# VDB | Milvus #milvus 基本操作

第三方库

from pymilvus import connections, Collection, CollectionSchema, FieldSchema, DataType

需要的基本参数

class MilvusManager:
    def __init__(self, host, port, collection_name):
        self.host = host
        self.port = port
        self.collection_name = collection_name
        self.connection = None

连接

def connect(self):
    connections.connect(host=self.host, port=int(self.port))

创建collection

def create_collection(self):
    id_field = FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True)
    question_field = FieldSchema(name="question", dtype=DataType.FLOAT_VECTOR, dim=1536, is_primary=False)
    text_field = FieldSchema(name="text", dtype=DataType.VARCHAR, max_length=30000, is_primary=False)

    schema = CollectionSchema(fields=[id_field, question_field, text_field], description="question_answer")
    self.collection = Collection(name=self.collection_name, schema=schema, using="default", consistency="STRONG")
    return self.collection

创建index

def build_index(self, collection):
    index_params = {
        "metric_type": "IP",
        "index_type": "IVF_FLAT",
        "params": {"nlist": 1024}
    }
    collection.create_index(field_name="question", index_params=index_params)

准备索引参数

index_params = {
  "metric_type":"L2",
  "index_type":"IVF_FLAT",
  "params":{"nlist":1024}
}

向量索引是元数据的组织单位，用于加速向量相似性搜索。如果没有基于向量构建的索引，Milvus 将默认执行暴力搜索。
当前版本的 Milvus 仅支持向量场索引。未来的版本将支持标量字段上的索引。
默认情况下，Milvus 不会对少于 1,024 行的 segment 进行索引。要更改此参数，请在 中 milvus.yaml 进行配置 rootCoord.minSegmentSizeToEnableIndex 。

Parameter	Description	Options
metric_type	用于衡量向量相似性的指标类型。	对于浮点向量： L2 （欧几里得距离） IP （内积） 对于二进制向量： JACCARD (Jaccard distance) TANIMOTO (Tanimoto distance) HAMMING (Hamming distance) SUPERSTRUCTURE (Superstructure)
index_type	用于加速向量搜索的索引类型	对于浮点向量: FLAT (FLAT) IVF_FLAT (IVF_FLAT) IVF_SQ8 (IVF_SQ8) IVF_PQ (IVF_PQ) HNSW (HNSW) ANNOY (ANNOY) RHNSW_FLAT (RHNSW_FLAT) RHNSW_PQ (RHNSW_PQ) RHNSW_SQ (RHNSW_SQ) 对于二进制向量: BIN_FLAT (BIN_FLAT) BIN_IVF_FLAT (BIN_IVF_FLAT)
params	特定于索引的构建参数。	有关详细信息，请参阅向量索引。

构建索引

通过指定向量字段名称和索引参数来构建索引。

from pymilvus import Collection
collection = Collection("book")      # Get an existing collection.
collection.create_index(
  field_name="book_intro", 
  index_params=index_params
)

Status(code=0, message='')

Parameter	Description
field_name	要在其上建立索引的向量字段的名称。
index_params	要生成的索引的参数。

load

def load_collection(self, collection):
    collection.load()

Milvus 中的所有搜索和查询操作都在内存中执行。在执行向量相似性搜索之前，将集合加载到内存中。

清空

def drop_collection(self, collection):
    collection.drop()

关闭连接

def close(self):
    if self.connection:
        self.connection.close()

插入数据

通过指定 partition_name ，您可以选择决定将数据插入到哪个分区。

from pymilvus import Collection
collection = Collection("book")      # Get an existing collection.
mr = collection.insert(data)

Parameter	Description
data	要插入到 Milvus 中的数据。
partition_name （可选）	要在其中插入数据的分区的名称。

注意：向量维度最大是32,768。插入向量的维度要和index的向量维度一致