Qdrant 的基础教程

目录

• • • 安装Qdrant
    • 安装Qdrant客户端
    • 初始化Qdrant客户端
    • 创建集合（Collection）
    • 插入向量数据
    • 创建索引
    • 搜索向量
    • 清理资源

Qdrant是一个开源的向量数据库，它专注于高维向量的快速相似性搜索。以下是一个基础的Qdrant教程，帮助你开始使用Qdrant进行向量数据的存储和搜索。

安装Qdrant

首先，你需要安装Qdrant服务。Qdrant提供了Docker镜像，使得安装和运行非常简单。

# 使用Docker拉取Qdrant镜像并运行
docker pull qdrant/qdrant:latest
docker run -p 6333:6333 qdrant/qdrant:latest

安装Qdrant客户端

Qdrant提供了Python客户端，你可以通过pip安装它。

pip install qdrant-client

初始化Qdrant客户端

在Python中，你可以初始化Qdrant客户端并连接到Qdrant服务。

from qdrant_client import QdrantClient
# 初始化客户端
client = QdrantClient(host='localhost', port=6333)

创建集合（Collection）

在Qdrant中，你需要创建一个集合来存储向量数据。

# 创建集合的schema
collection_schema = {
    "name": "my_collection",
    "vector_size": 128,
    "distance": "Cosine"
}
# 创建集合
client.create_collection(collection_schema)

插入向量数据

接下来，你可以向集合中插入向量数据。

# 准备向量数据
vectors = [[random.random() for _ in range(128)] for _ in range(1000)]
ids = list(range(1000))
# 插入向量
client.upsert_points(collection_name="my_collection", points={"ids": ids, "vectors": vectors})

创建索引

为了加速搜索，你需要为集合创建索引。

# 创建索引
client.create_index(collection_name="my_collection", index_params={"metric": "Cosine", "hnsw_config": {"m": 16, "ef_construction": 200}})

搜索向量

现在你可以使用Qdrant进行向量搜索了。

# 准备查询向量
query_vector = [random.random() for _ in range(128)]
query_result = client.search(collection_name="my_collection", query_vector=query_vector, limit=10)
# 打印搜索结果
for hit in query_result:
    print(f"ID: {hit.id}, Score: {hit.score}")

清理资源

如果你不再需要集合，可以删除它。

client.delete_collection(collection_name="my_collection")

以上是Qdrant的基础使用流程。你可以根据具体的应用需求调整集合的配置、索引参数和搜索逻辑。Qdrant的官方文档提供了更详细的指南和高级功能，你可以查阅官方文档以获取更多信息。