القائمة
Guide complet SQLite — base de données embarquée, CLI, optimisation, WAL mode, FTS5, extensions, et intégration Python/Go/Rust.
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/JohnNuwan/EVA_CORE --skill sqliteيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
Concevoir et maintenir un watchdog auto-correcteur pour services HTTP — checks de santé, auto-restart, état persistant, rapports et pièges bash.
Serveur de messagerie sécurisé auto-hébergé (Signal-like) avec Flask + WebSocket + AES-256-GCM + pont EVA
ADAM-SENTINEL — Veilleur technologique 24h/24h. Scanne 10 domaines, cree des rapports, met a jour les skills, alerte sur les CVE et breaking changes.
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | sqlite |
| description | Guide complet SQLite — base de données embarquée, CLI, optimisation, WAL mode, FTS5, extensions, et intégration Python/Go/Rust. |
| version | 1.0.0 |
| author | EVA & communauté EVA |
| license | Privée EVA St-Étienne |
| platforms | ["linux","macos","windows"] |
| metadata | {"EVA":{"tags":["sqlite","base-de-donnees","embarqué","sql","fts5","wal","performance"],"homepage":"https://www.sqlite.org/","related_skills":["postgresql","mysql","optimisation-performance","sauvegarde-restauration"]}} |
| prerequisites | {"commands":["sqlite3"]} |
SQLite est le moteur de base de données le plus déployé au monde (chaque smartphone, navigateur, et des milliards d'appareils l'embarquen). Ce n'est pas un client-serveur, mais une bibliothèque C qui lit/écrit directement un fichier .db ou .sqlite. Il supporte les transactions ACID, les index, les CTE, les window functions, FTS5 (full-text search), et les extensions.
Sa force : zéro configuration, zéro administration, portable, extrêmement fiable (tests > 100x ceux de PostgreSQL).
Activez cette compétence lorsque l'utilisateur :
# Créer/ouvrir une base
sqlite3 eva_data.db
# Mode colonnes (lisible)
sqlite3 -column -header eva_data.db "SELECT * FROM mesures LIMIT 5;"
# Exécuter un fichier SQL
sqlite3 eva_data.db < schema.sql
SQLite n'a pas de types stricts comme PostgreSQL. Il utilise des affinités :
| Type Déclaré | Affinité | Stockage |
|---|---|---|
| INT, INTEGER, BIGINT | INTEGER | 1-8 bytes |
| TEXT, CHAR, VARCHAR | TEXT | UTF-8 |
| REAL, FLOAT, DOUBLE | REAL | 8 bytes IEEE |
| BLOB | BLOB | tel quel |
| NUMERIC, DECIMAL | NUMERIC | INTEGER ou REAL |
-- Mode strict : rejette les types incorrects
CREATE TABLE mesures (
id INTEGER PRIMARY KEY,
temperature ,
horodatage TEXT
) STRICT;
# Connexion
sqlite3 eva_data.db
# Activer les foreign keys (désactivé par défaut !)
PRAGMA foreign_keys = ON;
# Mode WAL (Write-Ahead Logging) — lecture sans blocage
PRAGMA journal_mode = WAL;
# Cache taille (nombre de pages, 1 page = 4KB)
PRAGMA cache_size = -64000; # 64 MB (négatif = kilo-octets)
# Synchronisation (sécurité vs performance)
PRAGMA synchronous = NORMAL; # NORMAL (bon compromis), FULL (sûr), OFF (risqué)
# Temp store
PRAGMA temp_store = MEMORY; # stocker les temp en RAM
# Cache partagé (multi-connexion)
PRAGMA mmap_size = 268435456; # 256 MB de memory-mapped I/O
# Optimisation du query planner
PRAGMA automatic_index = ON;
PRAGMA optimize; # optimise les statistiques (appeler périodiquement)
# ~/.sqliterc
.headers on
.mode column
.nullvalue NULL
.timer on
Le mode WAL (Write-Ahead Logging) est le mode recommandé pour presque tous les usages modernes :
sqlite3 eva_data.db
PRAGMA journal_mode = WAL;
-- Retourne : wal
-- Forcer l'écriture du WAL dans le fichier principal
PRAGMA wal_checkpoint;
-- Checkpoint bloquant (sûr, mais bloque les lectures)
PRAGMA wal_checkpoint(PASSIVE);
PRAGMA wal_checkpoint(FULL);
PRAGMA wal_checkpoint(RESTART); -- verrou exclusif, compacte complètement
-- Taille du WAL avant auto-checkpoint (défaut: 1000 pages = ~4MB)
PRAGMA wal_autocheckpoint = 500; -- toutes les 500 pages (~2MB)
-- Table virtuelle FTS5
CREATE VIRTUAL TABLE articles_fts USING fts5(
titre,
contenu,
categorie UNINDEXED, -- pas indexée dans le FTS
tokenize='porter unicode61', -- stemmer anglais + Unicode
content='articles', -- synchronisé avec la table réelle
content_rowid='id'
);
-- Table réelle associée
CREATE TABLE articles (
id INTEGER PRIMARY KEY,
titre TEXT NOT NULL,
contenu TEXT NOT NULL,
categorie TEXT,
date_publication TEXT
);
-- Synchroniser les données
INSERT INTO articles_fts(rowid, titre, contenu)
SELECT id, titre, contenu FROM articles;
-- Trigger pour maintien de la synchronisation
CREATE TRIGGER articles_ai AFTER INSERT ON articles BEGIN
INSERT INTO articles_fts(rowid, titre, contenu)
VALUES (new.id, new.titre, new.contenu);
END;
CREATE TRIGGER articles_ad AFTER DELETE ON articles BEGIN
INSERT INTO articles_fts(articles_fts, rowid, titre, contenu)
VALUES ('delete', old.id, old.titre, old.contenu);
END;
CREATE TRIGGER articles_au AFTER UPDATE ON articles BEGIN
INSERT INTO articles_fts(articles_fts, rowid, titre, contenu)
VALUES ('delete', old.id, old.titre, old.contenu);
INSERT INTO articles_fts(rowid, titre, contenu)
VALUES (new.id, new.titre, new.contenu);
END;
-- Recherche basique (AND implicite)
SELECT * FROM articles_fts WHERE articles_fts MATCH 'machine learning';
-- Opérateurs booléens
SELECT * FROM articles_fts WHERE articles_fts MATCH 'temperature AND (pression OR vibration)';
SELECT * FROM articles_fts WHERE articles_fts MATCH 'capteur NOT obsolete';
-- Phrase exacte
SELECT * FROM articles_fts WHERE articles_fts MATCH '"deep reinforcement learning"';
-- Préfixe
SELECT * FROM articles_fts WHERE articles_fts MATCH 'optim*';
-- Near (proximité)
SELECT * FROM articles_fts WHERE articles_fts MATCH 'NEAR(erreur, capteur, 5)';
-- Classement par pertinence (bm25)
SELECT *, bm25(articles_fts) AS score
FROM articles_fts
WHERE articles_fts MATCH 'machine learning'
ORDER BY score;
-- Rang avec highlight
SELECT *, highlight(articles_fts, 1, '<b>', '</b>') AS extrait
FROM articles_fts
WHERE articles_fts MATCH 'machine learning'
ORDER BY rank;
-- Unicode (support accents mieux que simple)
CREATE VIRTUAL TABLE text_unicode USING fts5(
content, tokenize='unicode61'
);
-- Trigram (recherche approximative et sous-chaîne)
CREATE VIRTUAL TABLE text_trigram USING fts5(
content, tokenize='trigram'
);
-- Personnalisé avec paramètres
CREATE VIRTUAL TABLE text_custom USING fts5(
content,
tokenize='porter unicode61 remove_diacritics 2 tokenchars ''-_'''
);
-- Index seulement sur les capteurs actifs
CREATE INDEX idx_capteurs_actifs ON capteurs(valeur)
WHERE statut = 'ACTIF';
-- Index qui ignore les NULL (économise espace)
CREATE INDEX idx_mesures_temperature ON mesures(temperature)
WHERE temperature IS NOT NULL;
-- Pour ORDER BY DESC
CREATE INDEX idx_mesures_ts_desc ON mesures(horodatage DESC);
import sqlite3
conn = sqlite3.connect('eva_data.db')
conn.execute('PRAGMA journal_mode = WAL')
conn.execute('PRAGMA foreign_keys = ON')
conn.execute('PRAGMA cache_size = -64000')
conn.execute('PRAGMA synchronous = NORMAL')
# Row factory (accès par nom de colonne)
conn.row_factory = sqlite3.Row
# Execution multiple
conn.executemany(
'INSERT INTO mesures (capteur_id, temperature, horodatage) VALUES (?, ?, ?)',
[(42, 23.5, '2025-06-15T10:00:00'), (42, 23.7, '2025-06-15T10:01:00')]
)
conn.commit()
# 100x plus rapide que des INSERT individuels
def bulk_insert(data):
conn.execute('BEGIN TRANSACTION')
for row in data:
conn.execute('INSERT INTO mesures VALUES (?, ?, ?)', row)
conn.commit()
# Import CSV vers SQLite
sqlite3 eva_data.db ".mode csv" ".import /data/mesures.csv mesures"
# Export SQLite vers CSV
sqlite3 -header -csv eva_data.db "SELECT * FROM mesures WHERE temperature > 100" > alertes.csv
# Export JSON
sqlite3 -json eva_data.db "SELECT * FROM mesures LIMIT 10" > mesures.json
# Import JSON (SQLite 3.45+)
sqlite3 eva_data.db "INSERT INTO mesures SELECT * FROM json_each(readfile('mesures.json'));"
# Backup en ligne (sûr même avec WAL)
sqlite3 eva_data.db ".backup /backup/eva_data_$(date +%Y%m%d).db"
# Via la commande .backup
sqlite3 eva_data.db "VACUUM INTO '/backup/eva_data_clean.db'"
# Restauration
sqlite3 eva_data_restored.db ".restore /backup/eva_data_20250601.db"
-- Vérifier l'utilisation des index
EXPLAIN QUERY PLAN
SELECT * FROM mesures
WHERE capteur_id = 42
AND horodatage >= '2025-06-01'
ORDER BY horodatage DESC;
-- Résultats :
-- |--SEARCH mesures USING INDEX idx_mesures_lookup (capteur_id=? AND horodatage>?)
-- |--USE TEMP B-TREE FOR ORDER BY (si pas couvert par l'index)
-- Espace inutilisé dans la base
PRAGMA freelist_count;
-- Compactage
VACUUM;
-- Analyse des statistiques (pour l'optimiseur)
ANALYZE;
# Timer sur chaque requête
sqlite3 -timer eva_data.db "SELECT COUNT(*) FROM mesures;"
# .stats on
sqlite3 eva_data.db ".stats on" "SELECT COUNT(*) FROM mesures;"
Foreign keys désactivées par défaut. Toujours exécuter PRAGMA foreign_keys = ON; après chaque connexion. SQLite ne les active pas automatiquement.
Écritures concurrentes bloquées. Sans WAL, un writer bloque tous les lecteurs. Toujours utiliser PRAGMA journal_mode = WAL;.
Pas de transactions explicites pour les batchs. 1000 INSERT individuels = 1000 fsync = très lent. Toujours envelopper dans BEGIN...COMMIT.
VACUUM sans espace disque. VACUUM double temporairement la taille du fichier. Vérifier l'espace disque disponible avant.
Index inutiles sur des petites tables. SQLite charge une table entière rapidement si < 1000 lignes. L'index ajoute juste de la lenteur en écriture.
LIKE avec % en début. LIKE '%vibration' ne peut pas utiliser d'index. Utiliser FTS5 pour la recherche plein texte.
PRAGMA journal_mode = WAL activéPRAGMA foreign_keys = ON après chaque connexionPRAGMA cache_size = -64000 (64MB minimum)PRAGMA synchronous = NORMALVACUUM et ANALYZE périodiques.backup (sûr même en ligne)EXPLAIN QUERY PLAN vérifié pour les requêtes lentes