wordpress地址和站点地址错,电子商务网站建设财务预算,全网网站建设推广,设计网站免费大全Milvus 是一款云原生的开源向量数据库#xff0c;专为向量相似性搜索和 AI 应用赋能。Milvus 支持水平扩展#xff0c;可以处理海量数据#xff0c;同时#xff0c;Milvus 还提供多语言的 SDK #xff08;包括 JavaScript#xff09;。 使用 Milvus node.js SDK#xff… Milvus 是一款云原生的开源向量数据库专为向量相似性搜索和 AI 应用赋能。Milvus 支持水平扩展可以处理海量数据同时Milvus 还提供多语言的 SDK 包括 JavaScript。 使用 Milvus node.js SDK可以轻松搭建灵活且强大的数据处理系统。Milvus 支持使用 Node.js 连接至服务器完成各种数据库操作。我们还可以使用 Milvus Nods.js SDK 进行一些列操作如创建 Collection集合、插入数据、构建索引、查询和搜索数据等。 本文为入门级使用教程将从如何设置环境、连接至 Milvus 数据库、创建 Collection、进行数据操作如插入和查询数据。其中连接数据库是最为重要的基础性步骤只有连接 Milvus 数据库后才能自由探索 Milvus 提供的丰富资源。准备好3、2、1开始 01.前提条件 开始前请先在开发系统安装所需软件和依赖。由于本教程使用 Milvus Lite所以请安装 Python 3.8 及以上版本 Node.js 12 及以上版本 npm 12 及以上版本 yarn 02.安装并运行 Milvus Lite 运用 Milvus Lite 这样的 Python 应用的最佳方式就是使用虚拟环境。 请先创建、部署环境并升级 pip。 [egoebelbeckerares examples]$ python3 -m venv ./venv[egoebelbeckerares examples]$ source venv/bin/activate(venv) [egoebelbeckerares examples]$ pip install --upgrade pipRequirement already satisfied: pip in ./venv/lib64/python3.11/site-packages (22.3.1)Collecting pipUsing cached pip-23.2-py3-none-any.whl (2.1 MB)Installing collected packages: pipAttempting uninstall: pipFound existing installation: pip 22.3.1Uninstalling pip-22.3.1:Successfully uninstalled pip-22.3.1Successfully installed pip-23.2 接着通过 PyPi 安装 Milvus 向量数据库。 (venv) [egoebelbeckerares examples]$ pip install milvusCollecting milvus Obtaining dependency information for milvus from https://files.pythonhosted.org/packages/c1/a6/599ba1f8615e6ec73208ab614f5daf7ab27097070fbbd1715a1b5cc5e578/milvus-2.2.11-py3-none-manylinux2014_x86_64.whl.metadata Downloading milvus-2.2.11-py3-none-manylinux2014_x86_64.whl.metadata (6.7 kB)Using cached milvus-2.2.11-py3-none-manylinux2014_x86_64.whl (51.7 MB)Installing collected packages: milvusSuccessfully installed milvus-2.2.11(venv) [egoebelbeckerares examples]$ 最后运行服务器。 (venv) [egoebelbeckerares examples]$ milvus-server __ _________ _ ____ ______ / |/ / _/ /| | / / / / / __/ / /|_/ // // /_| |/ / /_/ /\\ \\ /_/ /_/___/____/___/\\____/___/ {Lite} Welcome to use Milvus! Version: v2.2.11-lite Process: 505236 Started: 2023-07-20 14:18:37 Config: /home/egoebelbecker/.milvus.io/milvus-server/2.2.11/configs/milvus.yaml Logs: /home/egoebelbecker/.milvus.io/milvus-server/2.2.11/logs CtrlC to exit ... 03.安装 Milvus node.js SDK 首先初始化 npm。 [egoebelbeckerares examples]$ npm init[egoebelbeckerares examples]$ npm install zilliz/milvus2-sdk-node 完成后就可以开始编写代码啦 04.使用 Javascript 玩转 Milvus 安装完 Milvus 和 JavaScript 之后就可以开始运用它们了。 ##3 连接 Milvus 通过 MilvusClient 连接 Milvus。Milvus 提供多种连接方式例如使用用户名密码、服务器地址等。由于本教程使用的是 Milvus Lite 版本所以连接时只需提供服务器地址即可。 可以通过以下步骤创建 MilvusClient。通过检查 connectStatus 字段我们可以查看连接是否成功。 import { MilvusClient } from zilliz/milvus2-sdk-node;const milvusClient new MilvusClient({ address: localhost:19530,});console.log(Connection status: milvusClient.connectStatus) 输出结果如下所示 Connection status: 1 创建向量数据库 大部分 Milvus Javascript API 使用网络请求并返回 promise。这些 Javascript API 不一定会按照在您的代码中的顺序执行所以请务必注意 API 执行时间点。您可以借助 promise 链式调用、代码块、await 等手段确保函数按照您指定的顺序执行。 为确保代码易读性本教程将使用独立的代码块并在执行完成后打印 promise。在必要时代码中还会使用 await 作为一种强制指定执行顺序的手段。本教程代码不适用于生产环境请务必注意。 以下代码通过 createDatabase 创建数据库使用 await 保证在上一个命令执行完后再执行下一个命令。最后本代码还通过 listDatabases 验证新数据库是否创建成功。 CreateDatabase 只需要提供新数据库名称这 1 个参数值。 import { MilvusClient } from zilliz/milvus2-sdk-node;(async () { const milvusClient new MilvusClient({ address: localhost:19530, }); console.log(Connection status: milvusClient.connectStatus) const createDb await milvusClient.createDatabase({ db_name: my_db }); console.log(Database is created, createDb); const listDatabases await milvusClient.listDatabases(); console.log(list databases, listDatabases);})(); 结果如下 Connection status: 1Database is created { error_code: Success, reason: }list databases { db_names: [ my_db, default ], status: { error_code: Success, reason: }} 创建集合Collection 数据库创建完成后我们就可以继续在数据库中创建集合并插入数据。 以下代码在连接 Milvus 后在 my_db 数据库中通过 createCollection创建新 Collection。创建后通过 describeCollection检查是否创建成功。创建新 Collection 时需要设置 Schema定义数据类型。因此代码中需要导入 DataType。 import { MilvusClient, DataType } from zilliz/milvus2-sdk-node;(async () { const milvusClient new MilvusClient({ address: localhost:19530, }); console.log(Connection status: milvusClient.connectStatus); await milvusClient.use({ db_name: my_db }); const create await milvusClient.createCollection({ collection_name: sample_collection, fields: [ { name: age, description: ID field, data_type: DataType.Int64, is_primary_key: true, autoID: true, }, { name: vector, description: Vector field, data_type: DataType.FloatVector, dim: 8, }, { name: height, description: int64 field, data_type: DataType.Int64 }, { name: name, description: VarChar field, data_type: DataType.VarChar, max_length: 128, }, ], }); console.log(Create collection is finished., create); await milvusClient.describeCollection({ collection_name: sample_collection}); console.log(describe collection, describeCollection); })(); 脚本运行成功后会返回新 Collection 信息。 Connection status: 1new Database is using { error_code: Success, reason: }Create collection is finished. { error_code: Success, reason: }describe collection { virtual_channel_names: [ by-dev-rootcoord-dml_1_443014985196255045v0 ], physical_channel_names: [ by-dev-rootcoord-dml_1 ], aliases: [], start_positions: [], properties: [], status: { error_code: Success, reason: }, schema: { fields: [ [Object], [Object], [Object], [Object] ], name: sample_collection, description: , autoID: false, enable_dynamic_field: false }, collectionID: 443014985196255045, created_timestamp: 443015720996700166, created_utc_timestamp: 1689970859515, shards_num: 1, consistency_level: Bounded, collection_name: sample_collection, db_name: my_db, num_partitions: 1} 插入数据、查询数据 插入前先准备数据。以下脚本使用 InsertReq 向新 Collection 中插入数据。 import { MilvusClient, InsertReq } from zilliz/milvus2-sdk-node;(async () { const milvusClient new MilvusClient({ address: localhost:19530, }); console.log(Connection status: milvusClient.connectStatus); const useDb await milvusClient.use({ db_name: my_db }); console.log(new Database is using, useDb); const vectorsData [ { vector: [ 0.11878310581111173, 0.9694947902934701, 0.16443679307243175, 0.5484226189097237, 0.9839246709011924, 0.5178387104937776, 0.8716926129208069, 0.5616972243831446, ], height: 20405, name: zlnmh, }, { vector: [ 0.9992090731236536, 0.8248790611809487, 0.8660083940881405, 0.09946359318481224, 0.6790698063908669, 0.5013786801063624, 0.795311915725105, 0.9183033261617566, ], height: 93773, name: 5lr9y, }, { vector: [ 0.8761291569818763, 0.07127366044153227, 0.775648976160332, 0.5619757601304878, 0.6076543120476996, 0.8373907516027586, 0.8556140171597648, 0.4043893119391049, ], height: 85122, name: nes0j, }, { vector: [ 0.5849602436079879, 0.5108258101682586, 0.8250884731578105, 0.7996354835509332, 0.8207766774911736, 0.38133662902290566, 0.7576720055508186, 0.4393152967662368, ], height: 92037, name: ct2li, }, { vector: [ 0.3768133716738886, 0.3823259261020866, 0.7906232829855262, 0.31693696726284193, 0.3731715403499176, 0.3300751870649885, 0.22353556137796238, 0.38062799545615444, ], height: 31400, name: 6ghrg, }, { vector: [ 0.0007531778212483964, 0.12941566118774994, 0.9340164428788116, 0.3795768837758642, 0.4532443258064389, 0.596455163143, 0.9529469158782906, 0.7692465408044873, ], height: 1778, name: sb7mt, }, ]; const params: InsertReq { collection_name: sample_collection, fields_data: vectorsData, }; // insert data into collection const insert await milvusClient.insert(params); console.log(Inserted data:, insert);})(); API 返回插入的数据信息。 Connection status: 1new Database is using { error_code: Success, reason: }Inserted data: { succ_index: [ 0, 1, 2, 3, 4, 5 ], err_index: [], status: { error_code: Success, reason: }, IDs: { int_id: { data: [Array] }, id_field: int_id }, acknowledged: false, insert_cnt: 6, delete_cnt: 0, upsert_cnt: 0, timestamp: 443015922585698312} 数据插入完成后就可以开始查询数据了。在正式开始查询前可以先为 Collection 构建索引加速查询。以下代码针对向量字段构建索引。 const createIndex await milvusClient.createIndex({ collection_name: sample_collection, field_name: vector, metric_type: L2,}); 同样在运行数据查询命令前仍需要连接 Milvus 数据库。 以下示例在查询数据时设置了年龄的过滤条件。 import { MilvusClient } from zilliz/milvus2-sdk-node;(async () { const milvusClient new MilvusClient({ address: localhost:19530, }); const useDb await milvusClient.use({ db_name: my_db }); console.log(new Database is using, useDb); const load await milvusClient.loadCollectionSync({ collection_name: sample_collection }); const query await milvusClient.query({ collection_name: sample_collection, filter: age 0, output_fields: [age, vector], limit: 100, }); console.log(query result, query);})(); 以下为查询结果 new Database is using { error_code: Success, reason: }Query time: 235.806msquery result { status: { error_code: Success, reason: }, data: [ { vector: [Array], age: 443014985196258910 }, { vector: [Array], age: 443014985196258911 }, { vector: [Array], age: 443014985196258912 }, { vector: [Array], age: 443014985196258913 }, { vector: [Array], age: 443014985196258914 }, { vector: [Array], age: 443014985196258915 } ]} 向量搜索 将 Collection 加载到内存后可以进行向量相似性搜索。 import { MilvusClient } from zilliz/milvus2-sdk-node;(async () { const milvusClient new MilvusClient({ address: localhost:19530, }); const useDb await milvusClient.use({ db_name: my_db }); console.log(new Database is using, useDb); const load await milvusClient.loadCollectionSync({ collection_name: sample_collection }); const query await milvusClient.search({ collection_name: sample_collection, vector: [1,2,3,4,5,6,7,8], filter: age 0, output_fields: [id, age], limit: 5, }); console.log(query result, query);})(); 以下为搜索结果 Search result { status: { error_code: Success, reason: }, results: [ { score: 0, id: 442936641561652921, age: 442936641561652921 }, { score: 1.0004949569702148, id: 442936641561652924, age: 442936641561652924 }, { score: 1.6779069900512695, id: 442936641561652926, age: 442936641561652926 }, { score: 1.7160398960113525, id: 442936641561652922, age: 442936641561652922 }, { score: 1.718210220336914, id: 442936641561652925, age: 442936641561652925 } ]} 05.总结 本教程展示了如何部署环境并使用 JavaScript 玩转 Milvus。文本具体展示了如何连接 Milvus 服务器、创建数据库和 Collection、插入数据、查询数据、进行向量相似性搜索。 如果大家想要更轻松地使用 Milvus还可以试试 Zilliz Cloud——全托管的向量数据库服务提供开箱即用的 Milvus 体验。 「寻找 AIGC 时代的 CVP 实践之星」 专题活动即将启动 Zilliz 将联合国内头部大模型厂商一同甄选应用场景 由双方提供向量数据库与大模型顶级技术专家为用户赋能一同打磨应用提升落地效果赋能业务本身。 如果你的应用也适合 CVP 框架且正为应用落地和实际效果发愁可直接申请参与活动获得最专业的帮助和指导联系邮箱为 businesszilliz.com。 本文作者 Eric Goebelbecker 现居纽约有着 25 年的金融市场从业经验。他负责为金融资讯交换FIX协定网络和市场数据分析系统搭建基础设施。Eric 热衷于探索各种提升团队工作效率的工具和软件。 如果在使用 Milvus 或 Zilliz 产品有任何问题可添加小助手微信 “zilliz-tech” 加入交流群。 欢迎关注微信公众号“Zilliz”了解最新资讯。 本文由 mdnice 多平台发布
