15 Milvus-分区Partition设计

救救孩子把2026-06-22 14:19

「milvus-course-ai.zip」
链接：https://pan.quark.cn/s/00f3d411bb6d

github：https://github.com/yuanmomoya/milvus

学习目标

学完本章后，你应该能够：

  • 理解 Partition 和 Partition Key 的区别与适用场景。
  • 设计基于时间、租户、类别的分区策略。
  • 掌握分区对搜索性能和数据管理的影响。
  • 在 Milvus 中创建和使用分区。
  • 判断何时用分区、何时用过滤。

分区的本质

分区是 Collection 内部的物理隔离单元。每个 Partition 有独立的 Segment 和索引，搜索时可以只访问指定分区。
#mermaid-svg-qvU1P5eR7xzxIS6U{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-qvU1P5eR7xzxIS6U .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-qvU1P5eR7xzxIS6U .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-qvU1P5eR7xzxIS6U .error-icon{fill:#552222;}#mermaid-svg-qvU1P5eR7xzxIS6U .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-qvU1P5eR7xzxIS6U .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-qvU1P5eR7xzxIS6U .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-qvU1P5eR7xzxIS6U .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-qvU1P5eR7xzxIS6U .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-qvU1P5eR7xzxIS6U .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-qvU1P5eR7xzxIS6U .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-qvU1P5eR7xzxIS6U .marker{fill:#333333;stroke:#333333;}#mermaid-svg-qvU1P5eR7xzxIS6U .marker.cross{stroke:#333333;}#mermaid-svg-qvU1P5eR7xzxIS6U svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-qvU1P5eR7xzxIS6U p{margin:0;}#mermaid-svg-qvU1P5eR7xzxIS6U .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-qvU1P5eR7xzxIS6U .cluster-label text{fill:#333;}#mermaid-svg-qvU1P5eR7xzxIS6U .cluster-label span{color:#333;}#mermaid-svg-qvU1P5eR7xzxIS6U .cluster-label span p{background-color:transparent;}#mermaid-svg-qvU1P5eR7xzxIS6U .label text,#mermaid-svg-qvU1P5eR7xzxIS6U span{fill:#333;color:#333;}#mermaid-svg-qvU1P5eR7xzxIS6U .node rect,#mermaid-svg-qvU1P5eR7xzxIS6U .node circle,#mermaid-svg-qvU1P5eR7xzxIS6U .node ellipse,#mermaid-svg-qvU1P5eR7xzxIS6U .node polygon,#mermaid-svg-qvU1P5eR7xzxIS6U .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-qvU1P5eR7xzxIS6U .rough-node .label text,#mermaid-svg-qvU1P5eR7xzxIS6U .node .label text,#mermaid-svg-qvU1P5eR7xzxIS6U .image-shape .label,#mermaid-svg-qvU1P5eR7xzxIS6U .icon-shape .label{text-anchor:middle;}#mermaid-svg-qvU1P5eR7xzxIS6U .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-qvU1P5eR7xzxIS6U .rough-node .label,#mermaid-svg-qvU1P5eR7xzxIS6U .node .label,#mermaid-svg-qvU1P5eR7xzxIS6U .image-shape .label,#mermaid-svg-qvU1P5eR7xzxIS6U .icon-shape .label{text-align:center;}#mermaid-svg-qvU1P5eR7xzxIS6U .node.clickable{cursor:pointer;}#mermaid-svg-qvU1P5eR7xzxIS6U .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-qvU1P5eR7xzxIS6U .arrowheadPath{fill:#333333;}#mermaid-svg-qvU1P5eR7xzxIS6U .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-qvU1P5eR7xzxIS6U .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-qvU1P5eR7xzxIS6U .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-qvU1P5eR7xzxIS6U .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-qvU1P5eR7xzxIS6U .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-qvU1P5eR7xzxIS6U .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-qvU1P5eR7xzxIS6U .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-qvU1P5eR7xzxIS6U .cluster text{fill:#333;}#mermaid-svg-qvU1P5eR7xzxIS6U .cluster span{color:#333;}#mermaid-svg-qvU1P5eR7xzxIS6U div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-qvU1P5eR7xzxIS6U .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-qvU1P5eR7xzxIS6U rect.text{fill:none;stroke-width:0;}#mermaid-svg-qvU1P5eR7xzxIS6U .icon-shape,#mermaid-svg-qvU1P5eR7xzxIS6U .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-qvU1P5eR7xzxIS6U .icon-shape p,#mermaid-svg-qvU1P5eR7xzxIS6U .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-qvU1P5eR7xzxIS6U .icon-shape .label rect,#mermaid-svg-qvU1P5eR7xzxIS6U .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-qvU1P5eR7xzxIS6U .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-qvU1P5eR7xzxIS6U .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-qvU1P5eR7xzxIS6U :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} Collection: products
Partition: electronics
Partition: food
Segment 5
Partition: clothing
Segment 3
Segment 4
Segment 1
Segment 2
搜索请求

partition=electronics

分区 vs 过滤

维度 Partition Filter
隔离级别 物理隔离（独立 Segment） 逻辑过滤（同一索引）
搜索范围 只访问指定分区 全量索引 + 后置过滤
高过滤比例性能 好（只搜索子集） 差（索引效率下降）
灵活性 低（需要预定义分区） 高（任意条件组合）
数据管理 可按分区删除/释放 只能按条件删除

两种分区方式

方式一：手动 Partition

手动创建和管理分区，写入时指定分区名：

python 复制代码 
from pymilvus import MilvusClient

client = MilvusClient(uri="http://localhost:19530")

# 创建 Collection 后手动创建分区
client.create_partition(collection_name="products", partition_name="electronics")
client.create_partition(collection_name="products", partition_name="clothing")
client.create_partition(collection_name="products", partition_name="food")

# 写入时指定分区
client.upsert(
    collection_name="products",
    data=electronics_data,
    partition_name="electronics",
)

# 搜索时指定分区
results = client.search(
    collection_name="products",
    data=[query_vector],
    anns_field="embedding",
    partition_names=["electronics"],  # 只搜索电子产品分区
    ...
)

方式二：Partition Key（推荐）

在 Schema 中指定某个字段为 Partition Key，Milvus 自动按该字段值路由数据：

python 复制代码 
schema = MilvusClient.create_schema(auto_id=False)
schema.add_field(field_name="id", datatype=DataType.VARCHAR, is_primary=True, max_length=64)
schema.add_field(
    field_name="tenant_id",
    datatype=DataType.VARCHAR,
    max_length=32,
    is_partition_key=True,  # 设为分区键
)
schema.add_field(field_name="text", datatype=DataType.VARCHAR, max_length=4096)
schema.add_field(field_name="embedding", datatype=DataType.FLOAT_VECTOR, dim=768)

# 写入时无需指定分区，自动按 tenant_id 路由
client.upsert(collection_name="multi_tenant", data=data)

# 搜索时用 filter 指定分区键值，自动路由
results = client.search(
    collection_name="multi_tenant",
    data=[query_vector],
    filter='tenant_id == "tenant_abc"',  # 自动只搜索该分区
    ...
)

两种方式对比

维度 手动 Partition Partition Key
创建方式 手动 create_partition Schema 中声明
路由方式 写入/搜索时指定 partition_name 自动按字段值路由
分区数量 默认上限 1024 内部自动管理（hash 分桶）
适用场景 分区少且固定（如按月份） 分区多且动态（如多租户）
代码侵入 业务代码需要管理分区名 透明，只需 filter

分区策略设计

策略一：按租户分区（多租户 SaaS）

python 复制代码 
# Partition Key 方案
schema.add_field(
    field_name="tenant_id",
    datatype=DataType.VARCHAR,
    max_length=32,
    is_partition_key=True,
)

适用：

  • 租户数量 10-10000
  • 每个租户数据量差异不大
  • 需要严格的数据隔离

策略二：按时间分区（日志/事件）

python 复制代码 
# 手动 Partition 方案（按月）
for month in ["2024-01", "2024-02", "2024-03"]:
    client.create_partition(collection_name="events", partition_name=month)

# 写入时按月份路由
client.upsert(
    collection_name="events",
    data=january_data,
    partition_name="2024-01",
)

# 搜索最近一个月
results = client.search(
    collection_name="events",
    partition_names=["2024-03"],
    ...
)

# 删除过期数据（整个分区）
client.drop_partition(collection_name="events", partition_name="2024-01")

适用：

  • 数据有明确的时间维度
  • 需要按时间范围搜索
  • 需要按时间批量删除（TTL）

策略三：按类别分区

python 复制代码 
# 手动 Partition 方案
categories = ["tech", "finance", "medical", "legal"]
for cat in categories:
    client.create_partition(collection_name="knowledge_base", partition_name=cat)

适用：

  • 类别固定且数量少
  • 搜索时几乎总是指定类别
  • 不同类别的数据量差异大

分区对性能的影响

搜索性能

#mermaid-svg-kILDYJIRv6ViAMUs{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-kILDYJIRv6ViAMUs .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-kILDYJIRv6ViAMUs .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-kILDYJIRv6ViAMUs .error-icon{fill:#552222;}#mermaid-svg-kILDYJIRv6ViAMUs .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-kILDYJIRv6ViAMUs .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-kILDYJIRv6ViAMUs .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-kILDYJIRv6ViAMUs .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-kILDYJIRv6ViAMUs .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-kILDYJIRv6ViAMUs .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-kILDYJIRv6ViAMUs .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-kILDYJIRv6ViAMUs .marker{fill:#333333;stroke:#333333;}#mermaid-svg-kILDYJIRv6ViAMUs .marker.cross{stroke:#333333;}#mermaid-svg-kILDYJIRv6ViAMUs svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-kILDYJIRv6ViAMUs p{margin:0;}#mermaid-svg-kILDYJIRv6ViAMUs .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-kILDYJIRv6ViAMUs .cluster-label text{fill:#333;}#mermaid-svg-kILDYJIRv6ViAMUs .cluster-label span{color:#333;}#mermaid-svg-kILDYJIRv6ViAMUs .cluster-label span p{background-color:transparent;}#mermaid-svg-kILDYJIRv6ViAMUs .label text,#mermaid-svg-kILDYJIRv6ViAMUs span{fill:#333;color:#333;}#mermaid-svg-kILDYJIRv6ViAMUs .node rect,#mermaid-svg-kILDYJIRv6ViAMUs .node circle,#mermaid-svg-kILDYJIRv6ViAMUs .node ellipse,#mermaid-svg-kILDYJIRv6ViAMUs .node polygon,#mermaid-svg-kILDYJIRv6ViAMUs .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-kILDYJIRv6ViAMUs .rough-node .label text,#mermaid-svg-kILDYJIRv6ViAMUs .node .label text,#mermaid-svg-kILDYJIRv6ViAMUs .image-shape .label,#mermaid-svg-kILDYJIRv6ViAMUs .icon-shape .label{text-anchor:middle;}#mermaid-svg-kILDYJIRv6ViAMUs .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-kILDYJIRv6ViAMUs .rough-node .label,#mermaid-svg-kILDYJIRv6ViAMUs .node .label,#mermaid-svg-kILDYJIRv6ViAMUs .image-shape .label,#mermaid-svg-kILDYJIRv6ViAMUs .icon-shape .label{text-align:center;}#mermaid-svg-kILDYJIRv6ViAMUs .node.clickable{cursor:pointer;}#mermaid-svg-kILDYJIRv6ViAMUs .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-kILDYJIRv6ViAMUs .arrowheadPath{fill:#333333;}#mermaid-svg-kILDYJIRv6ViAMUs .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-kILDYJIRv6ViAMUs .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-kILDYJIRv6ViAMUs .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-kILDYJIRv6ViAMUs .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-kILDYJIRv6ViAMUs .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-kILDYJIRv6ViAMUs .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-kILDYJIRv6ViAMUs .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-kILDYJIRv6ViAMUs .cluster text{fill:#333;}#mermaid-svg-kILDYJIRv6ViAMUs .cluster span{color:#333;}#mermaid-svg-kILDYJIRv6ViAMUs div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-kILDYJIRv6ViAMUs .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-kILDYJIRv6ViAMUs rect.text{fill:none;stroke-width:0;}#mermaid-svg-kILDYJIRv6ViAMUs .icon-shape,#mermaid-svg-kILDYJIRv6ViAMUs .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-kILDYJIRv6ViAMUs .icon-shape p,#mermaid-svg-kILDYJIRv6ViAMUs .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-kILDYJIRv6ViAMUs .icon-shape .label rect,#mermaid-svg-kILDYJIRv6ViAMUs .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-kILDYJIRv6ViAMUs .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-kILDYJIRv6ViAMUs .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-kILDYJIRv6ViAMUs :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 有分区（10 个分区）
只搜索 1 个分区

10 万条数据

延迟 2ms
无分区
搜索 100 万条数据

延迟 10ms

分区减少了搜索范围，延迟与分区内数据量成正比。

写入性能

分区对写入性能影响很小。Partition Key 方案下，Milvus 内部自动 hash 路由，无额外开销。

内存影响

每个分区的 Segment 独立加载。可以选择性 load/release 分区：

python 复制代码 
# 只加载热数据分区
client.load_partitions(collection_name="events", partition_names=["2024-03"])

# 释放冷数据分区
client.release_partitions(collection_name="events", partition_names=["2024-01"])

分区数量限制

配置 默认值 说明
手动 Partition 上限 1024 可通过配置调整
Partition Key 内部分桶数 64（默认） 创建时可指定 num_partitions
python 复制代码 
# 指定 Partition Key 的分桶数
client.create_collection(
    collection_name="multi_tenant",
    schema=schema,
    index_params=index_params,
    num_partitions=128,  # 增加分桶数
)

分桶数建议：

  • 租户数 < 100：默认 64 足够
  • 租户数 100-1000：设为 128-256
  • 租户数 > 1000：设为 256-1024

注意：分桶数不等于分区数。多个租户可能 hash 到同一个桶，但搜索时仍然通过 filter 精确过滤。

分区管理操作

python 复制代码 
# 列出所有分区
partitions = client.list_partitions(collection_name="events")
print(partitions)  # ['_default', '2024-01', '2024-02', '2024-03']

# 查看分区统计
stats = client.get_partition_stats(collection_name="events", partition_name="2024-03")
print(f"行数: {stats['row_count']}")

# 删除分区（会删除分区内所有数据）
client.release_partitions(collection_name="events", partition_names=["2024-01"])
client.drop_partition(collection_name="events", partition_name="2024-01")

决策指南：何时用分区

#mermaid-svg-CcgfyuaPnIkIjQ2r{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-CcgfyuaPnIkIjQ2r .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-CcgfyuaPnIkIjQ2r .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-CcgfyuaPnIkIjQ2r .error-icon{fill:#552222;}#mermaid-svg-CcgfyuaPnIkIjQ2r .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-CcgfyuaPnIkIjQ2r .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-CcgfyuaPnIkIjQ2r .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-CcgfyuaPnIkIjQ2r .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-CcgfyuaPnIkIjQ2r .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-CcgfyuaPnIkIjQ2r .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-CcgfyuaPnIkIjQ2r .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-CcgfyuaPnIkIjQ2r .marker{fill:#333333;stroke:#333333;}#mermaid-svg-CcgfyuaPnIkIjQ2r .marker.cross{stroke:#333333;}#mermaid-svg-CcgfyuaPnIkIjQ2r svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-CcgfyuaPnIkIjQ2r p{margin:0;}#mermaid-svg-CcgfyuaPnIkIjQ2r .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-CcgfyuaPnIkIjQ2r .cluster-label text{fill:#333;}#mermaid-svg-CcgfyuaPnIkIjQ2r .cluster-label span{color:#333;}#mermaid-svg-CcgfyuaPnIkIjQ2r .cluster-label span p{background-color:transparent;}#mermaid-svg-CcgfyuaPnIkIjQ2r .label text,#mermaid-svg-CcgfyuaPnIkIjQ2r span{fill:#333;color:#333;}#mermaid-svg-CcgfyuaPnIkIjQ2r .node rect,#mermaid-svg-CcgfyuaPnIkIjQ2r .node circle,#mermaid-svg-CcgfyuaPnIkIjQ2r .node ellipse,#mermaid-svg-CcgfyuaPnIkIjQ2r .node polygon,#mermaid-svg-CcgfyuaPnIkIjQ2r .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-CcgfyuaPnIkIjQ2r .rough-node .label text,#mermaid-svg-CcgfyuaPnIkIjQ2r .node .label text,#mermaid-svg-CcgfyuaPnIkIjQ2r .image-shape .label,#mermaid-svg-CcgfyuaPnIkIjQ2r .icon-shape .label{text-anchor:middle;}#mermaid-svg-CcgfyuaPnIkIjQ2r .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-CcgfyuaPnIkIjQ2r .rough-node .label,#mermaid-svg-CcgfyuaPnIkIjQ2r .node .label,#mermaid-svg-CcgfyuaPnIkIjQ2r .image-shape .label,#mermaid-svg-CcgfyuaPnIkIjQ2r .icon-shape .label{text-align:center;}#mermaid-svg-CcgfyuaPnIkIjQ2r .node.clickable{cursor:pointer;}#mermaid-svg-CcgfyuaPnIkIjQ2r .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-CcgfyuaPnIkIjQ2r .arrowheadPath{fill:#333333;}#mermaid-svg-CcgfyuaPnIkIjQ2r .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-CcgfyuaPnIkIjQ2r .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-CcgfyuaPnIkIjQ2r .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-CcgfyuaPnIkIjQ2r .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-CcgfyuaPnIkIjQ2r .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-CcgfyuaPnIkIjQ2r .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-CcgfyuaPnIkIjQ2r .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-CcgfyuaPnIkIjQ2r .cluster text{fill:#333;}#mermaid-svg-CcgfyuaPnIkIjQ2r .cluster span{color:#333;}#mermaid-svg-CcgfyuaPnIkIjQ2r div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-CcgfyuaPnIkIjQ2r .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-CcgfyuaPnIkIjQ2r rect.text{fill:none;stroke-width:0;}#mermaid-svg-CcgfyuaPnIkIjQ2r .icon-shape,#mermaid-svg-CcgfyuaPnIkIjQ2r .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-CcgfyuaPnIkIjQ2r .icon-shape p,#mermaid-svg-CcgfyuaPnIkIjQ2r .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-CcgfyuaPnIkIjQ2r .icon-shape .label rect,#mermaid-svg-CcgfyuaPnIkIjQ2r .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-CcgfyuaPnIkIjQ2r .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-CcgfyuaPnIkIjQ2r .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-CcgfyuaPnIkIjQ2r :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 固定且少

如月份、类别
动态且多

如租户 ID
是
否
是
否
需要按某个维度隔离数据?
是
否
不需要分区

用 filter 即可
隔离维度的值
手动 Partition
Partition Key
需要按维度批量删除?
过滤比例 > 80%?

不需要分区的场景

  • 过滤条件多变，不固定在某个维度
  • 数据量小（< 100 万），filter 性能足够
  • 过滤比例低（大部分数据满足条件）

需要分区的场景

  • 多租户隔离（Partition Key）
  • 按时间管理数据生命周期（手动 Partition + drop）
  • 搜索时几乎总是指定某个维度（减少搜索范围）
  • 需要按分区独立 load/release（冷热分层）

常见错误

现象 原因 修复
分区数超限 手动创建超过 1024 个分区 改用 Partition Key
Partition Key 搜索没加速 filter 中没有包含分区键条件 搜索时必须带分区键的 filter
drop_partition 报错 分区未 release 先 release 再 drop
数据写入错误分区 手动分区时 partition_name 拼错 检查分区名，或改用 Partition Key
分区内数据不均匀 hash 分桶碰撞 增大 num_partitions

面试题

  1. Partition Key 和手动 Partition 的本质区别？

    Partition Key 是声明式的------你告诉 Milvus 按哪个字段分区，路由自动完成。手动 Partition 是命令式的------你需要自己创建分区、指定写入分区、指定搜索分区。Partition Key 更适合动态场景。

  2. 为什么 Partition Key 搜索时必须带 filter？

    Partition Key 通过 filter 中的条件确定要搜索哪些分桶。如果不带 filter，Milvus 会搜索所有分桶，失去分区的性能优势。

  3. 按时间分区有什么优势？

    可以整个分区 drop（比逐条 delete 快得多），可以按分区 load/release（冷数据不占内存），搜索时只访问相关时间范围的分区。

  4. 分区太多会有什么问题？

    每个分区有独立的 Segment 和索引元数据。分区过多会增加 etcd 元数据压力、内存碎片和调度复杂度。建议手动分区 < 100，Partition Key 分桶 < 1024。

  5. Partition Key 的 num_partitions 设多大合适？

    经验值：租户数的 1-2 倍，但不超过 1024。太小会导致多个租户共享分桶（仍需 filter 精确过滤），太大会增加管理开销。

练习题

  1. 手动分区实验：创建按月份分区的 Collection，写入 3 个月的数据。对比搜索全部分区和搜索单个分区的延迟。

  2. Partition Key 实验：创建 Partition Key 为 tenant_id 的 Collection，写入 10 个租户的数据。搜索时带和不带 tenant_id filter，对比延迟。

  3. 分区删除：模拟 TTL 场景------创建按月分区，写入数据后 drop 最早的分区，验证数据确实被删除且其他分区不受影响。

  4. 分区 vs 过滤：同一批数据分别用 Partition Key 和纯 filter 实现租户隔离，写入 100 万条数据（10 个租户），对比搜索延迟。

小结

分区是 Milvus 中实现数据物理隔离的机制。Partition Key 适合多租户等动态场景（自动路由），手动 Partition 适合按时间管理数据生命周期（支持整分区删除和释放）。选择分区策略的核心判断：搜索时是否几乎总是按某个维度过滤，且该维度的过滤比例很高。

热门推荐
01GitHub 镜像站点022026年7月AI圈大地震：GPT-5.6被政府限制、Claude入驻Slack、Anthropic自研芯片03AI科技热点日报 | 2026年07月01日04幻兽帕鲁 - 服务器管理员权限与 GM 命令完全指南05GPT-5.5 对比 GPT-5.6 Sol、Terra、Luna：官方性能数据与选型分析062026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？07AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路08国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）09几个好用的ip纯净度检测网站102026 年 AI 大模型 & AI 编程工具实战全总结