Qdrant生产环境部署方法（Docker）

文章目录

• 一、前言
• 二、安装方式
• • 1.拉取镜像
  • [2. 创建数据目录](#2. 创建数据目录)
  • [3. 启动容器](#3. 启动容器)
• 三、测试

---

一、前言

我这里以docker desktop为例，所以部分路径是windows的

---

二、安装方式

1.拉取镜像

docker pull qdrant/qdrant

2. 创建数据目录

mkdir D:\ProgramData\docker_data\qdrant_data

3. 启动容器

win下

docker run -d --name my-qdrant -p 6333:6333 -p 6334:6334 -v D:\ProgramData\docker_data\qdrant_data:/qdrant/storage --restart always qdrant/qdrant

linux下改成类似这样

docker run -d \
--name my-qdrant \
-p 6333:6333 \
-p 6334:6334 \
-v ~/qdrant_data:/qdrant/storage \
--restart always \
qdrant/qdrant

---

三、测试

1. 查看容器状态

   docker ps

   

2. 访问web管理页
   http://localhost:6333/dashboard
   

3. 向量库测试

   测试代码

   from qdrant_client import QdrantClient
   from qdrant_client.models import Distance, VectorParams, PointStruct
   import numpy as np
   
   # ---------------------- 1. 连接 Qdrant ----------------------
   client = QdrantClient(host="localhost", port=6333)
   print("Qdrant 状态:", client.get_collections())
   
   # ---------------------- 2. 创建集合 ----------------------
   collection_name = "my_first_collection"
   if not client.collection_exists(collection_name):
       client.create_collection(
           collection_name=collection_name,
           vectors_config=VectorParams(size=128, distance=Distance.COSINE)
       )
       print(f"集合 {collection_name} 创建成功")
   else:
       print(f"集合 {collection_name} 已存在")
   
   # ---------------------- 3. 插入数据 ----------------------
   vectors = np.random.rand(10, 128).tolist()
   points = [
       PointStruct(
           id=i,
           vector=vectors[i],
           payload={"text": f"这是第 {i} 条数据", "category": "test"}
       )
       for i in range(10)
   ]
   client.upsert(collection_name=collection_name, points=points)
   print("数据插入成功")
   
   # ---------------------- 4. 向量搜索（新版正确写法） ----------------------
   query_vector = np.random.rand(128).tolist()
   search_results = client.query_points(
       collection_name=collection_name,
       query=query_vector,  # 注意：新版用 query，不是 query_vector
       limit=3
   )
   
   # 打印结果
   print("\n搜索结果：")
   for result in search_results.points:
       print(f"ID: {result.id}, 相似度: {result.score:.4f}, 元数据: {result.payload}")

   命令行输出
   

   dashboard回显