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

python 复制代码

docker pull qdrant/qdrant

2. 创建数据目录

python 复制代码

mkdir D:\ProgramData\docker_data\qdrant_data

3. 启动容器

win下

python 复制代码

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

python 复制代码

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

三、测试

查看容器状态
python 复制代码
```
docker ps
```
访问web管理页
http://localhost:6333/dashboard

向量库测试

测试代码

python 复制代码

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