中文文档
使用了docker compose 安装 standalone 版本,即单机docker。
pymilvus 一直在升级,一些函数有变化,中文文档有落后,建议看英文文档。
安装
#下载docker-compose.yml 文件
wget https://github.com/milvus-io/milvus/releases/download/v2.4.9/milvus-standalone-docker-compose.yml -O docker-compose.yml
# minio端口如果不用可以注释掉
#ports:
# - "9001:9001"
# - "9000:9000"
#standalone 也就是milvus的映射端口,主机端口:容器内端口
#可以修改主机端口,防止冲突,容器内端口不可修改。
ports:
- "29530:19530"
- "29091:9091"
# 启动 Milvus
sudo docker compose up -d
#关闭Milvus
sudo docker compose down
如果 docker compose 不能work,查看一下docker 版本,使用 docker-compose 也许可以。
设置权限 通过用户名和密码进行身份验证
在 配置 Milvus 时,将 milvus.yaml 中的 common.security.authorizationEnabled 设为 true 以启用身份验证
由于使用了docker,milvus.yaml文件在docker容器里。
#进入容器
sudo docker exec -it Milvus容器ID /bin/bash
#修改 milvus.yaml
sed -i 's/authorizationEnabled: false/authorizationEnabled: true/g' configs/milvus.yaml
#退出容器,而不关闭容器
依次按 ctrl+p 和 ctrl+q
默认用户名:root
默认密码: Milvus
from pymilvus import MilvusClient
#连接
client = MilvusClient(
uri='http://localhost:29530', # replace with your own Milvus server address
token="root:Milvus"
)
#修改密码
client.update_password(
user_name="root",
old_password="Milvus",
new_password="P@ssw0rd123"
)
#创建新用户
client.create_user(
user_name="user_1",
password="P@ssw0rd",
)
client.describe_user("user_1")
基本使用
from pymilvus import MilvusClient,DataType
client = MilvusClient(uri="http://localhost:29530",token="用户名:密码")
coll_name = "test_zhishi"
collecitons = client.list_collections()
print(collections)
创建collection
在我使用的这个版本的Milvus docker中,id是必须是有的,即使你不定义;而且 auto_id=False这个参数,设置为True也无效,所以插入数据的时候必须插入id,不然就会报错。 可以通过describe_collection查看schema。
if coll_name not in collections:
schema = MilvusClient.create_schema(
auto_id=False,
enable_dynamic_field=True,
)
schema.add_field(field_name="id", datatype=DataType.INT64, is_primary=True)
schema.add_field(field_name="vector", datatype=DataType.FLOAT_VECTOR, dim=1024)
schema.add_field(field_name="text", datatype=DataType.VARCHAR)
schema.add_field(field_name="subject", datatype=DataType.VARCHAR)
index_params = client.prepare_index_params(
field_name="vector",
index_type="AUTOINDEX",
metric_type="IP"
)
client.create_collection(
collection_name="test_zhishi",
schema=schema,
dimension=1024,
index_params=index_params
)
删除collection
status = client.drop_collection(collection_name=coll_name)
print(status)
查看collection
schema = client.describe_collection(collection_name=coll_name)
print(schema)
插入数据
data =[]
for i,doc in enumerate(docs[1:]):
vector = predict_embedding(doc)
data.append({'id':i,"vector":vector[0],"text":doc,"subject":"zhishi"})
res = client.insert(collection_name=coll_name,data=data)
print(res)
查询数据
query = ["明天天气怎么样"]
query_embedding = predict_embedding(query)
res = client.search(collection_name=coll_name,data=query_embedding,limit=1,output_fields=['text','subject'])
print(res)
更新数据
res = client.upsert( collection_name=coll_name, data=data)
print(res)
删除数据
res = client.delete( collection_name=coll_name, filter="id in [4,5,6]")
print(res)