum安装openGauss所需依赖；建议同步进行系统层面的基础优化（见后文“进阶优化”）。
sudo yum install -y bzip2 libaio-devel flex bison ncurses-devel glibc-devel patch redhat-lsb-core readline-devel
关闭防火墙和SELinux:
为了简化安装过程，我们先关闭防火墙和SELinux。在生产环境中，建议您根据实际需求配置更精细的安全策略。
sudo systemctl stop firewalld
sudo systemctl disable firewalld
sudo setenforce 0
# 永久关闭SELinux，需要修改配置文件
sudo sed -i 's/SELINUX=enforcing/SELINUX=disabled/' /etc/selinux/config
这里我是切换了root用户操作
您可以从openGauss的官方社区下载页面获取最新的安装包。请选择与您的操作系统和架构匹配的版本。 下载完之后用自己喜欢的方式传过去
openGauss提供了简单易用的安装脚本，可以帮助我们快速完成数据库的初始化。
创建用户和组:
为了安全起见，我们创建一个专门的用户omm来运行openGauss。
groupadd dbgrp
useradd -g dbgrp omm
mkdir -p /opt/gaussdb/app # 程序安装路径
mkdir -p /opt/gaussdb/data # 数据存储路径
chown -R omm:dbgrp /opt/opengauss /opt/gaussdb # 授权给 omm 用户
上传并解压安装包（假设包已上传到 /opt/opengauss）：
cd /opt/opengauss
# 解压（注意后缀是 .tar.bz2，用 -j 参数）
tar -jxvf openGauss-Server-6.0.2-CentOS7-x86_64.tar.bz2
# 解压后会生成 `simpleInstall` 目录，进入该目录
cd simpleInstall
执行安装:
切换到omm用户，并执行安装脚本。
sh install.sh -w "Gauss@123456"
安装脚本会自动完成数据库的初始化、配置和启动。
进阶提示：生产环境建议将程序与数据目录置于独立磁盘或分区，数据目录开启合适的挂载参数（如 noatime），并规划独立的归档与备份路径，降低IO干扰与运维风险。
安装完成后，需通过gs_ctl（状态检查工具）和gsql（命令行客户端）验证数据库是否正常运行。由于极简版未生成env.sh环境变量脚本，需手动配置核心环境变量以确保命令可用。
openGauss 需通过omm用户（安装时创建的专属用户）操作，且需手动指定数据库安装路径、二进制文件路径等核心环境变量：
# 手动设置核心环境变量（路径需与实际安装目录一致，此处为/opt/opengauss）
export GAUSSHOME=/opt/opengauss # 数据库安装根目录
export PATH=$GAUSSHOME/bin:$PATH # 将数据库二进制命令（如gsql、gs_ctl）加入系统路径
export LD_LIBRARY_PATH=$GAUSSHOME/lib:$LD_LIBRARY_PATH # 加载数据库依赖库
# 验证环境变量是否生效（执行后显示openGauss版本即成功）
gsql --version
预期输出（类似如下内容，版本号以实际安装为准）：
在连接数据库前，先通过gs_ctl确认数据库是否已启动（极简版安装脚本默认自动启动，但建议手动验证）：
# 执行状态检查命令（-D 指定数据存储目录，极简版默认路径为/opt/opengauss/data/single_node）
gs_ctl status -D /opt/opengauss/data/single_node
关键判断依据：
# 启动数据库（同样指定数据目录）
gs_ctl start -D /opt/opengauss/data/single_node -Z single_node
```
### 4.3 连接数据库
通过`gsql`命令行客户端连接到默认数据库`postgres`（openGauss 默认端口为 5432，需指定用户和安装时设置的密码）：
```bash
# 连接命令格式：gsql -d 数据库名 -p 端口 -U 用户名 -W 密码
gsql -d postgres -p 5432 -U omm -W "Gauss@123456"
-d postgres：连接默认系统数据库postgres；-p 5432：使用 openGauss 默认端口；-U omm：通过omm用户（数据库超级管理员）连接；-W "Gauss@123456"：指定安装时设置的密码（需替换为您实际设置的密码）。预期输出（出现如下交互界面，说明连接成功）：
在openGauss=#交互界面中，执行 SQL 语句验证数据库读写能力：
-- 1. 查看数据库版本（确认当前连接的数据库信息）
SELECT version();
-- 2. 创建测试表（验证表创建功能）
CREATE TABLE test (
id INT PRIMARY KEY, -- 主键列（唯一标识每条数据）
name VARCHAR(50) -- 字符串列（存储名称）
);
-- 3. 插入测试数据（验证数据写入功能）
INSERT INTO test VALUES (1, 'hello openGauss'), (2, '极简版部署成功');
-- 4. 查询测试数据（验证数据读取功能）
SELECT * FROM test;
预期结果：
SELECT version();后显示 openGauss 版本及编译信息；SELECT * FROM test;后显示如下数据（无报错即说明功能正常）：手动设置的环境变量仅在当前终端生效，关闭终端后需重新配置。若需每次登录omm用户自动加载环境变量，可将配置写入omm用户的环境变量文件~/.bashrc：
# 1. 编辑 omm 用户的 .bashrc 文件
vi ~/.bashrc
# 2. 在文件末尾添加以下内容（与4.1中的环境变量配置一致）
export GAUSSHOME=/opt/opengauss
export PATH=$GAUSSHOME/bin:$PATH
export LD_LIBRARY_PATH=$GAUSSHOME/lib:$LD_LIBRARY_PATH
# 3. 保存并退出（按Esc → 输入:wq → 回车）
# 4. 使配置立即生效（无需重启终端）
source ~/.bashrc
验证：关闭当前终端，重新登录omm用户，直接执行gsql --version，若正常显示版本信息，说明持久化配置成功。
部署成功只是开始，良好的性能与稳定性需要合理的参数、SQL实践与可观测性。以下步骤可在极简版基础上逐步引入，并与后续两篇形成连贯实践。
SHOW shared_buffers;
SHOW work_mem;
SHOW effective_cache_size;
SHOW max_connections;
SHOW enable_nestloop;
SHOW log_min_duration_statement;
shared_buffers与effective_cache_size；针对复杂聚合或排序增大work_mem；开启慢SQL日志（如设置log_min_duration_statement=500ms）并定期分析。pg_hba.conf与部分postgresql.conf变更，可使用gs_ctl reload -D /opt/opengauss/data/single_node，减少重启成本。EXPLAIN (ANALYZE, BUFFERS)
SELECT u.user_name, SUM(o.order_amount)
FROM users u JOIN orders o ON u.user_id=o.user_id
GROUP BY u.user_name
ORDER BY SUM(o.order_amount) DESC
LIMIT 10;
enable_nestloop/enable_hashjoin/enable_mergejoin）。CREATE INDEX idx_orders_user_id ON orders(user_id);
ANALYZE orders;
default_statistics_target或对关键表定向ALTER TABLE ... SET STATISTICS，确保优化器更准确。gs_dump -h 127.0.0.1 -p 5432 -U omm -d postgres -F p -f /opt/backup/postgres_$(date +%F).sql
gsql -d postgres -U omm -p 5432 -f /opt/backup/postgres_2025-11-01.sql
COPY/copy 进行批量数据导入，显著提升吞吐；copy 在客户端执行，权限更灵活：
copy public.orders(user_id, order_amount, order_date)
FROM '/opt/data/orders_2025.csv' WITH (FORMAT csv, HEADER true);
copy；导入后执行 ANALYZE 更新统计信息。CREATE TABLE orders_big (
id BIGSERIAL PRIMARY KEY,
user_id INT,
order_amount NUMERIC(10,2),
order_date DATE
) PARTITION BY RANGE (order_date) (
PARTITION p2024 VALUES LESS THAN ('2025-01-01'),
PARTITION p2025 VALUES LESS THAN ('2026-01-01'),
PARTITION pmax VALUES LESS THAN (MAXVALUE)
);
CREATE INDEX idx_orders_big_user_date ON orders_big(user_id, order_date);
VACUUM/ANALYZE 或脱机归档，减少主库膨胀与备份体积。SELECT pid, usename, state, query_start, now()-query_start AS runtime, query
FROM pg_stat_activity
WHERE state <> 'idle'
ORDER BY runtime DESC
LIMIT 10;
SELECT locktype, mode, granted, relation::regclass AS rel, pid
FROM pg_locks
WHERE NOT granted;
max_connections 带来的上下文切换；对热点行采用更合理的更新策略（分桶/排队）；出现序列化冲突时在应用侧进行指数退避重试。openGauss坚持“安全缺省”原则。为保证生产安全与远程可达，建议按以下路径配置（与第二篇可视化管理内容保持一致）：
vi /opt/opengauss/data/single_node/postgresql.conf
listen_addresses = '*'
vi /opt/opengauss/data/single_node/pg_hba.conf
host all all 0.0.0.0/0 md5
omm）进行远程业务访问；在本机以omm登录后创建业务账号并授权：
CREATE USER dbuser WITH PASSWORD 'S@fePwd_2025';
GRANT USAGE ON SCHEMA public TO dbuser;
GRANT SELECT, INSERT, UPDATE, DELETE ON TABLE public.test TO dbuser;
sha256），并保证pg_hba.conf与数据库参数保持一致；必要时评估启用SSL并在客户端设置sslmode。local/127.0.0.1/::1 的便捷规则，远程一律使用口令或更强方式：
host all all 10.0.0.0/24 sha256
host all all 0.0.0.0/0 md5trust 以避免误配导致的非授权访问。postgresql.conf 设置 password_encryption_type=2（SHA-256）后，需为相关用户重置口令以生成新密文：
ALTER USER dbuser WITH PASSWORD 'S@fePwd_2025_New';
pg_hba.conf 使用与数据库侧一致的认证算法（如 sha256），否则会出现握手失败或认证异常。openssl req -new -x509 -days 365 -nodes -text -out /opt/opengauss/server.crt -keyout /opt/opengauss/server.key
chmod 600 /opt/opengauss/server.key
postgresql.conf：
ssl = on
ssl_cert_file = 'server.crt'
ssl_key_file = 'server.key'sslmode=require；若服务器未启用SSL，则使用 sslmode=disable 保持一致。为与系列第三篇形成衔接，本篇提供最小化向量能力验证，引导读者在后续文章中完成端到端的RAG示例。
CREATE EXTENSION vectors;
CREATE TABLE t_image_vectors (
id SERIAL PRIMARY KEY,
image_path VARCHAR(255) NOT NULL,
image_vector VECTOR(512)
);
INSERT INTO t_image_vectors(image_path, image_vector)
VALUES ('assets/images/cat.jpg', '[0.1,0.2,0.3,...]'::vector),
('assets/images/dog.jpg', '[0.2,0.1,0.4,...]'::vector);
SELECT image_path, image_vector <-> '[0.12,0.18,0.33,...]'::vector AS dist
FROM t_image_vectors
ORDER BY dist
LIMIT 3;
以上“向量能力验证”与第三篇的sentence-transformers编码流程、Python入库与检索代码完全对齐，避免割裂阅读体验。
ivfflat 或 hnsw），可创建索引以提升检索性能；具体语法以扩展版本文档为准：
-- ivfflat（L2 距离示例）
CREATE INDEX idx_img_vec_ivf ON t_image_vectors USING ivfflat (image_vector);
-- 建议在创建索引前对向量表执行 ANALYZE，提高索引构建效果
ANALYZE t_image_vectors;
lists（ivfflat）或 ef_search/M（hnsw）会影响召回率与性能；可在万级以上数据量下进行A/B测试，选择适中参数。clip-ViT-B-32（512维）；混用模型会降低距离度量的意义。EXPLAIN (ANALYZE, BUFFERS)
SELECT image_path FROM t_image_vectors
ORDER BY image_vector <-> '[...]'::vector
LIMIT 10;
dx 检查是否已启用 vectors/vector；若未安装请参考发行版文档或按平台构建。preferQueryMode=simple 或使用官方openGauss JDBC；对Python驱动保持版本一致并验证基础CRUD与事务。INSERT/SELECT/UPDATE/DELETE。psycopg2 驱动完成 CRUD 与事务示例，并实现以文搜图的向量检索；参数与对象命名与本篇保持一致，便于无缝复用。本篇在完成极简部署与基础验证的同时，补充了架构与版本要点、进阶优化路径、安全实践以及向量与RAG的入门引导，形成可向后续两篇延伸的完整链路。下一篇以 DBeaver 提供更直观的管理与调优体验；再下一篇以 Python 与向量能力实现端到端的RAG应用，完成从“入门”到“落地”的闭环。
49.84MB · 2025-11-20
253.91MB · 2025-11-20
217.94MB · 2025-11-20
