SQL vs NoSQL: 为满足您的业务需求选择正确的数据库模型-CSDN博客

本文链接：https://blog.csdn.net/2401_89221445/article/details/147741148

1. 引言

在当今数字化时代，数据已成为企业最宝贵的资产之一。选择合适的数据库解决方案对于业务成功至关重要，它直接影响应用程序的性能、可扩展性、可靠性以及开发效率。随着数据量的爆炸性增长和应用场景的多样化，传统的关系型数据库(SQL)和新兴的非关系型数据库(NoSQL)各自展现出独特的优势和适用场景。

数据库技术经历了从早期的层次型和网络型数据库，到关系型数据库的兴起，再到 NoSQL 运动的崛起的漫长发展历程。每一次技术演进都是为了解决特定的业务挑战。本文旨在帮助技术决策者和开发人员深入理解 SQL 和 NoSQL 数据库的核心区别，并提供一个实用的框架，用于根据具体的业务需求选择最合适的数据库模型。

2. SQL 数据库概述

2.1 什么是关系型数据库

关系型数据库基于 Edgar F. Codd 在 1970 年提出的关系模型，它将数据组织为相互关联的表格（关系），每个表格由行和列组成。SQL（结构化查询语言）是用于管理这些关系型数据库的标准语言。

2.2 SQL 数据库的核心特点

预定义的模式：数据必须符合表结构的严格定义
关系完整性：通过主键、外键等约束确保数据一致性
规范化：通过消除冗余来优化数据存储
强大的查询能力：支持复杂的连接操作和聚合函数
ACID 事务：确保数据操作的可靠性

2.3 主流 SQL 数据库产品

数据库	特点	适用场景
MySQL	开源、高性能、易用	Web 应用、中小型企业应用
PostgreSQL	功能丰富、高度可扩展、强大的 JSON 支持	复杂业务逻辑、地理信息系统
Oracle	企业级可靠性、全面的功能集	大型企业应用、金融系统
SQL Server	与 Windows 生态集成、商业智能工具	企业应用、Microsoft 平台

2.4 ACID 原则及其重要性

SQL 数据库遵循 ACID 原则，确保事务处理的可靠性：

原子性(Atomicity)：事务中的所有操作要么全部完成，要么全部不完成
一致性(Consistency)：事务执行前后数据库保持一致状态
隔离性(Isolation)：并发事务之间相互隔离
持久性(Durability)：已提交的事务结果永久保存

sql

代码解读

复制代码

-- 典型的SQL事务示例 BEGIN TRANSACTION; UPDATE accounts SET balance = balance - 100 WHERE account_id = 'A'; UPDATE accounts SET balance = balance + 100 WHERE account_id = 'B'; COMMIT;

3. NoSQL 数据库概述

3.1 NoSQL 的定义与起源

NoSQL（Not Only SQL）数据库是为了解决传统关系型数据库在处理大规模分布式数据时的局限性而出现的。它们通常具有灵活的数据模型、水平可扩展性和高性能特点。

3.2 NoSQL 数据库的基本特性

灵活的数据模型：无需预定义模式
水平扩展能力：可以通过添加更多服务器轻松扩展
高吞吐量：优化了写入操作的性能
分布式架构：设计用于跨多台服务器运行
BASE 原则：不同于 ACID，更注重可用性和性能

3.3 NoSQL 数据库的主要类型

3.3.1 文档型数据库

存储半结构化的文档数据，通常是 JSON 或 BSON 格式。

代表产品：MongoDB, CouchDB

javascript

代码解读

复制代码

// MongoDB文档示例 { "_id": ObjectId("5f8d0d55b54764153b2c6537"), "user_id": "12345", "name": "张三", "email": "zhangsan@example.com", "orders": [ { "order_id": "A001", "amount": 150.00, "date": "2023-01-15" }, { "order_id": "A002", "amount": 85.50, "date": "2023-02-20" } ], "address": { "city": "北京", "street": "朝阳区建国路88号" } }

3.3.2 键值型数据库

最简单的 NoSQL 数据库类型，存储键值对，类似哈希表。

代表产品：Redis, DynamoDB

bash

代码解读

复制代码

# Redis键值操作示例 SET user:12345 '{"name":"张三","email":"zhangsan@example.com"}' GET user:12345

3.3.3 列式数据库

按列而非行存储数据，适合分析大量数据。

代表产品：Cassandra, HBase

cql

代码解读

复制代码

-- Cassandra CQL示例 CREATE TABLE users ( user_id text PRIMARY KEY, name text, email text ); INSERT INTO users (user_id, name, email) VALUES ('12345', '张三', 'zhangsan@example.com');

3.3.4 图形数据库

专为存储实体间关系而设计，适合复杂关联数据。

代表产品：Neo4j, Amazon Neptune

cypher

代码解读

复制代码

// Neo4j Cypher查询示例 CREATE (u:User {name: '张三', email: 'zhangsan@example.com'}) CREATE (p:Product {name: '智能手机', price: 3999}) CREATE (u)-[:PURCHASED {date: '2023-03-15'}]->(p);

3.4 CAP 理论简介

CAP 理论指出分布式系统不可能同时满足以下三点：

一致性(Consistency)：所有节点在同一时间看到相同数据
可用性(Availability)：每个请求都能收到响应
分区容错性(Partition tolerance)：系统在网络分区故障时仍能继续运行

NoSQL 数据库通常在一致性和可用性之间做出权衡，而保证分区容错性。

4. SQL vs NoSQL: 关键差异比较

4.1 数据模型与结构

SQL	NoSQL
预定义结构（表、行、列）	灵活模式（文档、键值对、图等）
强调规范化和关系	允许数据冗余和嵌套
更新模式需要迁移	可动态添加新字段

4.2 扩展性与性能

SQL	NoSQL
主要垂直扩展（升级硬件）	主要水平扩展（添加节点）
复杂查询性能高	简单查询和高写入负载性能优异
随着数据量增加可能变慢	设计用于处理大数据量

4.3 一致性与可用性

SQL	NoSQL
强调 ACID 特性	倾向 BASE 原则
即时一致性	最终一致性
事务管理完善	事务支持有限（部分产品支持）

4.4 查询语言与灵活性

SQL	NoSQL
标准化的 SQL 语言	各系统有自己的 API/查询语言
声明式查询（告诉系统"要什么"）	命令式查询（告诉系统"怎么做"）
复杂查询和分析能力强	简单查询高效，复杂查询可能受限

4.5 事务处理

sql

代码解读

复制代码

-- SQL中的事务处理 BEGIN TRANSACTION; INSERT INTO orders(order_id, customer_id, amount) VALUES('O1001', 'C123', 5000); UPDATE inventory SET stock = stock - 1 WHERE product_id = 'P789'; COMMIT;

javascript

代码解读

复制代码

// MongoDB 4.0+中的事务示例 const session = db.getMongo().startSession(); session.startTransaction(); try { db.orders.insertOne({ order_id: "O1001", customer_id: "C123", amount: 5000 }, { session }); db.inventory.updateOne( { product_id: "P789" }, { $inc: { stock: -1 } }, { session } ); session.commitTransaction(); } catch (error) { session.abortTransaction(); throw error; } finally { session.endSession(); }

5. 业务需求分析框架

选择数据库时，应考虑以下关键因素：

5.1 数据结构与复杂性

问题考量：

数据之间是否有明确的关系？
数据结构是否频繁变化？
是否需要复杂的查询？

选择指导：

数据关系固定、复杂 → SQL
数据结构灵活、多变 → NoSQL

5.2 数据量与增长预期

问题考量：

预期数据量多大？
增长速度如何？
是否需要处理突发流量？

选择指导：

稳定增长、中等数据量 → SQL 可能足够
快速增长、超大数据量、需要快速扩展 → NoSQL 更适合

5.3 读写比例与访问模式

分析工具：读写比测算表

操作比例	SQL 适用性	NoSQL 适用性
读多写少	高	中
读写均衡	中高	中高
写多读少	中低	高

5.4 一致性要求

问题考量：

业务是否能接受最终一致性？
是否需要复杂的事务支持？

选择指导：

金融、支付系统等需要强一致性 → SQL
社交媒体内容等可接受短暂不一致 → NoSQL

5.5 可扩展性需求

决策树：

是否需要处理不可预测的流量峰值？
- 是 → 倾向 NoSQL
- 否 → 进入下一步评估
是否需要全球分布式部署？
- 是 → 倾向 NoSQL
- 否 → SQL 可能足够

5.6 开发团队技能与偏好

不要低估团队熟悉度对项目成功的影响。团队经验丰富的技术栈通常会减少开发风险和加快上线速度。

6. 适合 SQL 数据库的业务场景

6.1 需要复杂查询与事务的应用

SQL 数据库在处理多表连接、聚合查询和复杂事务时表现出色。

示例查询：查找消费超过 10000 元的 VIP 客户的最近订单

sql

代码解读

复制代码

SELECT c.customer_id, c.name, o.order_id, o.order_date, o.amount FROM customers c JOIN orders o ON c.customer_id = o.customer_id WHERE c.vip_status = 'active' AND c.total_spend > 10000 ORDER BY o.order_date DESC LIMIT 10;

6.2 财务与银行系统

银行转账示例：

sql

代码解读

复制代码

BEGIN TRANSACTION; -- 检查账户余额 SELECT balance INTO @balance FROM accounts WHERE account_id = 'A001'; IF @balance >= 1000 THEN -- 扣款 UPDATE accounts SET balance = balance - 1000 WHERE account_id = 'A001'; -- 存款 UPDATE accounts SET balance = balance + 1000 WHERE account_id = 'A002'; -- 记录交易 INSERT INTO transactions (from_account, to_account, amount, transaction_date) VALUES ('A001', 'A002', 1000, NOW()); END IF; COMMIT;

6.3 CRM 与 ERP 系统

这类系统通常需要复杂的数据关系和事务完整性，SQL 数据库能提供稳定可靠的支持。

6.4 需要强一致性的业务

票务预订系统示例：

sql

代码解读

复制代码

BEGIN TRANSACTION; -- 检查座位是否可用 SELECT status INTO @seat_status FROM seats WHERE event_id = 101 AND seat_number = 'A12' FOR UPDATE; -- 锁定行防止并发修改 IF @seat_status = 'available' THEN -- 更新座位状态 UPDATE seats SET status = 'reserved', reserved_by = 'user123' WHERE event_id = 101 AND seat_number = 'A12'; -- 创建预订记录 INSERT INTO reservations (user_id, event_id, seat_number, reservation_time) VALUES ('user123', 101, 'A12', NOW()); SELECT 'Reservation successful' AS message; ELSE SELECT 'Seat not available' AS message; END IF; COMMIT;

7. 适合 NoSQL 数据库的业务场景

7.1 大数据应用

日志分析系统示例（使用 MongoDB）：

javascript

代码解读

复制代码

// 存储网站访问日志 db.access_logs.insertOne({ timestamp: new Date(), user_id: "u12345", page: "/products", device: "mobile", browser: "Chrome", ip: "203.0.113.1", location: { country: "中国", city: "上海" } }); // 分析特定时间段的页面访问 db.access_logs.aggregate([ { $match: { timestamp: { $gte: ISODate("2023-05-01T00:00:00Z"), $lt: ISODate("2023-05-02T00:00:00Z") } }}, { $group: { _id: "$page", count: { $sum: 1 }, unique_users: { $addToSet: "$user_id" } }}, { $sort: { count: -1 }}, { $limit: 10 } ]);

7.2 实时分析系统

使用 Redis 进行实时计数器示例：

bash

代码解读

复制代码

# 记录用户点击事件 INCR "page:homepage:clicks" EXPIRE "page:homepage:clicks" 86400 # 24小时后过期 # 记录不同类别产品的浏览次数 HINCRBY "product:views" "electronics" 1 HINCRBY "product:views" "clothing" 1 # 获取最热门类别 HGETALL "product:views"

7.3 内容管理系统

MongoDB 存储文章内容示例：

javascript

代码解读

复制代码

// 创建文章 db.articles.insertOne({ title: "NoSQL数据库入门指南", slug: "nosql-database-guide", author: { id: "author123", name: "技术专家" }, content: "这是一篇关于NoSQL数据库的详细介绍...", tags: ["数据库", "NoSQL", "技术", "MongoDB"], comments: [], status: "published", created_at: new Date(), updated_at: new Date() }); // 添加评论 db.articles.updateOne( { slug: "nosql-database-guide" }, { $push: { comments: { user_id: "user456", username: "数据库爱好者", content: "非常实用的文章！", created_at: new Date() } } } );

7.4 物联网数据处理

使用 Cassandra 存储传感器数据示例：

cql

代码解读

复制代码

-- 创建传感器数据表 CREATE TABLE sensor_data ( sensor_id text, timestamp timestamp, temperature float, humidity float, pressure float, PRIMARY KEY (sensor_id, timestamp) ) WITH CLUSTERING ORDER BY (timestamp DESC); -- 插入数据 INSERT INTO sensor_data (sensor_id, timestamp, temperature, humidity, pressure) VALUES ('sensor001', toTimeStamp(now()), 25.4, 68.3, 1013.2); -- 查询最近数据 SELECT * FROM sensor_data WHERE sensor_id = 'sensor001' LIMIT 100;

7.5 社交网络应用

使用 Neo4j 处理社交关系示例：

cypher

代码解读

复制代码

// 创建用户 CREATE (u1:User {id: 'user1', name: '李明'}) CREATE (u2:User {id: 'user2', name: '王芳'}) CREATE (u3:User {id: 'user3', name: '张伟'}); // 创建关注关系 MATCH (u1:User {id: 'user1'}), (u2:User {id: 'user2'}) CREATE (u1)-[:FOLLOWS]->(u2); MATCH (u2:User {id: 'user2'}), (u3:User {id: 'user3'}) CREATE (u2)-[:FOLLOWS]->(u3); // 推荐"可能认识的人"（朋友的朋友） MATCH (u:User {id: 'user1'})-[:FOLLOWS]->(:User)-[:FOLLOWS]->(potential:User) WHERE NOT (u)-[:FOLLOWS]->(potential) AND u <> potential RETURN potential.name AS recommended_user;

8. 混合使用策略

8.1 多模型数据库介绍

一些现代数据库提供多模型支持，如：

ArangoDB：支持文档、图和键值存储
FaunaDB：关系型与文档型的结合
CosmosDB：Microsoft 的多模型云数据库

8.2 如何在同一系统中结合 SQL 和 NoSQL

javascript

代码解读

复制代码

// 混合架构示例 // 1. 交易数据存储在PostgreSQL const orderInfo = await pgClient.query( 'INSERT INTO orders(customer_id, total, status) VALUES($1, $2, $3) RETURNING id', [customerId, 1299.99, 'pending'] ); const orderId = orderInfo.rows[0].id; // 2. 订单详情存储在MongoDB await mongoClient.collection('order_details').insertOne({ order_id: orderId, items: [ { product_id: 'p123', name: '智能手表', price: 899.99, quantity: 1 }, { product_id: 'p456', name: '无线耳机', price: 400.00, quantity: 1 } ], shipping_address: { recipient: '张先生', phone: '13800138000', province: '广东省', city: '深圳市', district: '南山区', street: '科技园路123号' }, payment_method: { type: 'alipay', account_id: 'ali123456' } }); // 3. 实时库存更新使用Redis await redisClient.decrBy('inventory:p123', 1); await redisClient.decrBy('inventory:p456', 1);

8.3 微服务架构中的数据库选择

在微服务架构中，每个服务可以选择最适合其特定需求的数据库：

用户服务：PostgreSQL（用户账户需要 ACID 事务）
产品目录：Elasticsearch（强大的搜索功能）
购物车服务：Redis（高性能、临时数据）
订单服务：MongoDB（灵活的订单结构）
付款服务：MySQL（财务交易需要强一致性）
推荐系统：Neo4j（分析用户-产品关系图）

8.4 数据同步与集成方案

javascript

代码解读

复制代码

// 使用消息队列在不同数据库之间同步数据 // 例：订单创建后同步到分析数据库 // 1. 发布订单创建事件 function publishOrderCreatedEvent(order) { return mqClient.publish('orders.created', { order_id: order.id, customer_id: order.customer_id, total_amount: order.total, created_at: new Date(), items_count: order.items.length }); } // 2. 分析服务订阅并处理事件 mqClient.subscribe('orders.created', async (message) => { try { // 将订单摘要数据写入分析数据库 await analyticsDbClient.collection('order_metrics').insertOne({ order_id: message.order_id, customer_id: message.customer_id, amount: message.total_amount, date: message.created_at, // 添加时间维度用于聚合查询 year: message.created_at.getFullYear(), month: message.created_at.getMonth() + 1, day: message.created_at.getDate(), hour: message.created_at.getHours() }); // 更新聚合计数器 await analyticsDbClient.collection('daily_stats').updateOne( { date: formatDate(message.created_at), product_category: 'all' }, { $inc: { orders_count: 1, revenue: message.total_amount } }, { upsert: true } ); } catch (error) { console.error('Failed to process order for analytics', error); // 重试逻辑... } });

9. 选择数据库的决策流程

9.1 需求分析与评估

决策流程图：

分析数据特性
- 数据是否高度结构化？ → SQL 倾向
- 数据是否半结构化/需频繁变更？ → NoSQL 倾向
考虑性能需求
- 是否需要复杂查询？ → SQL 倾向
- 是否需要高写入吞吐量？ → NoSQL 倾向
评估扩展需求
- 是否需要大规模水平扩展？ → NoSQL 倾向
- 数据量是否可预测且适中？ → SQL 可能足够
一致性要求
- 是否需要强一致性和事务？ → SQL 倾向
- 是否可接受最终一致性？ → NoSQL 可选

9.2 技术选型标准

评分矩阵示例：

标准	权重	MySQL	PostgreSQL	MongoDB	Redis
查询能力	25%	4	5	3	2
可扩展性	20%	3	3	5	4
开发便捷性	15%	4	3	5	3
数据一致性	20%	5	5	3	2
运维成本	10%	4	3	3	4
生态系统	10%	5	4	4	4
加权总分	100%	4.1	4.0	3.8	3.0

9.3 概念验证(POC)方法

有效 POC 应包括：

场景定义：确定要测试的关键用例
性能测试：模拟实际负载
扩展性测试：验证水平扩展能力
故障恢复测试：评估系统韧性
开发体验：评估开发团队使用的便捷度

9.4 迁移与扩展计划

渐进式迁移策略示例：

javascript

代码解读

复制代码

// 双写模式：同时写入新旧数据库系统 async function createOrder(orderData) { try { // 首先写入旧数据库（假设是关系型数据库） const oldDbResult = await oldDbClient.query( 'INSERT INTO orders(customer_id, amount, status) VALUES(?, ?, ?)', [orderData.customerId, orderData.amount, 'pending'] ); // 同时写入新数据库（假设是MongoDB） const newDbResult = await newDbClient.collection('orders').insertOne({ legacy_id: oldDbResult.insertId, // 保存旧系统ID以便追踪 customer_id: orderData.customerId, amount: orderData.amount, status: 'pending', items: orderData.items, created_at: new Date() }); // 返回结果（可能仍使用旧系统ID作为主要标识） return { order_id: oldDbResult.insertId, status: 'success' }; } catch (error) { console.error('Order creation failed', error); // 实现补偿逻辑以保持一致性 await handleDualWriteFailure(orderData, error); throw error; } } // 读取策略可以渐进式转移 async function getOrder(orderId) { // 配置决定从哪个数据库读取 const useNewDb = featureFlags.isEnabled('use_new_order_db'); if (useNewDb) { return await newDbClient.collection('orders').findOne({ legacy_id: orderId }); } else { const result = await oldDbClient.query('SELECT * FROM orders WHERE id = ?', [orderId]); return result.rows[0]; } }

10. 未来趋势与发展

10.1 NewSQL 技术

NewSQL 试图结合 SQL 和 NoSQL 的优点，提供关系型语义与 NoSQL 的可扩展性：

Google Spanner：全球分布式 SQL 数据库
CockroachDB：开源分布式 SQL 数据库
TiDB：兼容 MySQL 协议的分布式数据库

sql

代码解读

复制代码

-- CockroachDB示例：分布式SQL -- 创建全球分区表 CREATE TABLE users ( id UUID PRIMARY KEY DEFAULT gen_random_uuid(), name STRING, email STRING, region STRING ) PARTITION BY LIST (region) ( PARTITION asia VALUES IN ('china', 'japan', 'korea'), PARTITION europe VALUES IN ('germany', 'france', 'uk'), PARTITION americas VALUES IN ('usa', 'canada', 'mexico') ); -- 指定分区位置 ALTER PARTITION asia OF TABLE users CONFIGURE ZONE USING constraints='[+region=asia]'; ALTER PARTITION europe OF TABLE users CONFIGURE ZONE USING constraints='[+region=europe]'; ALTER PARTITION americas OF TABLE users CONFIGURE ZONE USING constraints='[+region=us]';

10.2 云原生数据库

云原生数据库专为云环境设计，提供自动扩展、高可用性和按需付费模式：

Amazon Aurora：兼容 MySQL 和 PostgreSQL 的云原生数据库
Azure Cosmos DB：全球分布式多模型数据库
Google Cloud Firestore：文档数据库，适合移动和 Web 应用

10.3 智能化与多模态数据库演进

随着 AI 技术的渗透和数据形态的多样化，数据库正朝着智能化、多模态和自适应方向发展。以下为当前最具潜力的演进方向：

1. 向量数据库与 AI 融合

支持非结构化数据处理和机器学习模型集成的新型数据库：

核心技术：向量相似性搜索、嵌入式 AI 推理、实时特征存储
典型应用：推荐系统、图像检索、语义搜索
代表产品：Pinecone、Weaviate、Milvus

sql

代码解读

复制代码

-- 示例：Weaviate向量相似性搜索 { "query": { "concepts": ["cat"], "vector": [0.12, -0.45, 0.67, ...], -- 嵌入向量 "limit": 5 } } -- 返回语义最相似的图片记录

优势：

支持万亿级向量数据毫秒响应
与 LLM（大语言模型）无缝集成
自动特征工程与模型漂移检测

2. 多模型数据库演进

打破单一数据模型限制，统一管理多维数据：

混合数据支持：文档、图、时序、关系模型融合
动态模式：JSON Schema 自动推导与版本控制
代表案例：ArangoDB 3.9、Oracle Memonix

aql

代码解读

复制代码

// ArangoDB多模型查询示例 FOR user IN users FILTER user.age > 30 GRAPH TRAVERSE follows RETURN {user, friends: COUNT(friends)}

创新特性：

跨模型 ACID 事务
图神经网络（GNN）内嵌分析
自动选择最优存储引擎（列存/行存/文档）

3. Serverless 数据库

云原生架构的极致延伸，实现完全弹性伸缩：

核心特征：
- 计算与存储解耦
- 毫秒级自动扩缩容
- 精细化按使用量计费
标杆产品：
Amazon Aurora Serverless v2、FaunaDB

javascript

代码解读

复制代码

// Serverless数据库连接示例（FaunaDB） const { Client } = require('faunadb'); const client = new Client({ secret: process.env.FAUNA_SECRET, domain: 'db.fauna.com', scheme: 'https' });

成本优势：

空闲状态仅消耗元数据存储费用
高峰期自动扩展至百万级 QPS
开发测试环境成本降低 80%

4. HTAP 架构深度整合

打破 OLTP 与 OLAP 界限，实现实时混合处理：

技术突破：
- 列式存储动态压缩
- 向量化查询执行引擎
- 内存计算加速层
典型案例：
Google AlloyDB、ClickHouse 合并优化

sql

代码解读

复制代码

-- AlloyDB实时分析示例 SELECT product_id, AVG(rating) OVER (PARTITION BY category), COUNT(*) AS review_count FROM reviews WHERE inserted_at > NOW() - INTERVAL '1 hour' GROUP BY product_id;

性能指标：

分析查询延迟<100ms
同时支持 10 万+并发事务
数据同步延迟<50ms

5. 数据编织（Data Mesh）架构

基于分布式治理的数据架构革命：

核心原则：
- 数据即产品
- 域驱动设计
- 自服务基础设施
关键技术：
Datomic、Delta Lake + Iceberg

clojure

代码解读

复制代码

;; Datomic不可变数据示例 (d/transact conn {:tx-data [ {:db/id #db/id[:db.part/user] :person/name "Alice" :person/email "alice@example.com"}]})

变革性优势：

数据所有权下放至业务单元
全局数据联邦查询能力
符合 GDPR 等合规要求

6. 边缘数据库

物联网与 5G 催生的轻量化数据处理方案：

关键特性：
- 亚秒级边缘-云端同步
- 有限硬件资源优化
- 断网自治能力
典型产品：
AWS Amplify DataStore、RocksDB Edge

javascript

代码解读

复制代码

// 边缘数据库同步示例（AWS Amplify） import { DataStore } from '@aws-amplify/datastore'; DataStore.configure({ fullSyncInterval: 24*60, // 每日全量同步 syncExpressions: [ syncExpression(Post, () => onNetworkStatusChange()) ] });

应用场景：