Proses Transisi Wikilink Obsidian ke Database Relasional Berbasis ID Blok
makedream2026年4月30日
0
Computing/Software
Comments (0)
Log in to leave a comment
No posts yet
makedreammakedreamLog in to leave a comment
No posts yet
Saat menggunakan Obsidian, Anda mungkin pernah mengalami situasi di mana mengubah satu nama file menyebabkan ratusan tautan yang terhubung menjadi rusak. Ketika jumlah dokumen bertambah menjadi ribuan, pengetikan pun menjadi lambat karena penundaan pengindeksan. Sistem berbasis file pada akhirnya memiliki batasan yang jelas. SiYuan menyelesaikan masalah ini dengan cara yang sederhana. Semua elemen didefinisikan sebagai blok yang dilengkapi dengan pengidentifikasi unik 20 digit dan dimasukkan ke dalam kernel SQLite. Karena sistem melacak ID blok, bukan nama file, tautan tidak akan pernah rusak tidak peduli seberapa jauh Anda memindahkan lokasi fisiknya. Faktanya, dalam lingkungan dengan puluhan ribu file Markdown, tingkat kesalahan referensi turun hingga di bawah 0,1% setelah beralih ke sistem blok.
Untuk memindahkan data tidak terstruktur ke database relasional, diperlukan skrip regex Python.
re Python untuk menemukan pola [[namafile#header]].((BlockID "anchor text")).Melalui proses ini, Anda dapat menghemat seluruh waktu yang biasanya terbuang untuk memulihkan tautan secara manual. Ini adalah saat di mana hubungan Kunci Asing (Foreign Key) database yang ketat lebih dibutuhkan daripada fleksibilitas sistem file.
Fakta bahwa seluruh basis pengetahuan dikelola dengan SQLite adalah senjata ampuh bagi teknisi senior. Alih-alih hanya mengikis teks biasa seperti di Obsidian, Anda dapat menarik data yang diinginkan secara dinamis menggunakan sintaks SQL standar. Tabel blocks sudah memiliki skema kolom yang mendetail seperti ID, teks lengkap Markdown, tipe, subtipe, dan lainnya. Bahkan saat menelusuri puluhan ribu catatan, kecepatan respons tetap dalam hitungan milidetik. Waktu latensi yang mengganggu alur kerja berkurang lebih dari 80% dibandingkan dengan pencarian sederhana di Obsidian.
Jika ingin mengelola cuplikan kode yang tersebar secara real-time, Anda harus menggabungkan blok tersemat (embedded blocks) dengan SQL.
SELECT * FROM blocks WHERE type = 'c' AND subtype = 'python'.AND content LIKE '%API%', dan gunakan ORDER BY created DESC untuk mengurutkan berdasarkan yang terbaru.Tidak perlu menginstal banyak plugin tambahan. Hanya dengan fitur bawaan, dasbor yang secara otomatis mengumpulkan kode Python yang tertanam di ribuan catatan berdasarkan topik pun selesai dibuat.
Kedaulatan data berasal dari kontainer Anda sendiri, bukan server orang lain. SiYuan secara resmi mendukung penerapan Docker. Dengan menggabungkan mesh VPN Tailscale, Anda dapat menyinkronkan catatan dengan aman di lingkungan Zero Trust tanpa harus membuka port ke luar. Ini adalah cara untuk melindungi data Anda tanpa khawatir tentang kerentanan penelusuran jalur atau serangan DoS WebSocket.
Berikut adalah prosedur untuk menjalankan instans dengan keamanan yang ditingkatkan di server pribadi atau NAS:
docker run dengan opsi -u 1000:1000 untuk mencocokkan UID/GID pengguna host dengan kontainer, serta pemetaan volume.http://siyuan-node:6806 melalui IP internal.Dengan menyusun arsitektur seperti ini, Anda tidak perlu membayar biaya langganan bulanan kepada layanan berbayar. Anda dapat menghemat biaya langganan lebih dari 100.000 won per tahun sambil mendapatkan keamanan yang lebih kuat.
Ketika jumlah data melebihi puluhan ribu, ruang kosong yang disebut tupel mati (Dead Tuples) akan menumpuk di dalam mesin SQLite. Jika performa pencarian tidak seperti dulu, inilah saatnya untuk membersihkan mesin. Karena kernel berbasis Go milik SiYuan memanfaatkan multi-core dengan baik, sebaiknya berikan sumber daya -cpus yang cukup pada kontainer Docker selama tahap pengindeksan awal. Perintah pemeliharaan harus dijalankan secara berkala agar rencana eksekusi kueri tidak kacau.
Untuk menjaga waktu respons pencarian di bawah 1 detik, langkah-langkah berikut harus dilakukan:
VACUUM SQLite.ANALYZE agar mesin SQL dapat menemukan jalur pencarian tercepat.assets, melainkan lakukan ubah ukuran gambar (resize) atau arahkan ke tautan eksternal untuk mengurangi ukuran indeks.Melakukan tugas ini secara berkala dapat menghemat hingga 60% dari total ruang penyimpanan. Inilah rahasia untuk mempertahankan kecepatan yang sama seperti saat pertama kali instalasi, bahkan ketika data bertambah secara eksponensial.