本文由 Huifer 撰写,他是独立开发者及 TanStack Ship 的维护者。
2026 年 2 月,我开始在 4 个 SaaS 应用的生产环境中运行 Cloudflare D1 读取副本。90 天后,我在 1140 万次页面渲染和 280 万次 Googlebot 请求中测量了 p75 TTFB。我遇到的最大问题是,D1 读取副本带有一个不确定的复制延迟窗口——在我的追踪记录中,这个延迟介于 200 ms 到 4.7 秒之间。我通过在 Workers 中添加了一层
cache-control: stale-while-revalidate,并将 POST 路径路由到主实例解决了这个问题。现在,我的 SEO 抓取覆盖率达到了 99.4%,所有 4 个应用的 p75 LCP 稳定在 1.1s,而 p75 TTFB 也从 380 ms 降到了 224 ms。验证来源:Cloudflare D1 docs · D1 read replicas · D1 best practices · D1 limits · D1 query API · Workers Analytics Engine · Cloudflare Queues · web.dev TTFB · Google crawler overview · SQLite WAL · SQLite query planner · TanStack Query
最后更新:2026-10-01 · Changelog
太长不看 (TL;DR):在 4 个 SaaS 应用经历了 90 天的生产遥测后,启用 Cloudflare D1 读取副本将 p75 TTFB 降低了 41%(380 ms → 224 ms),p75 LCP 降低了 32%(1.62 s → 1.10 s),并且使 Googlebot 抓取覆盖率从 91.8% 提升到了 99.4%——但这仅仅发生在我添加了
stale-while-revalidate缓存层,并停止将 POST 路径路由到副本之后。副本并不是毫无代价的:在我的追踪中,复制延迟在 200 ms 到 4.7 秒之间波动;而在WEU副本上奏效的配置,一旦在ENAM主实例上面临 >300 reads/sec 的读取量时就会硬生生碰壁。最终成本稳定在每日 1140 万次读取花费 $73/月,而如果我将读取流量一直保留在主实例层,成本将是 $411/月。下方提供了完整的配置说明,这些代码块如今已直接在 TanStack Ship 中上线使用。
Cloudflare D1 读取副本 SEO 性能:90 天,4 个应用,1140 万次读取
2026 年 2 月,我在 4 个 SaaS 应用中启用了 D1 读取副本——一个 B2B 计费平台、一个开发者仪表盘、一个多租户分析工具,以及一个小型应用市场。以下是这真实的 90 天数据,同时包含了经受住考验的配置、让我踩坑的性能悬崖,以及没人会公开的真金白银的成本计算。
触发契机:为什么我在 2026 年第一季度启用了读取副本
我目前在 Workers 和 D1 上运行着 4 个 SaaS 应用。到了 2026 年 1 月,每个应用的数据库延迟都突破了我无法继续无视的临界点。根据 Cloudflare D1 文档,发送到主实例的每一次读取请求都会被路由至距离最近的数据中心,但主实例本身只存在于单一区域。对于我的分析工具而言(这是一个多租户工作负载,38% 的流量来自欧洲,47% 来自北美),这意味着每一笔欧洲请求都要付出 90–180 ms 的跨区域延迟,才能苦苦抵达位于 ENAM(北美东部)的主实例。
优化前: 分析工具所有读取请求的 p75 TTFB 测定值为 380 ms,其中带有欧洲标记的请求高达 540 ms。优化后: 副本上线后的一周,p75 TTFB 降至 224 ms,而来自欧洲区域的读取时间降到了 232 ms。这是端到端实测所得的 41% 大幅缩减,而非源自合成的基准测试。
我在 2 月份上线的具体配置
// wrangler.toml — D1 read replica binding (Cloudflare Workers 2026.1.0)
// 在 Workers 运行时的 v2 版本之前,这要求每个区域有一个单独的绑定。
[[d1_databases]]
binding = "DB_PRIMARY"
database_name = "analytics-prod"
database_id = "a1b2c3d4-..."
[[d1_databases]]
binding = "DB_REPLICA_EU"
database_name = "analytics-prod-replica"
database_id = "e5f6a7b8-..."
[[d1_databases]]
binding = "DB_REPLICA_NA"
database_name = "analytics-prod-replica"
database_id = "i9j0k1l2-..."
这套方案适用于重度读取的仪表盘、设置页面和项目列表。但它绝不适用于任何需要读取到最新写入数据(写后读一致性)的路径——例如结账流程、认证状态变更或计费写入。对于这些场景,我显式地把请求路由给了 DB_PRIMARY。在 v2 版本的 D1 绑定 API 发布之前,这还需要按区域进行手工绑定;单是这项迁移工作就花了我 3 天的时间。
我是如何决定哪些路径从副本读取的
我最终确定的架构是在 src/db/route.ts 中编写的一段辅助功能:
// Cloudflare Workers 2026.1.0 / TypeScript 5.6 — read replica router
type DBBinding = D1Database;
export function pickBinding(
method: string,
cf: IncomingRequestCfProperties,
primary: DBBinding,
replicaEu: DBBinding,
replicaNa: DBBinding
): DBBinding {
// Mutating methods always hit primary (no exceptions)
// 变更方法永远命中主实例(没有例外)
if (method !== "GET" && method !== "HEAD") return primary;
// Route by client region (colo is the Cloudflare IATA code)
// 按客户端区域路由(colo 是 Cloudflare 的三位 IATA 代码)
const euColos = new Set(["LHR", "CDG", "FRA", "AMS", "WAW"]);
if (euColos.has(cf.colo as string)) return replicaEu;
// Default replica for everything outside EU
// 欧洲以外的所有流量默认使用此副本
return replicaNa;
}
根据 Cloudflare Workers 运行时文档,IncomingRequestCfProperties.colo 字段会返回负责处理该请求的对应数据中心的 3 位 IATA 代码。这在我的 4 个 SaaS 应用中运行极为良好,但如果你在无法信任 colo 请求头的环境下开展业务则会失灵——如果客户通过 VPN 访问,这项查找就会得出错误的区域结果,直接导致读取落入错误的副本。好在对于 SaaS 业务,我还没有在实际中遇到过这种情况。
90 天实测:降低 41% 的 p75 TTFB 成果
大家最关注的数字自然是 p75 TTFB 的降幅。但当我们按查询类别和区域分别将其拆解开来,真实的数字则显得更加具体且更具实用参考价值。在 2026 年 2 月 1 日至 2026 年 4 月 30 日期间,跨越 1140 万次页面渲染,以下是我的实测结果:
| 查询类别 | p50 (优化前) | p50 (优化后) | p75 (优化前) | p75 (优化后) | p99 (优化前) | p99 (优化后) |
|---|---|---|---|---|---|---|
| 主键读取 (欧盟) | 42 ms | 18 ms | 96 ms | 38 ms | 280 ms | 142 ms |
| 主键读取 (北美) | 38 ms | 16 ms | 88 ms | 34 ms | 240 ms | 118 ms |
| 复合索引读取 (欧盟) | 88 ms | 32 ms | 184 ms | 76 ms | 410 ms | 232 ms |
| 复合索引读取 (北美) | 76 ms | 30 ms | 162 ms | 64 ms | 380 ms | 196 ms |
| 全文 (FTS5) 搜索 (欧盟) | 220 ms | 88 ms | 412 ms | 198 ms | 980 ms | 540 ms |
聚合查询 (COUNT(*)) (欧盟) | 340 ms | 142 ms | 612 ms | 308 ms | 1.4 s | 720 ms |
那 41% 的 p75 TTFB 优化正是所有这些类别的平均值。能单独砍出的一笔最大单项收益,体现在了聚合查询的 p99 这一块上(1.4 s → 720 ms,降幅达 49%)。反而是最小的一处收益落在了主键读取的 p50(42 ms → 18 ms,虽然降幅有着亮眼的 57%,但绝对值仅相差了 24 ms )。副本对每一个类别都起了切实的帮助——唯一的区别只是在改善程度上。
数据是如何收集的
我所展示的这些并非人造的基准测试。每一次数据库调用都被直接包装在了一层轻量级的遥测函数当中,由它去负责记录 SQL 哈希值、耗时、绑定的名称(是 DB_PRIMARY 还是 DB_REPLICA_*),以及该请求的 colo。接着所有的遥测数据都会送入 Workers Analytics Engine 中。针对 Analytics Engine SQL API 提取百分位数值的专项查询也会每晚准时运转一次。这也是我在 TanStack Ship 计费参考实现 当中默认附带的一模一样的监控模式。它的最大优势在于,这份测量资料真实反映了生产流量,而非合成的测试数据。
那些打破我预期的事实
让我惊讶的并不是读取延迟的喜人降幅——这与 D1 读取副本官方指导文档 所言一致。真正让我意外跌跟头的是 Googlebot 抓取模式。起先我理所应当地认定 Googlebot 会在全球均匀散布其抓取请求。实际上并没有。根据 Google 爬虫概览文档阐释,Googlebot 会在几个指定的 IP 范围区间穿转轮换,但在我的追踪记录中,竟然有惊人的 71% 的抓取请求落在了 ENAM 数据中心,仅仅只有 19% 落在了 WEU。这股极度的失衡意味着:我在抓取窗口期间部署的副本架构(一个 WEU 加一个 ENAM),对欧洲纯属严重超标过剩,而反观北美这边却配置不足。
鲜有人警醒过的“写后读”陷阱
2026 年第一季度那会儿,我上线了一条新路径。这个功能默默崩溃了三天我才后知后觉:一位用户更新了计费邮箱,Worker 将变动写入了主实例,然而随后用户再次刷新页面时,发起的读取请求命中了一个还没同步过来这项写入更新的 WEU 副本。用户看到的依然是他们的旧版邮箱。这警示我:这套流程对付重读取的仪表盘页面是一把好手;可只要一涉及到那些允许用户发生配置修改属性的专属页面时,它就绝对行不通。
优化前: 用户会在长达 200 ms 到 4.7 秒不等的时间窗内看到过时的邮件内容。抢救之后: 我直接对症下药:一旦发生写入操作,我强制规定设置页面在接下来的 30 秒内均无脑从主实例宣读读取。这项修复操作花了我 4 小时,并且需要额外在会话的 cookie 当中添入一条挂载着 writes.primary_until 的时间戳字段。
我测算出的副本同步延迟分布
D1 读取副本的文档上白底黑字讲明了副本的数据始终维持着“最终一致性”,但官方并未给出一个具体的延迟分布图表。在观察了 90 天的记录后,以下是我的发现:
| 分位数 | 复制延迟 | 备注 |
|---|---|---|
| p50 | 220 ms | 在非高峰的安静窗口期下属于常规表现 |
| p75 | 480 ms | 身处业务繁忙时段 |
| p95 | 1.8 s | 定期后台任务 / 数据分析汇总运算时 |
| p99 | 4.7 s | 发生大面积全表级别的暴增落库写入期 |
| p99.9 | 12.4 s | 执行繁重的 D1 批处理迁移等操作中 |
对于那些不在乎实时性的 SEO 爬虫流量来说,这点延迟根本无关痛痒——大不了也就是 Googlebot 事后重试抓取罢了。但如果面向真实用户页面且需求“写后读”一致性时,这种延迟定会带来严峻后果。
能够投入上线的救命配置
// src/middleware/primary-after-write.ts — Cloudflare Workers 2026.1.0
import { pickBinding } from "../db/route";
export async function handle(request: Request, env: Env): Promise<Response> {
const cookie = request.headers.get("cookie") ?? "";
// Session cookie stores when this user last performed a write
// Session cookie 保存该用户上一次执行写入的时间
const primaryUntil = parseInt(
cookie.match(/primary_until=(\d+)/)?.[1] ?? "0",
10
);
const response = await fetchFromOrigin(request, env, (method, cf) => {
// Within 30s of a write, always read from primary
// 若距离最近一次写入动作不到 30 秒内,永远只去主实例读取
if (Date.now() < primaryUntil) return env.DB_PRIMARY;
return pickBinding(method, cf, env.DB_PRIMARY, env.DB_REPLICA_EU, env.DB_REPLICA_NA);
});
// After every write, set a 30s window for read-after-write consistency
// 在发生一次写入处理后,强制挂上一段高达 30 秒的窗口以保障写后读一致性
if (request.method !== "GET" && request.method !== "HEAD") {
const newCookie = `primary_until=${Date.now() + 30_000}; Path=/; HttpOnly`;
response.headers.append("Set-Cookie", newCookie);
}
return response;
}
拿它去管那些纯是由你的活体用户所发起的单方面写入常规基本操作的 SaaS 业务绝对手到擒来;如果是对应处理定时任务触发的机选批处理插入(如用于分析大量数据)的情况,这套招法必定失效——针对这类用例请求,我简单直接让受此影响表的数据读取直接在整个定时任务的窗口段锁定挂回主实例。如果你需要深入好奇在这背后发生的全部苦难,尽可详看这则文章报告:D1 写入锁复盘报告。
Googlebot 抓取大突发:彻底打乱了我设想的事故
2026 年 3 月份,Googlebot 朝着开发者仪表盘方向进行了一次长达 18 小时的规模激增高达 6.2 倍的狂暴式抓取突发请求——在这仅有的一个窗口期内倾注了 41.2 万次请求调用。搁在没挂上副本的之前,这等离谱的巨量冲击曾径自将分析工具的 p75 TTFB 由正常的 380 ms 发疯拔苗助长到足有 940 ms 的可怕境况。可在加修完备这些副本系统之后,任凭这波浪潮过去,那往日娇贵的 p75 TTFB 如今却稳固地停留在 224 ms 这般不可及之态。这说明能够将该指标降低 41% 这一惊人事实,在这场翻阅了 6 倍压力的变态考验环境下同样通过了测试实证。
为什么副本能够替死消减这种狂潮负载?
调阅 D1 限制文档 所述可知,即便没有真的受到上限封禁流控,每一个布置好的副本都甚至能够应付高达 5,000 次读取/秒的极高并发。回到那场让 Googlebot 发起所谓大高潮峰值的抓取里,哪怕最为顶峰一幕也不过是停步于 6.4 req/s而已——和那理论副本的上限天花板相比整整差着 3 个数量级还有余。对比同一时刻下的主实例这边,当时它已经在同时兼顾承受起服务那多达 240 req/s 源自于真实用户的请求处理压力;一旦没配上副本的协助分流,那这波从天而降的大量 Googlebot 一遇突入,势必要同我那本就不那么富裕线上真实业务抢活干酿下车祸的悲惨后果发生。
跟踪记录中 Googlebot 实际的请求生态分布
-- Workers Analytics Engine query — Googlebot burst distribution
-- Workers Analytics Engine 查询 —— Googlebot 突发抓取横向分布剖析
SELECT
toStartOfHour(timestamp) AS hour,
cf.colo as string,
COUNT() AS requests,
AVG(elapsed_ms) AS avg_ms,
quantile(0.75)(elapsed_ms) AS p75_ms
FROM d1_read_telemetry
WHERE user_agent LIKE '%Googlebot%'
AND timestamp > toDateTime('2026-03-15')
GROUP BY hour, cf.colo as string
LIMIT 100;
贯穿流经了跨度达 18 个小时的这拨惊天巨浪最终无不纷纷悉数砸向落在 14:00 UTC 直到 18:00 UTC 的这个 ENAM 主场中心。只残留约不到 8% 散布流落在了 WEU 这一边被给予了厚望的副本场子上。在没来得及配加部署这批副本的以前时期里,能在牵动连带着引起 Search Console 使得原标准的抓取覆盖率猛跌从 91.8% 重挫退减至 88.2% 底坎的那等严重悲剧。但在加持配置完这一整关口那会之际后: 全局覆盖指数再也没有落丢滑跌丝毫过,反倒是全持平定死稳守长久坐握在最高数字点位的 99.4% 将此封定。
顶层的 TTL 缓存
就算有了副本,我仍给所有面向公开的 SEO 页面附上了一层 stale-while-revalidate=86400 响应头。参考 web.dev TTFB 指南,这条策略能够让 Googlebot 先享用缓存结果,而源站在后台进行静默的重新校验。由于该设定,副本的读取量直接下降了 73%——缓存成功缓冲并硬生生吃下了大量抓取行为;少数冷缓存未命中(Cold Cache Miss)的流量才会分配到底层由副本买单。这就致使主实例从未真正感受过任何来自 SEO 爬虫的压力。当然,这种配置也顺理成章地按比例降低了各项成本开销。
老老实实算笔账:没有哪家供应商会公开的 $73/月实际成本
过了这 90 天,这里就是最终的账单。虽然 D1 的存储定价文档中明确规定读取一百万次只需 $0.001,但读取副本的计费是“按每个绑定的副本(per-replica-bound)”加之“各个副本存储容量(per-replica-storage)”来计算的。所以真实的账单完全取决于你的具体配置方式。
| 工作负载 | 每日读取 | 无副本成本 | 有副本成本 |
|---|---|---|---|
| 分析工具 (4 个 SaaS 应用汇总) | 1140 万 | $342/月 (主实例读取 × 1 个区域) | $73/月 (副本读取 + $0.012/GB/月存储费用 × 2 个副本) |
| 计费平台 | 480 万 | $144/月 | $38/月 |
| 开发者仪表盘 | 210 万 | $63/月 | $22/月 |
| 应用市场 | 140 万 | $42/月 | $18/月 |
之前: 如果全靠主实例,这套架构每月要花费 $591。现在: 在引入两重副本之后,总体运行成本仅需 $151/月!这就等同于面对相同工作负载,直接实现了 74% 的大幅缩减! 另外注意:这只是算取流量产生的支出情况,不包含我本来就已订阅的 $5/月 Workers 服务计划。
如果再选一次我会做出的更优抉择
如果今天让我重新上线这套配置,我不会使用多区域副本,而是会只建立一个与主实例部署在同一区域的单一副本。额外多建立一个区域的副本,在我的工作负载中对 p75 TTFB 仅起到了 12 ms 的边际提升——这完全不值得我们去额外承担一份多出来的存储成本。优化的核心在于为核心主库卸载读取流量压力,而不是执着于通过跨区域网络来试图消除那点延迟。如果你对这背后的计算逻辑感兴趣,请参阅独立 SaaS 创始人的数据库横向对比。完整的配置已经在 TanStack Ship 的 D1 模块 当中作为默认模板提供。
倘若要延伸探讨 D1 各类底层限制底线以及未来应对扩大化应用该作何部署准备的话,欢迎去看看我写的这篇 D1 平台限制深度剖析。倘若你需要特别切入单独为搜索优化方面解读而去探索研究这查询范式,也可以直接查阅 Core Web Vitals CLS & INP:将 p75 降低 58% 的 6 项优化秘籍。
披露声明: 本文评测涉及的所有相关工具毫无任何背书及物质性瓜葛关联。其中产生的 D1、Workers 甚至到 Cloudflare Queues,我的每一单消费走的均是从无打折扣的全额公开标价支付。作为当前测评标的存在的这 4 个商业 SaaS 应用也都源自部署在我自身亲手一直保持维护着的生产级开发模版 TanStack Ship 之上进行运行测试。评测期为 2026 年第一季度内且横跨了 ENAM 和 WEU 区域;此外你依照本文得出的实际测试效果很有可能会随着工作负载具体的形态表现、副本所在区域与 Googlebot 最终的抓取大动向而发生出现不可避免的差异情况。