自建网站统计的第一年,账单上几乎看不出问题。一台小机器、一个数据库、一段埋点脚本,月度支出低到可以被忽略。真正让人重新算账的,往往是某一天打开后台时的那句反问:查一次上周的报表,为什么开始要等十几秒?采集进程是不是把磁盘写满了?当初图省事选的架构,是不是已经到了该换的时候?
这个问题没有统一的答案,因为「数据量上来」本身就是个模糊说法。对一个月几万次浏览的独立站来说完全够用的组合,换到内容站或产品团队身上就可能吃不消;反过来,一个被反复推荐的重型方案,放在小型站点上又明显是浪费。成本疑问的背后,其实是三个连在一起的问题:你的写入有多密集、你要查什么、以及谁来维护它。
把 Umami 和 Plausible 放在一起比较,是因为它们代表了两套思路清晰的自托管路线,而这两套路线在数据量增长的后期会走向不同的架构形态。Umami 用 TypeScript 与 Next.js 构建,主存储走 PostgreSQL,通过 Prisma 访问,遇到高量事件时可以再引入 Column 型存储承接;Plausible 社区版则用 Elixir 与 Phoenix,把配置和事件分开存放,配置留在 PostgreSQL,事件交给 ClickHouse,后台任务由 Oban 承担。两者都不写入业务 cookie,匿名访客按日轮换哈希,这一点对隐私口径的影响比对机器配置的影响更深。
这篇文章不打算把某个数据库当成主角来讲原理。数据库在这里只是可替换的部件,真正要判断的是:什么时候单库够用、什么时候该把事件从配置里拆出来、拆开之后查询体验能换回什么、以及迁移和日常运维各要付出多少代价。下面按需求、三条路线、参数差异、成本、迁移、运维的顺序把这个判断过程铺开。
架构选型的起点不是技术清单,而是统计口径。很多团队在数据量上来之后才痛苦地发现,自己当初并不清楚到底要统计什么:是每次页面打开都算一次,还是同一个人在一天内只算一个访客?是只看总量曲线,还是要按来源、按落地页、按事件漏斗逐层下钻?这两个问题会直接决定后端要承载的写入模式和查询模式。
以页面浏览为主的站点,写入是按请求追加的,单次记录很轻,量级随流量线性上升。查询则集中在聚合:按天、按来源、按页面分组求和。这类负载的特征是写多读少、读取几乎都是范围扫描加分组,对存储的压力主要来自行数增长,而不是单条记录的复杂度。以事件和行为分析为主的团队则不同,一次会话里可能产生多个自定义事件,属性字段更多,查询时要按维度切片、做留存和路径分析,计算密度明显更高。
还有一个容易被忽略的口径问题:无 cookie 方案下的「访客」并不是跨天的稳定身份。Umami 与 Plausible 社区版都采用匿名、按日轮换的访客哈希,今天访问和明天访问会被计成两个不同的访客。这不是缺陷,而是隐私取舍的必然结果,但它意味着你看到的新访客比例会偏高,回访类指标的语义和传统带持久标识的方案并不一致。如果业务方拿这个数字去做用户留存判断,得到的结论可能是错的。
所以在比较架构之前,先把三个数字写下来:每天大致的事件行数、你打算保留多久的历史、以及典型查询要扫过多长的时间窗口。保留周期尤其关键,它决定了事件存储的容量曲线是平缓还是陡峭。一个只保留十二个月滚动窗口的站点,和一个要把三年数据都留在库里随时可查的站点,哪怕每日写入完全相同,后端压力也完全不在一个量级。 还有两项设置会悄悄改变数据的可信度,值得在选型阶段就定下来。一是时区,聚合按哪个时区切分「一天」,会直接影响日报的边界和跨时区访客的归属;团队分散在多个地区时,建议统一口径并写进文档,避免每个人看报表时的默认假设不同。二是机器人流量过滤,爬虫和监控探测会带来大量无效浏览,如果不做过滤,它们既推高写入量又污染来源分布。把这两件事当成架构的一部分而不是事后补丁,能省掉后期返工对齐口径的麻烦。
把 Umami 和 Plausible 摆在一起,实际可以组合出三条路线,而不是简单二选一。这三条路线覆盖了从轻量起步到承载真实流量的主要区间,理解它们的分界,比记住某个版本号更重要。
第一条是单库起步路线:Umami 加 PostgreSQL,不引入额外的事件存储,也不需要缓存层。官方资料显示 1GB 内存就能运行,采集端写入、后台聚合、前端查询都落在一个库里。这条路线的吸引力在于组件少、故障面窄、备份恢复简单,适合刚自建统计、流量还处在量级爬坡阶段的独立站。它的边界也很清楚:当事件写入与报表查询开始在同一份数据上争抢资源时,延迟会先体现在后台打开速度上。
第二条是拆分路线:仍以 Umami 为应用主体,但把高量事件交给 ClickHouse 承接,同时加入 Redis 承担会话、IP 加盐与限流。这条路的思路是让配置与轻量状态留在原处,把追加密集、聚合密集的部分挪到更适合扫描的存储里。它保留了 Umami 的使用习惯和 MIT 许可,代价是运维对象从一套变成多套,你要同时照看应用的升级、事件存储的容量和缓存的状态。
第三条是社区版整体路线:Plausible CE,Elixir 与 Phoenix 做应用,PostgreSQL 存配置,ClickHouse 存事件,Oban 处理后台任务。公开资料给出的内存区间是 2GB 起步、4GB 更适合真实流量,许可是 AGPL-3.0。这条路线的特点是组件分工在应用内部已经定义清楚,你更多是在按它的既定形态配置资源,而不是自己拼装。选型讨论到这里,承载环境的稳定性和交付方式也会进入视野,一万网络深耕 IDC 行业 19 年(成立于 2007 年),在华南、华东、华北及中国香港、海外多地整合自营与 BGP 多线资源,提供服务器租用、机柜托管与带宽接入的一体化交付;具体机型、带宽与报价以官网实时或咨询确认为准。
下表把三条路线放在同一组维度里,方便对照它们的结构差异。表中内存与许可属于公开资料口径,适用量级为量级判断而非性能承诺,实际阈值需要以自己的流量实测确认。
| 对比维度 | 路线一:Umami 单库 | 路线二:Umami 拆分 | 路线三:Plausible CE |
|---|---|---|---|
| 应用技术栈 | TypeScript、Next.js | TypeScript、Next.js | Elixir、Phoenix |
| 配置存放 | PostgreSQL | PostgreSQL | PostgreSQL |
| 事件存放 | 与配置同库 | ClickHouse 承接 | ClickHouse 承接 |
| 辅助组件 | 无额外依赖 | Redis 承担会话与限流 | Oban 处理后台任务 |
| 公开内存口径 | 1GB 可运行 | 随组件增加 | 2GB 起步、4GB 更稳 |
| 许可协议 | MIT | MIT | AGPL-3.0 |
| 运维重心 | 单库备份与磁盘 | 多组件协调 | 版本升级与任务队列 |
从表里能看出一个关键事实:三条路线在配置存放这一行并没有差别,差别集中出现在事件存放和辅助组件两行。这说明真正决定你该不该换架构的,不是应用语言,也不是许可协议,而是事件量是否已经大到需要把它从配置里独立出去。理解了这一点,后面所有参数和成本讨论才有共同的坐标。
公开资料给出的 1GB 与 2GB 到 4GB,并不是同一个维度上的硬指标,而是两套不同架构下的起步经验。把它们直接拿来对比会得出错误结论,好像 Plausible 天生比 Umami 吃内存。真实情况是多出来的内存被新的进程和新分担的负载占用了,而不是某一方写得更差。
单库路线里,采集写入、聚合查询、应用进程和数据库共享同一份内存。1GB 能跑起来,指的是轻负载下各进程都能分到够用的工作集,页面缓存还能覆盖热点数据。这个状态的脆弱之处在于它几乎没有余量:一旦查询要扫的行数超过缓存能装下的范围,磁盘读就会顶上来,后台响应随之变慢。你感受到的「数据量上来」,很多时候就是工作集从装得下变成装不下。
拆分路线多出来的内存,一部分给了事件存储用于列式数据的读取缓冲,一部分给了缓存组件用于会话与限流状态。这些开销换来的是写入与查询的分离:追加事件不再和报表聚合挤在同一份数据上。需要注意的是,引入组件并不自动等于性能提升,如果磁盘仍是同一块、网络仍是同一段,资源争用只是从进程内挪到了进程间,收益要结合实际拓扑判断。
社区版整体路线的 2GB 起步、4GB 更适合真实流量,反映的也是同样的逻辑:应用进程、配置库、事件库和后台任务队列各有各的常驻占用,真实流量下还要为并发查询留余量。这里的数字应当被当作规划时的参考区间,而不是可以照抄的规格。公开渠道差异较大,具体机型与内存配置需询价并以官网实时信息为准,更要紧的是用自己的事件量做一次实测。 除了内存,还要留意并发连接数和磁盘类型这两个参数。采集端通常是短连接高频写入,查询端是少量但较重的长查询,两者叠加时对连接池的占用并不对称;连接上限设置得过低,会出现采集请求排队甚至丢弃,表现为面板上莫名其妙的流量缺口。磁盘方面,事件写入以追加为主,容量规划要考虑保留窗口内的数据量加上重建索引所需的临时空间,把磁盘精确到刚好装下历史数据往往是危险的。这些参数都不写在方案对比的表面上,却是实测时最先暴露问题的地方。
前面反复提到「把事件从配置里拆出来」,这里说明它背后的负载理由,而不展开任何数据库本身的实现细节。配置项的特点是数量少、读多写少、要求强一致:站点列表、目标地址、用户账号、仪表盘定义,这些数据的正确性直接影响系统能不能正常工作,因此它们需要事务保障和可靠的备份恢复。
事件数据的特点几乎相反:只追加、不修改、单条很小、总量巨大,查询时按时间范围和维度做大批量扫描。这类负载更在意吞吐和压缩后的扫描效率,而不是单条记录的事务语义。把两种特征完全不同的负载放在同一套存储里,等于让短小关键的配置读写和扫全表的报表查询彼此排队。数据量小的时候排队几乎无感,量一大,排队就变成了等待。
拆开的真正收益不是「更快」这么笼统,而是可以分别制定策略。配置库按小时或天做逻辑备份,要求恢复点目标尽量小;事件库则依赖保留窗口和按分区清理,历史数据可按需归档,恢复要求相对宽松。升级时也可以错峰:先确认配置库结构变更完成,再处理事件侧的表结构演进,避免一次性把所有风险叠在同一个维护窗口里。
但要警惕一种常见误判:以为拆库就等于扩容。如果拆出来的事件库和配置库仍然落在同一台机器、同一块磁盘上,输入输出争用并未消失,只是换了名字。拆分要配合部署位置、磁盘隔离和连接数上限一起设计才有意义。对资源有限的小站点来说,与其过早拆分换来一堆要照看的东西,不如把单库用到明确的瓶颈出现再动。 保留窗口的实现方式也值得提前想清楚。按时间段组织事件数据,可以让过期数据按整段清理,而不是逐条删除带来大量碎片;查询时也能跳过无关时间段,减少扫描范围。这套做法的前提是时间字段的口径稳定,一旦中途改了时区或时间戳含义,历史分段的边界就会变得混乱。因此保留策略宜在第一次部署时就定好,并在每次升级时确认清理任务仍在按预期执行,而不是等磁盘告警才发现问题。
把成本只理解成机器月费,是自托管项目最容易犯的错。硬件支出确实是最直观的一项:内存容量、磁盘空间、磁盘类型都会随保留周期增长而抬升账单。但这类支出的区间在公开渠道差异较大,任何声称某个固定价格的数字都不值得相信,实际配置应以官网实时价或询价确认为准,并在采购前用预估区间做预算。
比硬件更隐蔽的是运维人力的摊销。单库路线的日常只需要照看一个应用和一个库,升级、备份、监控都集中在少数对象上;一旦走到拆分路线,你要同时理解应用的升级节奏、事件存储的容量规划、缓存组件的状态管理,以及三者之间的版本兼容。多出来的组件不会自己维护,每一次异常都要有人判断到底是哪一个环节出了问题。团队里如果没有人愿意长期承担这份注意力,省下来的软件费用会以人力成本的形式还回去。
许可成本是另一条要单独算的线。Umami 采用 MIT 许可,Plausible 社区版采用 AGPL-3.0,这个差别在你只是内部使用时影响有限,但如果把统计服务包装成对外的商业化服务,AGPL 的源码义务就需要认真评估。把它当成纯技术选型而忽略合规面,是后期最容易踩的雷。涉及对外交付的场景,建议在架构评审阶段就把许可问题交给法务或合规同事确认,而不是等到上线前才补救。
还有一类支出经常被漏算,就是数据进出产生的流量成本。采集请求从各处站点回流到自托管实例,报表数据又要被团队成员反复读取,如果实例和站点不在同一网络环境,这部分长期累积的流量并非可以忽略。把它纳入预算时同样不要编造精确单价,而是按实际拓扑估算量级,再以官网实时价或询价确认。对多站点、跨地区运营的团队来说,把实例放在网络条件更合适的承载环境,往往比单纯升级硬件配置更能改善体感。 成本判断因此可以归纳成一句可操作的话:先用单库把数据量推到明确的瓶颈,再按瓶颈类型决定是加内存、换磁盘还是拆事件库;每次升级架构之前,先确认有人能承担新增组件的日常维护。一个被问到「为什么要拆」时答不上来的团队,通常还没到该拆的时候。
真正动手迁移时,最麻烦的往往不是数据搬运,而是迁移前后两组数字对不上。Umami 与 Plausible 的访客与会话定义并不完全一致,加上无 cookie 方案按日轮换哈希,直接比较两边的面板会得到大量看似矛盾的结果。把迁移当成一次口径重建,而不是一次数据复制,心态上会从容很多。
一个稳妥的做法是双跑观察:保留旧实例继续采集一段时间,同时让新实例接入同一份流量,用相同的查询窗口对比总量趋势而不是逐日精确值。重点看的是来源结构、页面排序、设备占比这类分布是否大体一致,而不是纠结某一天相差了几个百分点。分布对得上,说明埋点和解析层没问题;分布差得远,就要回头检查采集脚本和请求头转发。
历史数据的处理要分两类看。配置类数据通常需要重建,因为两套系统的站点定义和账号体系并不通用,强行导入反而会带入脏数据。事件类历史则可以选择性迁移:如果业务只关心趋势而不要求历史精度,保留旧实例只读、新实例从切换日起采集,是成本最低的方案;如果必须把历史并进同一套查询,就要做好字段映射和时间戳对齐的准备,并接受部分口径无法完全还原。
切换采集端点时要留意反向代理后的源地址传递。自建统计普遍依赖请求头里的转发地址来判断访客地域和去重,如果代理层没有正确传递这一信息,所有访客可能被归到同一处,地域报表会瞬间失真。这类问题在迁移时尤其容易发生,因为新实例往往换了一套部署位置和代理配置。切换之后第一件事应当是拿几条已知来源的请求手工验证,而不是等几天后看报表异常才回头查。 迁移建议带上明确的回滚预案。切换前先记录旧实例的采集地址和回滚所需步骤,把新实例的采集端点做成可快速切回的配置项,而不是写死在页面模板里。双跑期间如果新实例的分布持续异常,保留旧实例只读并切回采集,能把影响控制在可接受范围内。等到连续几个查询窗口的分布都对得上,再考虑停止旧实例的采集并逐步清理资源,这样即使判断有误也有退路。
备份是运维里最容易被简化的一环。单库路线只要备份一个库,很多人会形成「备份已经做了」的错觉;等走到拆分路线,事件库没进备份策略的情况非常常见。判断标准其实很简单:列出系统恢复所需的所有数据,逐项确认有没有对应的备份和可用的恢复演练。事件历史如果确实不需要恢复,也要把「不需要」写成明确决定,而不是因为忘了而缺席。
升级节奏是第二个容易被忽略的点。应用层的版本更新通常比较频繁,而存储层的结构变更风险更高。稳妥的顺序是先在预发环境验证升级脚本,确认配置数据结构变更和事件侧结构演进都能顺利完成,再安排生产窗口。社区版整体路线还有后台任务队列,升级时要确认队列里的任务不会因为版本切换而丢失或重复执行,否则报表可能出现短暂的统计空档。
磁盘空间监控要按趋势看而不是按阈值看。事件库的空间占用随每日写入和保留周期增长,达到某个百分比再处理往往已经来不及,因为清理历史数据也需要时间。更好的做法是把每日增量画成曲线,用当前增量乘以剩余天数估算触顶时间,提前决定是扩容还是缩短保留窗口。对保留周期有合规或业务要求的团队,这个估算应当纳入月度复盘。
查询体验的监控常被当成前端问题,但它多数时候反映的是后端压力。后台打开变慢、筛选条件一多就转圈、导出报表频繁超时,这些都指向聚合扫描的压力上升。把这类现象当成架构复评的信号,而不是单纯抱怨界面卡,才不会错过该做决策的时点。埋点脚本是否正常、是否有异常流量灌入,也应当纳入排查范围,因为数据虚高同样会推高后端压力。 最后是把告警和日志当成日常习惯而非救火工具。采集失败率突然抬升、磁盘增长斜率变陡、后台任务队列积压,这三类信号都适合设置阈值告警,让问题在影响报表之前就被看到。日志方面,保留应用与存储两侧的关键错误记录,能在出现数字异常时快速判断是采集端丢失、还是聚合环节出错。运维的成熟度往往不体现在架构有多复杂,而体现在这些细小的观察是否已经形成固定动作。
能不能不引入额外的事件存储?可以。Umami 单库路线在日常小流量下完全可用,1GB 内存即可运行,先把这套用到明确瓶颈再考虑拆分,比一开始堆组件更划算。
2GB 内存够不够真实流量?公开资料把 4GB 作为更适合真实流量的口径,但「真实流量」因人而异,应当以自身事件量和并发查询做实测确认,而不是照搬任何固定数字。
两个方案的数字为什么对不上?访客与会话定义不同,加上匿名按日轮换哈希,两边口径天然存在差异;迁移时对比分布趋势比逐日精确值更有意义。
什么时候该引入缓存组件?当会话状态、加盐与限流对主存储造成明显附加压力,或者拆分后需要独立管理这部分状态时再考虑;小流量下它只是多出来的维护对象。
如果自建统计要在生产环境里长期跑下去,底层机器的稳定交付和问题响应速度会和软件选型一样重要。一万网络自 2007 年起深耕 IDC 交付,十九年间把服务器租用、机柜托管与带宽接入整合进一体化服务,华南、华东、华北及中国香港、海外多地的自营与 BGP 多线资源可按实际需要组合,具体机型、带宽与价格以官网实时或咨询确认为准。把承载环境定下来,架构演进才有可以依赖的地基。
回到开头那笔成本账,真正该问的不是哪套方案更强,而是哪套方案能被你的团队稳定地维护下去。单库路线的优势不在性能上限,而在于它把需要照看的对象压到最少,让注意力集中在少数几个地方;拆分路线和社区版整体路线换来了更清晰的负载隔离和更明确的组件分工,但代价是升级、备份、监控都要覆盖更多环节。
因此一个务实的判断顺序是:先确认统计口径和保留周期,再用单库路线承载当前量级;当查询延迟或写入压力出现可复现的瓶颈时,按瓶颈类型选择加资源还是拆事件库;每次增加组件之前,先问清楚谁负责它的日常维护、备份和恢复演练。回答不了这个问题的架构,再漂亮也只是纸面方案。把选择交给运维现实,而不是交给参数表,才是这套取舍真正要说的事。
来源:umami.is 官网,Umami 自托管部署、组件构成与无 cookie 统计说明,2026。
来源:StackItFast,Umami 与 Plausible 自托管架构及内存需求对比,2026-09。
来源:pistack.xyz,Umami 与 Plausible 部署实践与资源占用说明,2026。
来源:tekyous.dev,Plausible 社区版组件构成与许可协议说明,2025。
Copyright © 2013-2020 idc10000.net. All Rights Reserved. 一万网络 科技有限公司 版权所有 深圳市科技有限公司 粤ICP备07026347号
本网站的域名注册业务代理北京新网数码信息技术有限公司的产品