您的位置:首页 > 健康 > 养生 > qdrant向量数据库(vector database)在python的应用

qdrant向量数据库(vector database)在python的应用

2024/10/6 20:39:50 来源:https://blog.csdn.net/pandafucker/article/details/139494308  浏览:    关键词:qdrant向量数据库(vector database)在python的应用

qdrant是一个向量数据库,大多数应用在向量嵌入的相似性搜索上。在大量的向量数据时,匹配的效率非常的高。

qdrant服务器端的安装和运行,非常的简单。qdrant的服务器端是基于docker容器运行的,安装服务器端需要系统中先安装docker。

使用以下命令来拉取容器。

docker pull qdrant/qdrant

下载到本地后,执行以下命令运行qdrant服务

docker run -p 6333:6333 qdrant/qdrant

服务器运行成功

在python中使用qdrant,需要先安装qdrant客户端的包

pip install qdrant_client

与服务器端建立连接

from qdrant_client import QdrantClient
client = QdrantClient(host='localhost', port=6333)

插入向量数据

from qdrant_client import QdrantClient
from qdrant_client.models import VectorParams, Distance, PointStructclient = QdrantClient(host='localhost', port=6333)# 创建向量集合表
client.recreate_collection(collection_name="imgbeddings",vectors_config=VectorParams(size=512, distance=Distance.COSINE),
)vectors = {...}  #向量组合# 遍历插入向量数据
response = client.upsert(collection_name='imgbeddings',points = [PointStruct(id = index,  #唯一idvector=value,  #向量数据payload= {"name": key} #附加信息)for index, (key, value) in enumerate(vectors.items())]
)

搜索相似向量

from qdrant_client import QdrantClientclient = QdrantClient(host='localhost', port=6333)vector = [...]hits = client. Search(collection_name="embeddings",query_vector=vector,limit=5  # Return 5 closest points
)

版权声明:

本网仅为发布的内容提供存储空间,不对发表、转载的内容提供任何形式的保证。凡本网注明“来源:XXX网络”的作品,均转载自其它媒体,著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处。

我们尊重并感谢每一位作者,均已注明文章来源和作者。如因作品内容、版权或其它问题,请及时与我们联系,联系邮箱:809451989@qq.com,投稿邮箱:809451989@qq.com