Qdrant向量数据库的使用

向量数据库(二):Qdrant 通过 Qdrant 了解下向量数据库 阅读详情
AI摘要

本文介绍了Qdrant矢量数据库,一个用于存储和搜索向量数据的高效工具,包括Docker安装步骤,以及如何通过Python客户端进行索引创建、数据添加、查询和过滤操作。

Qdrant向量数据库的使用

1 介绍

Qdrant(读作:quadrant)是一个矢量相似性搜索引擎和矢量数据库。它提供了一个方便的API来存储、搜索和管理点向量的生产就绪服务,并提供了额外的有效负载专门用于扩展过滤支持。这使得在各种神经网络或基于语义的匹配、多面搜索和其他应用方面更加有用。

Qdrant要比Weaviate向量库好用。

# Github地址
https://github.com/qdrant/qdrant

# 官网
https://qdrant.tech/

# 开发文档
https://qdrant.tech/documentation/


# 详细的实例参考
https://qdrant.tech/documentation/tutorials/search-beginners/

2 使用Docker安装

安装Qdrant

docker run -itd --name=qdrant \
-p 6333:6333 \
-p 6334:6334 \
-e "QDRANT__SERVICE__API_KEY=123456" \
-e "QDRANT__SERVICE__JWT_RBAC=true" \
-v /home/qdrant_storage:/qdrant/storage:z \
qdrant/qdrant

可视化界面和接口

REST接口: localhost:6333
Web UI: localhost:6333/dashboard
GRPC接口: localhost:6334

REST接口

在这里插入图片描述

Web UI

需要输入密钥(创建容器时设置):123456

在这里插入图片描述

操作台
在这里插入图片描述

安装Python

pip install qdrant-client[fastembed] -i https://pypi.tuna.tsinghua.edu.cn/simple

3 Python使用Qdrant

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams

from qdrant_client.models import PointStruct

from qdrant_client.models import Filter, FieldCondition, MatchValue

# 创建客户端
ip_addr = "192.168.108.200"
client = QdrantClient(
    url="http://"+ip_addr,
    port=6333,
    grpc_port=6334,
    api_key="123456"
)


# 创建索引
def create_collection():
    client.create_collection(
        # 设置索引的名称
        collection_name="test_collection",
        # 设置索引中输入向量的长度
        # 参数size是数据维度
        # 参数distance是计算的方法,主要有COSINE(余弦),EUCLID(欧氏距离)、DOT(点积),MANHATTAN(曼哈顿距离)
        vectors_config=VectorParams(size=4, distance=Distance.DOT),
    )


def add_data():

    operation_info = client.upsert(
        collection_name="test_collection",
        wait=True,
        points=[
            PointStruct(id=1, vector=[0.05, 0.61, 0.76, 0.74], payload={"city": "Berlin"}),
            PointStruct(id=2, vector=[0.19, 0.81, 0.75, 0.11], payload={"city": "London"}),
            PointStruct(id=3, vector=[0.36, 0.55, 0.47, 0.94], payload={"city": "Moscow"}),
            PointStruct(id=4, vector=[0.18, 0.01, 0.85, 0.80], payload={"city": "New York"}),
            PointStruct(id=5, vector=[0.24, 0.18, 0.22, 0.44], payload={"city": "Beijing"}),
            PointStruct(id=6, vector=[0.35, 0.08, 0.11, 0.44], payload={"city": "Mumbai"}),
        ],
    )

    # 返回值
    # operation_id=0 status=<UpdateStatus.COMPLETED: 'completed'>
    print(operation_info)


def query_data():
    search_result = client.search(
        # 设置索引
        collection_name="test_collection",
        # 查询向量
        query_vector=[0.2, 0.1, 0.9, 0.7],
        # 限制返回值的数量
        limit=3
    )

    # 返回值
    # [ScoredPoint(id=4, version=0, score=1.362, payload={'city': 'New York'}, vector=None, shard_key=None), ScoredPoint(id=1, version=0, score=1.273, payload={'city': 'Berlin'}, vector=None, shard_key=None), ScoredPoint(id=3, version=0, score=1.208, payload={'city': 'Moscow'}, vector=None, shard_key=None)]
    print(search_result)

def filter_data():
    search_result = client.search(
        collection_name="test_collection",
        query_vector=[0.2, 0.1, 0.9, 0.7],

        # 添加过滤器,数据中必须含有London
        query_filter=Filter(
            must=[FieldCondition(key="city", match=MatchValue(value="London"))]
        ),
        with_payload=True,
        limit=3
    )

    # 返回值
    # [ScoredPoint(id=2, version=0, score=0.871, payload={'city': 'London'}, vector=None, shard_key=None)]
    print(search_result)


if __name__ == '__main__':
    # 1 创建索引
    # create_collection()

    # 2 添加数据
    # add_data()

    # 3 查询数据
    query_data()

    # 4 过滤数据
    filter_data()

[解锁Qdrant的潜力:向量相似性搜索引擎的奇妙之旅] Qdrant为向量相似性搜索提供了一种高效而强大的解决方案。无论是构建推荐系统还是进行复杂的语义查询,Qdrant都能帮助开发者实现需求。通过优化硬件资源和合理配置参数,你可以显著提高数据存储和检索的效率。Qdrant 官方文档Qdrant GitHub 仓库Langchain-Qdrant 使用指南。 阅读详情

相关推荐

Qdrant向量数据库

Qdrant是一个开源的向量数据库,一个矢量相似性搜索引擎,提供了便携的云托管服务(可以通过Docker进行部署、可以分布式部署、可以创建Qdrant Cloud集群),可以轻松扩展,并提供了一个可以与数据进行交互的UI,简化了运维工作。

xawangxiaolong的博客 892

向量数据库qdrant安装与入门

Qdrant是一个开源的向量相似度搜索引擎和向量数据库,专为高效存储和检索高维向量数据而设计。它基于Rust语言开发,提供了高性能的向量搜索能力,常用于推荐系统、图像检索、自然语言处理等AI应用场景。Qdrant不仅支持REST API和gRPC接口,还提供了多种语言的客户端SDK,包括Python、Go、Java、Rust等,方便开发者快速集成到现有系统中。主要特点:采用先进的近似最近邻(ANN)算法,支持毫秒级的向量检索优化了索引结构和查询处理流程,单节点可处理每秒数千次查询。

Made In SQL 3584

【向量数据库选型实战】FAISS vs Chroma vs Milvus vs Qdrant 全面对比

向量数据库选型指南 本文对比了4种常用向量数据库的特点和适用场景: 1. 核心对比 Qdrant:适合RAG系统、实时更新、结构化检索,部署简单 FAISS:极致性能但静态数据,适合研究/原型 Chroma:轻量级,适合POC/教学 Milvus:企业级分布式方案,适合海量数据 2. 选型建议 生产级RAG系统 → Qdrant 离线批量检索 → FAISS 快速原型验证 → Chroma 企业多模态系统 → Milvus 3. 关键指标 包括开源支持、持久化能力、API接口、实时更新、分布式支持等维度对比

qq_62223405的博客 4703

Qdrant - 基础查询 dotnet, python

向量数据库Qdrant初探, Docker run Qdrant, 使用 python, dotnet连接Qdrant 并使用其基本的检索能力

petunsecn的专栏 4349

向量库Qdrant

Qdrant是一款基于Rust开发的创新型开源向量数据库,专为AI应用设计。其核心特性包括:1)自研Gridstore存储引擎,彻底解决LSM树性能抖动问题;2)可过滤HNSW索引技术,在保证检索精度的同时支持复杂条件过滤;3)支持混合搜索和二进制量化,显著提升检索效率。相比同类产品,Qdrant在性能延迟(P99低至4ms)和资源效率(内存占用减少97%)方面表现突出。系统架构上采用Rust的无GC特性实现稳定低延迟,并通过云原生设计支持分布式部署。典型应用于RAG、推荐系统等场景,尤其适合对实时性要求严

几十年资深高级架构师,技术专家的技术笔记。专注C、Java、Python、微服务、云原生、AI工程化及高并发系统分布式架构实战,分享源码剖析、性能调优与架构治理经验。 119

运营商技术岗一面面经:从面试流程到回答框架的复盘总结

面试本质上是一场信息匹配与表达能力测试,技术岗一面尤其看重候选人能否在有限时间内清晰展现思考路径。运营商技术岗面试虽涉及网络、系统等专业基础,但核心考察点往往在于结构化表达、抗干扰能力以及面对未知问题的分析逻辑。从自我介绍的项目细节,到项目经历中的回滚方案,再到Linux命令、Python脚本等基础技能,面试官更关注你如何组织思路、如何应对追问。这类一面场景常见于通信运营商、网络运维、IT支撑等岗位的招聘流程中。提前梳理高频问题框架,训练90秒内的高密度表达,并掌握有条件的表态策略,能显著提升面试通过率。这

weixin_28721917的博客 187

在Semantic Kernel中使用Qdrant向量数据库

本文将介绍如何在Semantic Kernel中使用Qdrant向量数据库,并演示如何在Semantic Kernel中进行向量更新和查询操作。

桑榆肖物 2585

ZYNQ千兆网UDP通信实战:从Vivado配置到LWIP优化全流程(附避坑指南)

本文详细介绍了在ZYNQ平台上实现千兆以太网UDP通信的全流程,包括Vivado硬件配置、LWIP协议栈优化及实战代码示例。通过关键参数调整和性能优化,系统吞吐量可提升至850Mbps以上,适用于高速网络通信场景。

weixin_29161785的博客 233

向量数据库Qdrant

向量数据库,顾名思义,它以高维向量的形式存储数据。这些向量是一串数字,代表了某个对象的特征或属性。每一个向量都对应着一个独一无二的实体,比如一段文字、一张图片或一段视频。

2401_87842592的博客 1985

DaVinci Developer中枚举类型变量的创建与实战应用

本文详细介绍了在DaVinci Developer中创建和使用枚举类型变量的方法与实战应用。通过智能温控系统的案例,阐述了枚举类型在嵌入式开发中的核心价值,包括提升代码可读性、类型安全性和维护便捷性。文章还提供了枚举类型在状态机实现和多模块协同中的高级应用技巧,以及调试与优化的实用建议。

ik678901234的博客 513

告别切换烦恼!用Parallels Desktop的Host-Only网卡,在macOS上直接访问虚拟机里的公司内网

本文详细介绍了如何在macOS上使用Parallels Desktop的Host-Only网卡直接访问虚拟机内的公司内网,告别频繁切换操作系统的烦恼。通过配置Host-Only网络模式,实现主机与虚拟机的安全高效通信,特别适合需要频繁访问内网资源的IT从业者。文章包含分步指南、自动化脚本和常见问题解决方案,帮助用户优化工作流程。

weixin_28739079的博客 364

【RAG落地利器】向量数据库Qdrant使用教程

Qdrant向量数据库的集合概念可以类比MYSQL的表结构,用于统一存储同一类向量数据,集合中存储的每一条数据,在Qdrant中称为点(points),这里的点有数学几何空间的点类似的意思,代表向量在几何空间中的表示(你就当成一条数据看待就行)。创建好集合之后,我们可以向集合添加向量数据,在Qdrant中向量数据使用point表示,一条point数据包括三部分id、payload(关联数据)、向量数据(vector)三部分。每个位置都会有一个向量和一些额外的信息(称为payload),比如它的名字。

yanqianglifei的专栏 2942

基于MOS的防反接电路

防反接电路一般用于电源入口处,在电源反接时,保证电源入口之后的电路不会受到损害。一般在电源电流较小、对1V左右的压降不敏感时可以使用二极管进行防反接。防反接的形式有直接在正极串联二极管(如图1),或使用整流桥的方式(如图2),但这两种方式均存在:1、存在二极管的管压降;2、过大电流时,二极管消耗的功率大,发热严重。这两个问题。 图 1 二极管防反接电路 图 2 整流管防反接电路 1、基于NMO...

qq_42682826的博客 2万+

Qdrant 向量数据库的简单使用

向量数据库Qdrant的简单使用

J_bean的博客 2971

如何利用CANoe在两路CAN通道之间创建网关(gateway)

CANoe网关,利用CAPL实现CAN转发

Richy_Lai的博客 7903

别再为PT100测温发愁了!手把手教你用ADS1247+STM32搞定高精度温度采集(附完整代码)

本文详细介绍了如何使用ADS1247与STM32构建高精度PT100测温系统,涵盖硬件设计、SPI配置、温度计算及调试技巧。通过24位ADC和内置PGA,实现0.1℃级精度,适用于工业自动化和医疗设备。附完整代码和常见问题解决方案,助你快速掌握高精度温度采集技术。

weixin_42524703的博客 344

使用Docker安装Qdrant向量数据库

集合(Collections):集合是一组命名的点(带有有效负载的向量),您可以在其中进行搜索。存储(Storage):Qdrant 可以使用两种存储选项之一:内存存储(将所有向量存储在 RAM 中,具有最高速度,因为仅需要持久性才需要磁盘访问)或Memmap存储(创建与磁盘上的文件)。它控制搜索的速度和准确性之间的权衡。点(Points):点是 Qdrant 运行的中心实体,它们由向量和可选的 id 和有效负载组成。/data/qdrant/data 是宿主机上的目录,用于存储 Qdrant 的数据。

曼陀罗的博客 5506

一个严谨的STM32串口DMA发送&接收(1.5Mbps波特率)机制

本文描述串口DMA收/发机制设计,及STM32串口DMA收/发实现。

只要思想不滑坡,想法总比问题多。 5万+

Qdrant向量数据库入门指南

Qdrant是一个开源的向量相似度搜索引擎,它提供了一个生产就绪的服务,通过便捷的API来存储、搜索和管理带有额外有效载荷的向量。

积跬步,至千里。 4020

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

qdrant向量数据库

Qdrant是一个专为向量相似度搜索设计的高性能数据库,采用Rust编写,核心架构包括HNSW索引、向量存储和元数据存储。它支持REST/gRPC接口,提供单机、集群和云原生部署方式。Qdrant采用开源模式(Apache 2.0),商业版提供托管服务。主要功能包括快速向量检索、高效过滤和可扩展性,适用于AI和机器学习场景。部署方式简单,可通过Docker快速启动,并内置Web管理界面。典型应用包括创建集合、插入向量数据和执行相似度查询等操作。

XiaoCai 2464

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

使用 Qdrant 向量数据库

【代码】使用 Qdrant 向量数据库。

Leon_Jinhai_Sun的博客 872

开源向量数据库性能对比: Milvus, Chroma, Qdrant

01.前言为应对公司在大规模文本、图像等非结构化数据处理上的业务增长需求,笔者着手调研当前流行的开源向量数据库。主要针对查询速度、并发度和召回率这几大核心维度进行深入分析,以确保选定的数据库方案能够在实际业务场景中高效应对大规模数据检索和高并发需求。通过全面对比不同数据库的表现,得出可靠的调研结论。笔者首先在墨天轮排行榜中查看了国产向量数据库的排行情况。前三名分别是 Milvus、TensorDB...

ZILLIZ 7685

Qdrant向量数据库快速入门指南

Qdrant是一个开源的向量搜索引擎和向量数据库,专为高效存储和检索高维向量数据而设计。它支持多种相似度计算方式(如余弦相似度、点积、欧氏距离等),并提供强大的过滤功能,非常适合构建推荐系统、语义搜索、图像检索等AI应用。 ## 环境准备 ### 使用Docker运行Qdrant Qdrant官方提供了预构建的Docker镜像,这是最简单快速的启动方式: ```bash docker pu...

gitblog_00251的博客 881
上一篇: 简单使用ollama
下一篇: 不错的开源项目
MasonYyp
博客等级 码龄9年 301粉丝 297原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值