全栈进阶指南

边缘数据库：D1、R2、Vectorize 如何与 Hono 协同？

在边缘节点执行数据库查询

Cloudflare 的 D1（SQLite）、R2（对象存储）、Vectorize（向量数据库） 是专为边缘计算设计的数据库服务，它们与 Hono 框架深度集成，使得开发者能够在离用户最近的边缘节点上执行数据库操作，极大降低延迟，提升应用性能。

本文将深入探讨这三大边缘数据库如何与 Hono 协同工作，并展示如何在边缘节点直接执行数据库查询，构建真正“数据就近处理”的全栈边缘应用。

一、为什么边缘数据库至关重要？

传统架构	边缘架构
数据库集中于中心机房	数据库分布在全球边缘
请求需跨地域传输	数据在本地边缘节点处理
延迟高（100ms+）	延迟极低（< 10ms）
扩展成本高	自动扩展，按需计费

边缘数据库 + Hono = 数据处理不再“绕路”

二、Hono 与 Cloudflare 生态的完美契合

Hono 原生支持 Cloudflare Workers，并提供了对 D1、R2、Vectorize 的类型定义和中间件支持，使得在边缘操作数据库变得简单、类型安全。

Hono 可直接注入 env 中的数据库绑定；
支持 TypeScript 类型推断；
与 @cloudflare/workers-types 无缝集成。

三、D1：边缘 SQLite 数据库

D1 是 Cloudflare 的边缘 SQLite 数据库，数据自动复制到全球多个边缘位置，支持标准 SQL 查询。

1. 绑定 D1 到 Worker

在 wrangler.toml 中配置：

toml

[[d1_databases]]
binding = "DB" # 用于代码中访问
database_name = "my-app-db"
database_id = "xxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx"

2. 在 Hono 中使用 D1

// src/routes/users.ts
import { Hono } from 'hono'

type Env = {
  DB: D1Database
}

const app = new Hono<{ Bindings: Env }>()

// 获取所有用户
app.get('/users', async (c) => {
  const { results } = await c.env.DB.prepare(
    'SELECT id, name, email FROM users LIMIT 20'
  ).all()
  
  return c.json(results)
})

// 创建用户
app.post('/users', async (c) => {
  const { name, email } = await c.req.json()
  const { success } = await c.env.DB.prepare(
    'INSERT INTO users (name, email) VALUES (?, ?)'
  ).bind(name, email).run()
  
  if (success) {
    return c.json({ success: true }, 201)
  }
  return c.json({ error: 'Failed' }, 500)
})

export default app

优势

SQL 查询在边缘执行，无需回源；
支持事务、索引、JOIN；
适合用户数据、配置、日志等结构化数据。

四、R2：边缘对象存储

R2 提供零 egress 费用的对象存储，非常适合存储大文件（图片、视频、备份），并与 Hono 结合实现文件上传/下载服务。

1. 绑定 R2

toml

[[r2_buckets]]
binding = "ASSETS"
bucket_name = "my-app-assets"

2. 文件上传与下载

// src/routes/storage.ts
import { Hono } from 'hono'

type Env = {
  DB: D1Database
  ASSETS: R2Bucket
}

const app = new Hono<{ Bindings: Env }>()

// 上传文件
app.post('/upload', async (c) => {
  const form = await c.req.formData()
  const file = form.get('file') as File
  
  if (!file) return c.json({ error: 'No file' }, 400)

  await c.env.ASSETS.put(file.name, file.stream(), {
    httpMetadata: file,
    customMetadata: { uploadedBy: 'user-123' }
  })

  return c.json({ key: file.name })
})

// 下载文件
app.get('/download/:key', async (c) => {
  const key = c.req.param('key')
  const object = await c.env.ASSETS.get(key)
  
  if (!object) return c.notFound()

  const headers = new Headers()
  object.writeHttpMetadata(headers)
  headers.set('etag', object.httpEtag)

  return new Response(object.body, { headers })
})

export default app

优势

文件上传/下载在边缘完成；
无出口带宽费用；
支持版本控制、生命周期管理。

五、Vectorize：边缘向量数据库

Vectorize 是 Cloudflare 的向量数据库，专为 AI 应用设计，支持在边缘执行向量相似度搜索（如语义搜索、推荐系统）。

1. 创建向量表

sql

-- 在 D1 中创建向量表（或使用 Vectorize UI）
CREATE TABLE documents (
  id INTEGER PRIMARY KEY,
  content TEXT,
  embedding BLOB -- 存储向量
);

目前 Vectorize 仍处于早期阶段，可结合 D1 + Hono 在边缘执行轻量级向量搜索。

2. 使用 Hono + D1 实现语义搜索

// src/routes/search.ts
import { Hono } from 'hono'
import { embed } from '../lib/embedding' // 调用外部模型生成向量

type Env = {
  DB: D1Database
}

const app = new Hono<{ Bindings: Env }>()

// 向量化并存储文档
app.post('/docs', async (c) => {
  const { content } = await c.req.json()
  const vector = await embed(content) // 如调用 BERT、OpenAI 等
  
  await c.env.DB.prepare(
    'INSERT INTO documents (content, embedding) VALUES (?, ?)'
  ).bind(content, JSON.stringify(vector)).run()

  return c.json({ success: true })
})

// 语义搜索
app.get('/search', async (c) => {
  const q = c.req.query('q')
  const queryVector = await embed(q)
  
  // 简化的余弦相似度查询（实际应使用专用向量数据库）
  const results = await c.env.DB.prepare(
    `SELECT content, embedding FROM documents LIMIT 10`
  ).all()

  // 在边缘进行向量计算（适合小规模）
  const matches = results.results.map(row => {
    const vec = JSON.parse(row.embedding)
    const score = cosineSimilarity(queryVector, vec)
    return { content: row.content, score }
  }).sort((a, b) => b.score - a.score).slice(0, 5)

  return c.json(matches)
})

function cosineSimilarity(a: number[], b: number[]): number {
  const dot = a.reduce((sum, _, i) => sum + a[i] * b[i], 0)
  const magA = Math.sqrt(a.reduce((sum, val) => sum + val * val, 0))
  const magB = Math.sqrt(b.reduce((sum, val) => sum + val * val, 0))
  return dot / (magA * magB)
}

优势

向量搜索在边缘执行，低延迟；
适合聊天机器人、推荐系统、语义搜索；
可结合外部模型（如 OpenAI）生成嵌入。

六、完整应用示例：边缘博客系统

// src/index.ts
import { Hono } from 'hono'

type Env = {
  DB: D1Database
  ASSETS: R2Bucket
}

const app = new Hono<{ Bindings: Env }>()

// 静态资源
app.get('/images/*', (c) => {
  const key = c.req.path.replace('/images/', '')
  return c.env.ASSETS.get(key).then(res => res ? new Response(res.body) : c.notFound())
})

// 文章列表
app.get('/posts', async (c) => {
  const { results } = await c.env.DB.prepare(
    'SELECT id, title, excerpt FROM posts ORDER BY created DESC'
  ).all()
  return c.json(results)
})

// 语义搜索文章
app.get('/search', async (c) => {
  const q = c.req.query('q')
  const vector = await generateEmbedding(q)
  // ... 向量搜索逻辑
})

export default app

七、性能对比：边缘 vs 中心化数据库

操作	中心化数据库	边缘数据库（D1/R2）
读取用户数据	80-150ms	5-20ms
上传图片	500ms+	100-300ms（就近上传）
语义搜索	500ms+（需回源）	50-150ms（边缘计算）
扩展性	手动分片	自动扩展

在亚洲用户访问美国数据库的场景下，边缘数据库可降低 80% 以上延迟。

八、最佳实践

实践	建议
D1 用于结构化数据	用户、订单、配置等
R2 用于大文件存储	图片、视频、备份
Vectorize 用于 AI 搜索	结合外部模型生成嵌入
Hono 中间件处理错误	统一处理数据库连接失败
本地开发使用 D1 CLI	`wrangler d1 execute`
缓存热点数据	结合 Cache API 减少数据库压力

九、总结

数据库	用途	Hono 集成方式
D1	边缘 SQLite	`c.env.DB.prepare(...).all()`
R2	对象存储	`c.env.ASSETS.put/get()`
Vectorize	向量搜索	结合 D1 + 外部模型
Cache	边缘缓存	`c.caches.default`

Hono + D1 + R2 + Vectorize = 全栈边缘应用的终极组合。
你可以在同一个边缘函数中完成：

HTTP 路由（Hono）
结构化数据查询（D1）
文件存储（R2）
AI 语义搜索（Vectorize）

立即开始构建你的下一个低延迟、高扩展、智能化的边缘应用，让数据真正“触手可及”！

JS 进阶指南

JavaScript 引擎揭秘

es6+ 新特性手册

TS 练习册

深入浅出TS类型

css 基础

Vue 原理

vue_router

pinia

node

nest

hono 进阶

langchain 入门

docker 实践

nginx

设计模式手册

深入浅出函数式编程

MySQL零基础入门

边缘数据库：D1、R2、Vectorize 如何与 Hono 协同？

一、为什么边缘数据库至关重要？

二、Hono 与 Cloudflare 生态的完美契合

三、D1：边缘 SQLite 数据库

1. 绑定 D1 到 Worker

2. 在 Hono 中使用 D1

优势

四、R2：边缘对象存储

1. 绑定 R2

2. 文件上传与下载

优势

五、Vectorize：边缘向量数据库

1. 创建向量表

2. 使用 Hono + D1 实现语义搜索

优势

六、完整应用示例：边缘博客系统

七、性能对比：边缘 vs 中心化数据库

八、最佳实践

九、总结

边缘数据库：D1、R2、Vectorize 如何与 Hono 协同？ ​

一、为什么边缘数据库至关重要？ ​

二、Hono 与 Cloudflare 生态的完美契合 ​

三、D1：边缘 SQLite 数据库 ​

1. 绑定 D1 到 Worker ​

2. 在 Hono 中使用 D1 ​

优势 ​

四、R2：边缘对象存储 ​

1. 绑定 R2 ​

2. 文件上传与下载 ​

优势 ​

五、Vectorize：边缘向量数据库 ​

1. 创建向量表 ​

2. 使用 Hono + D1 实现语义搜索 ​

优势 ​

六、完整应用示例：边缘博客系统 ​

七、性能对比：边缘 vs 中心化数据库 ​

八、最佳实践 ​

九、总结 ​

边缘数据库：D1、R2、Vectorize 如何与 Hono 协同？

一、为什么边缘数据库至关重要？

二、Hono 与 Cloudflare 生态的完美契合

三、D1：边缘 SQLite 数据库

1. 绑定 D1 到 Worker

2. 在 Hono 中使用 D1

优势

四、R2：边缘对象存储

1. 绑定 R2

2. 文件上传与下载

优势

五、Vectorize：边缘向量数据库

1. 创建向量表

2. 使用 Hono + D1 实现语义搜索

优势

六、完整应用示例：边缘博客系统

七、性能对比：边缘 vs 中心化数据库

八、最佳实践

九、总结