Event sourcing asks you to stop overwriting your data. In a traditional CRUD application, updating a user’s shipping address means finding the row, changing the value, and discarding the previous state. Event sourcing takes a different path. It stores each change as an immutable fact: a user created an account, updated their address, verified their email. The current state of the system is not stored directly. It is computed by replaying these events in order.
This pattern solves real problems. Audit trails become free byproducts. You can reconstruct the state of an order at any past moment. You can debug by replaying exactly what happened. The trade-off is complexity. You now manage streams of facts, read models, and eventual consistency instead of simple rows.
PostgreSQL can act as your event store. Most teams already run it. It offers ACID transactions, JSONB for flexible payloads, and proven backup tools. You do not need to introduce Kafka, Cassandra, or a specialized event-store database on day one. A standard Postgres instance gives you the transactional guarantees and audit trails that event sourcing demands without expanding your infrastructure footprint.
The Shape of a Postgres Event Store
The schema can be almost embarrassingly simple. At minimum, you need a table that appends events and never updates them in place. A practical design looks like this:
idas a bigserial or UUID, serving as the global ordering.stream_idto group related events, such as all changes for a single user or order.event_typeas plain text:UserEmailChanged,PaymentReceived,InventoryAdjusted.payloadas JSONB, holding the specific data for that occurrence.occurred_atwith timezone precision.versionper stream, enforcing optimistic concurrency.
You enforce the immutability rule in application code or with a database constraint. A unique index on (stream_id, version) prevents two writers from appending the same sequence number. When a command comes in, you read the current version for that stream, increment it, and insert the new event inside a transaction. If another process beat you to it, the unique constraint fails, and you retry or reject the command.
Consider a concrete example. You run an inventory system. Instead of a single inventory row with a quantity column, you append events to a inventory_events table. ItemReceived adds ten units. ItemReserved removes two. ItemShipped removes three. To know the current stock for SKU-42, you sum the relevant event payloads. To know the stock three days ago, you sum only up to that timestamp. If a bug in your shipping logic caused an error last Tuesday, you replay the events through corrected code to get the true state. You cannot do that with a simple UPDATE statement.
Principles That Keep You Out of Trouble
Building on Postgres does not remove the need for discipline. The following principles apply directly to event-sourced systems.
Keep it simple. Complexity kills reliability. Resist the urge to build a generic event framework before you have shipped one working flow. A single table, a repository function to append events, and a projection worker to build read models are enough to prove value. Add tools only when a concrete problem appears.
Start small. Do not rewrite your entire monolith. Pick one bounded context where the audit trail pays for the overhead. A billing ledger, a workflow engine, or an inventory reservation system are good candidates. Build that one pipeline end-to-end. Let it run in production. Then decide whether to expand.
Define success first. Event sourcing is not a default architecture; it is a solution to specific needs. If your requirement is only to track the latest state, CRUD is faster and cheaper. If you need temporal queries, strict auditability, or the ability to rebuild read models on demand, then events make sense. Know which problem you are solving before you commit.
Measure before you optimize. Modern PostgreSQL on modest hardware can ingest thousands of events per second with a simple append-only table. Do not shard your event store or introduce complex partitioning schemes until your monitoring proves you have exhausted simpler fixes. Index the fields you query. Tune autovacuum for append-only workloads. Then measure again.
Test alles. Schrijf unit tests voor je event handlers. Voer integratietests uit op het append-pad. Test vooral de scenario's waarbij iets misgaat. Wat gebeurt er als twee nodes tegelijkertijd iets toevoegen aan dezelfde stream? Wat gebeurt er als een projection worker halverwege een batch crasht? Schrijf tests die je optimistic concurrency en je at-least-once delivery-garanties verifiëren.
Monitor in productie. De events-tabel zal groeien. In tegenstelling tot een genormaliseerd schema, waarbij updates het aantal rijen constant houden, is event sourcing bewust additief. Houd de tabelgrootte, disk I/O en de lag tussen je write model en je read model projections bij. Stel alerts in op de projection lag voordat je gebruikers verouderde data opmerken.
Automatiseer handmatige taken. Handmatige schemawijzigingen, handmatige rebuilds van projections en handmatige event replays zijn tijdbommen. Script je migratiestrategie. Als je een event schema evolueert, automatiseer dan de upcasting of transformatie, zodat oude events via de nieuwe logica kunnen worden afgespeeld zonder dat er midden in de nacht menselijke tussenkomst nodig is.
Documenteer je keuzes. Leg vast waarom specifieke streams bestaan, wat elk eventtype betekent en wanneer het team voor CRUD in plaats van events moet kiezen. Event sourcing verhoogt de cognitieve belasting. Goede documentatie voorkomt dat een nieuwe engineer verkeerde aannames doet en ongeldige events toevoegt aan een kritieke stream.
Valkuilen die maanden verspillen
Event sourcing klinkt in een diagram vaak elegant, maar kan in productie pijnlijk zijn. Let op deze valkuilen.
De complexiteit onderschatten. Het opnieuw afspelen van events om de staat te reconstrueren is conceptueel eenvoudig. Het beheren van idempotentie, snapshotting voor prestaties en compenserende transacties over aggregates heen is dat niet. Breek je systeem op in kleine stukjes. Los één stream tegelijk op.
Over-engineering. Richt geen multi-node Kafka-cluster in omdat je denkt dat je event-volume dat ooit nodig zal hebben. Postgres kan je verrassend ver brengen. Introduceer pas nieuwe infrastructuur wanneer je een gemeten bottleneck hebt die je binnen je huidige setup niet kunt oplossen.
Technische schuld negeren. Oude event-schema's blijven voor altijd bestaan. Als je de payload van OrderCreated wijzigt, heb je nog steeds tien miljoen historische events in de oude vorm. Houd deze schuld bij. Plan backward-compatible readers of migratiescripts. Laat de last van legacy events niet elke nieuwe feature vertragen.
Tools kiezen die het team niet kan beheren. De beste architectuur faalt als slechts één persoon deze begrijpt. Als je team Postgres en SQL kent, begin daar dan mee. Als je een gespecialiseerde event store introduceert, zorg er dan voor dat je de operationele expertise hebt om deze om twee uur 's nachts te debuggen.
Een praktisch startpunt
Als deze aanpak bij je probleem past, wacht dan niet op een rewrite die vijf kwartalen duurt. Begin deze week.
Audit je huidige systemen. Zoek een plek waar een audit trail een echt probleem zou oplossen. Misschien is het een order state machine die momenteel een enkele status-kolom bijhoudt. Misschien is het een financieel grootboek waarbij saldocorrecties handmatige database-patches vereisen. Kies één tekortkoming waarbij het overschrijven van de staat je in de problemen heeft gebracht.
Kies vervolgens één kleine verbetering die je vandaag kunt doorvoeren. Maak één event-tabel aan. Modelleer één stream. Schrijf één projection die een read model bouwt op basis van die events. Implementeer deze achter een feature flag. Kijk hoe deze echt verkeer verwerkt.
Event sourcing met PostgreSQL is geen magie. Het is een praktisch hulpmiddel voor teams die niet alleen willen weten waar dingen staan, maar ook hoe ze daar gekomen zijn. Bouw langzaam, meet eerlijk en laat je werkelijke vereisten de architectuur sturen.