网站架构文案,一般的网络课程设计应包括课程设计和,网站推广工作是在网站发布之后开展的,wordpress 分享 插件概念 Milvus 关键概念优化笔记
Milvus 是一个高性能、可扩展的开源向量数据库#xff0c;专为处理海量向量数据和执行相似性搜索而设计。以下是 Milvus 中的一些核心概念及其详细解释。
1. 集合#xff08;Collection#xff09;
定义#xff1a; 集合是 Milvus 中存储向…概念 Milvus 关键概念优化笔记
Milvus 是一个高性能、可扩展的开源向量数据库专为处理海量向量数据和执行相似性搜索而设计。以下是 Milvus 中的一些核心概念及其详细解释。
1. 集合Collection
定义 集合是 Milvus 中存储向量数据的基本单位类似于关系数据库中的表。每个集合包含多个向量每个向量可以有多个属性字段。
特点
结构化存储集合定义了向量的维度和相关的元数据字段。模式定义在创建集合时可以定义字段的名称、类型和参数。
示例
from pymilvus import Collection, FieldSchema, DataType# 定义字段
fields [FieldSchema(nameproduct_id, dtypeDataType.INT64, is_primaryTrue, auto_idFalse),FieldSchema(namedescription, dtypeDataType.VARCHAR, params{max_length: 65535}),FieldSchema(namevector, dtypeDataType.FLOAT_VECTOR, params{dim: 128}),
]# 创建集合
collection Collection(nameproduct_vectors, fieldsfields)说明
主键字段product_id 是主键唯一标识每个实体。向量字段vector 存储高维向量用于相似性搜索。元数据字段description 存储与向量相关的文本描述。
2. 向量索引Index
定义 索引用于加速向量的相似性搜索。Milvus 提供多种索引类型每种索引在不同的数据规模和查询场景下具有不同的性能表现。
常见索引类型
IVF_FLAT基于倒排文件的扁平索引适用于高精度搜索。IVF_SQ8基于倒排文件的量化索引平衡精度与性能。HNSW基于层次化导航小世界图的索引适用于快速近似搜索。ANNOY基于随机投影树的索引适用于大规模数据集。
示例
# 定义索引参数
index_params {index_type: IVF_FLAT,metric_type: L2,params: {nlist: 100},
}# 创建索引
collection.create_index(field_namevector, index_paramsindex_params)说明
index_type指定索引的类型如 IVF_FLAT。metric_type指定距离度量方式如 L2欧氏距离或 COSINE余弦相似度。params索引相关的参数如 nlist 控制倒排文件的数量。
3. 分区Partition
定义 分区是集合内数据的逻辑划分用于提高数据管理和查询效率。每个分区包含一部分向量数据可以基于特定的条件进行划分。
特点
逻辑隔离不同分区的数据在逻辑上隔离但在物理存储上仍在同一集合中。提高查询效率通过限定查询范围可以减少搜索空间提升查询性能。
示例
# 创建分区
partition collection.partition(nameelectronics, exprcategory electronics)说明
分区名称electronics 是分区的名称。分区表达式exprcategory electronics 定义了分区的数据范围。
4. 副本Replica
定义 副本是分区的冗余拷贝用于提升数据的可用性和查询性能。每个分区可以有多个副本确保在节点故障时数据不会丢失。
特点
高可用性通过副本机制确保数据在节点故障时仍然可用。负载均衡多个副本可以分担查询负载提升整体查询性能。
说明
副本数量副本数量通常在部署阶段配置具体取决于集群规模和容错需求。
5. 实体Entity与属性Attribute
实体Entity 集合中的一条记录包含一个或多个属性。
属性Attribute 实体中的具体字段如标识符、描述、向量等。
示例
# 定义实体数据
entities [[101, Product A description, vector_a],[102, Product B description, vector_b],[103, Product C description, vector_c],
]# 插入实体
collection.insert(entities)说明
主键每个实体通过 product_id 唯一标识。描述description 字段存储产品的文本描述。向量vector 字段存储产品的高维向量表示用于相似性搜索。
6. 向量数据与标量数据
向量数据Vector Data 高维浮点数数组用于表示实体的特征适用于相似性搜索。
标量数据Scalar Data 非向量数据如整数、字符串等用于存储实体的属性信息。
说明
向量数据用于执行相似性搜索。标量数据用于过滤和描述实体。
7. CRUD 操作
CRUD创建、读取、更新、删除是数据库管理的基本操作。
7.1 创建Create
创建集合和分区
# 创建集合
collection.create_collection(collection_nameproduct_vectors,dimension128
)# 创建分区
partition collection.partition(nameelectronics, exprcategory electronics)7.2 读取Read
查询和搜索数据
# 执行向量搜索
query_vectors [vector_query]
results collection.search(dataquery_vectors,anns_fieldvector,param{metric_type: L2, params: {nprobe: 10}},limit10,exprNone,output_fields[description],
)说明
anns_field指定用于搜索的向量字段。param搜索参数如 nprobe 控制搜索的广度。limit返回的最相似实体数量。expr过滤表达式限定搜索范围。
7.3 更新Update
Milvus 不直接支持更新操作。通常的做法是删除旧实体并插入新实体。
# 删除旧实体
collection.delete(exprproduct_id 101)# 插入新实体
new_entity [[101, Updated Product A description, new_vector_a]]
collection.insert(new_entity)7.4 删除Delete
删除实体
# 按表达式删除实体
collection.delete(exprcategory electronics)# 按 ID 删除实体
collection.delete(ids[101, 102])8. 查询与过滤
查询Query 检索符合特定条件的所有实体。
过滤Filter 基于标量字段的条件限制搜索范围。
示例
# 基于过滤条件的向量搜索
results collection.search(data[vector_query],anns_fieldvector,param{metric_type: L2, params: {nprobe: 10}},limit5,exprcategory electronics,output_fields[description],
)说明
expr过滤条件限定搜索在 category 为 electronics 的实体中进行。
9. 索引构建与管理
构建索引
index_params {index_type: IVF_FLAT,metric_type: L2,params: {nlist: 100},
}
collection.create_index(field_namevector, index_paramsindex_params)说明
index_type指定索引类型如 IVF_FLAT。metric_type距离度量方式如 L2欧氏距离。params索引相关参数如 nlist 控制倒排文件数量。
管理索引
# 列出索引
indexes collection.list_indexes()# 删除索引
collection.drop_index(field_namevector)10. 数据持久化与迁移
数据持久化 Milvus Lite 将所有数据存储在本地文件中可以通过重新连接到相同的数据库文件来加载现有数据。
示例
from pymilvus import MilvusClient# 加载现有数据库
client MilvusClient(milvus_demo.db)数据迁移 Milvus Lite 提供命令行工具可以将数据导出为 JSON 文件便于迁移到其他 Milvus 部署。
步骤 安装 Bulk Writer pip install -U pymilvus[bulk_writer]导出数据 milvus-lite dump -d ./milvus_demo.db -c demo_collection -p ./data_dir说明
-d, --db-fileMilvus Lite 数据库文件路径。-c, --collection需要导出的集合名称。-p, --path导出文件的存储目录。
11. 使用限制
Milvus Lite 适用于小规模的向量搜索用例但在某些功能上存在限制。以下是 Milvus Lite 的主要使用限制
11.1 集合Collection
方法 / 参数支持情况create_collection()支持参数有限制collection_name支持dimension支持primary_field_name支持id_type支持vector_field_name支持metric_type支持auto_id支持schema支持index_params支持enable_dynamic_field支持num_shards不支持partition_key_field不支持num_partitions不支持consistency_level仅支持 Strongget_collection_stats()支持获取集合统计信息describe_collection()部分参数无效如 num_shardshas_collection()支持检查集合是否存在list_collections()支持列出所有集合drop_collection()支持删除集合rename_collection()不支持
11.2 字段与模式Field Schema
方法 / 参数支持情况create_schema()支持参数有限制auto_id支持enable_dynamic_field支持primary_field支持partition_key_field不支持add_field()支持参数有限制field_name支持datatype支持is_primary支持max_length支持element_type支持max_capacity支持dim支持is_partition_key不支持
11.3 插入与搜索Insert Search
方法 / 参数支持情况search()支持参数有限制collection_name支持data支持filter支持limit支持output_fields支持search_params支持timeout支持partition_names不支持anns_field支持query()支持参数有限制get()支持参数有限制delete()支持参数有限制insert()支持参数有限制upsert()支持参数有限制
11.4 加载与释放Load Release
方法 / 参数支持情况load_collection()支持release_collection()支持get_load_state()不支持refresh_load()不支持close()支持
11.5 索引Index
方法 / 参数支持情况list_indexes()支持列出索引collection_name支持field_name支持create_index()仅支持 FLAT 索引类型index_params支持timeout支持drop_index()支持删除索引index_name支持describe_index()支持描述索引
11.6 向量索引类型Vector Index Types
Milvus Lite 仅支持 FLAT 索引类型。无论在集合中指定何种索引类型Milvus Lite 都会使用 FLAT 类型。
11.7 搜索功能Search Features
Milvus Lite 支持以下搜索功能
稀疏向量Sparse Vector多向量Multi-vector混合搜索Hybrid Search
11.8 分区与用户管理
分区PartitionMilvus Lite 不支持分区及相关方法。用户与角色Users RolesMilvus Lite 不支持用户和角色管理。别名AliasMilvus Lite 不支持别名及相关方法。 12. 补充概念
为了更全面地理解 Milvus以下是一些补充的重要概念
12.1 一致性级别Consistency Level
定义 一致性级别定义了数据在分布式环境中的一致性保证。
支持情况
Milvus Lite仅支持 Strong 一致性。服务器部署的 Milvus支持多种一致性级别如 Weak、Session 等。
说明
Strong保证数据的强一致性适用于需要高可靠性的应用场景。Weak允许一定程度的不一致以提高性能和可用性。
12.2 距离度量Distance Metric
定义 距离度量用于衡量向量之间的相似性。
常见距离度量类型
L2欧氏距离衡量向量之间的直线距离。COSINE余弦相似度衡量向量之间的角度相似性。IP内积衡量向量之间的内积。
说明
选择距离度量根据应用需求选择合适的距离度量类型以优化搜索结果的准确性和性能。
12.3 数据类型Data Types
向量数据类型
FLOAT_VECTOR存储浮点数向量。BINARY_VECTOR存储二进制向量。
标量数据类型
INT64长整型。VARCHAR可变长度字符串。FLOAT浮点数。DOUBLE双精度浮点数。
示例
from pymilvus import FieldSchema, DataTypefields [FieldSchema(nameid, dtypeDataType.INT64, is_primaryTrue, auto_idFalse),FieldSchema(namename, dtypeDataType.VARCHAR, params{max_length: 255}),FieldSchema(nameembedding, dtypeDataType.FLOAT_VECTOR, params{dim: 128}),
]12.4 CRUD 操作扩展
插入数据Insert 插入新的实体数据到集合中。
更新数据Update Milvus 不直接支持更新操作需通过删除旧数据并插入新数据实现。
读取数据Read 通过搜索和查询操作检索数据。
删除数据Delete 删除符合条件的实体数据。
12.5 数据加载与释放Load Release
加载集合Load Collection 将集合数据加载到内存中以便进行高效的查询和搜索。
collection.load()释放集合Release Collection 释放加载到内存中的集合数据节省内存资源。
collection.release()12.6 监控与管理工具
Birdwatcher 一个用于调试 Milvus 和动态配置更新的开源工具。
Prometheus Grafana 用于监控 Milvus 的性能指标和运行状态。
Attu 一个用于直观管理 Milvus 的开源 GUI 工具。
Milvus Backup 一个用于 Milvus 数据备份的开源工具支持数据的备份和恢复。 13. 总结
通过优化后的笔记您应该能够更清晰地理解 Milvus 的核心概念及其功能。以下是关键要点的总结
集合CollectionMilvus 中存储向量和元数据的基本单位类似于关系数据库中的表。索引Index用于加速向量相似性搜索支持多种索引类型。分区Partition**与**副本Replica用于数据的逻辑划分和高可用性Milvus Lite 不支持分区和副本。实体Entity**与**属性AttributeMilvus 中的数据记录及其具体字段。向量数据与标量数据向量用于相似性搜索标量用于描述和过滤。CRUD 操作包括创建、读取、更新和删除数据。一致性级别与距离度量定义数据的一致性保证和向量相似性的衡量方式。数据类型Milvus 支持多种向量和标量数据类型。数据加载与释放管理数据在内存中的加载和释放以优化性能。监控与管理工具使用工具如 Birdwatcher、Prometheus、Grafana 和 Attu 进行 Milvus 的监控和管理。
Milvus Lite 入门教案
课程结构
课程简介安装 Milvus Lite连接到 Milvus Lite创建集合准备和插入数据执行向量搜索使用元数据过滤查询和删除数据数据持久化与迁移实践练习总结与下一步 1. 课程简介
Milvus 是一个高性能、可扩展的向量数据库适用于存储和搜索高维向量数据。Milvus Lite 是 Milvus 的轻量级版本适合本地开发、学习和小规模应用。通过本教案您将学习如何使用 Milvus Lite 进行基本的向量操作和搜索。 2. 安装 Milvus Lite
步骤 1: 设置 Python 虚拟环境可选但推荐
使用虚拟环境可以隔离项目依赖避免版本冲突。
# 创建虚拟环境使用 venv
python3 -m venv milvus_env# 激活虚拟环境
# 对于 Linux 和 MacOS
source milvus_env/bin/activate# 对于 Windows
milvus_env\Scripts\activate步骤 2: 安装 pymilvus
Milvus Lite 已包含在 pymilvus 库中。使用以下命令安装最新版本
pip install -U pymilvus注意如果您希望显式安装 milvus-lite 包或者已经安装了较旧版本的 Milvus Lite 并希望更新可以使用 pip install -U milvus-lite3. 连接到 Milvus Lite
在 Python 脚本或 Jupyter Notebook 中导入 MilvusClient 并连接到 Milvus Lite。数据将存储在本地文件中例如 milvus_demo.db。
from pymilvus import MilvusClient# 创建一个 MilvusClient 实例数据将存储在 milvus_demo.db 文件中
client MilvusClient(./milvus_demo.db)说明
运行上述代码后会在当前目录下生成一个名为 milvus_demo.db 的数据库文件。这个文件用于存储向量数据和元数据。 4. 创建集合
在 Milvus 中集合Collection用于存储向量及其相关的元数据。创建集合时需要指定集合名称和向量的维度。
# 检查集合是否已存在如果存在则删除
if client.has_collection(collection_namedemo_collection):client.drop_collection(collection_namedemo_collection)# 创建一个新的集合
client.create_collection(collection_namedemo_collection,dimension384 # 向量的维度
)说明
集合名称demo_collection 是集合的名称可以根据需要更改。维度dimension384 指定向量的维度为 384您可以根据实际需求调整。 5. 准备和插入数据
本节将介绍如何准备向量数据并将其插入到 Milvus Lite 集合中。我们将使用随机向量作为示例。
步骤 1: 导入必要的库
import numpy as np
import random
from pymilvus import MilvusClient步骤 2: 生成向量数据
为了演示我们将创建一些文本并为其生成随机向量表示。
# 创建 MilvusClient 实例
client MilvusClient(./milvus_demo.db)# 创建集合如果尚未创建
client.create_collection(collection_namedemo_collection,dimension384
)# 文本数据
docs [Artificial intelligence was founded as an academic discipline in 1956.,Alan Turing was the first person to conduct substantial research in AI.,Born in Maida Vale, London, Turing was raised in southern England.,
]# 使用随机向量表示384 维
vectors [[random.uniform(-1, 1) for _ in range(384)] for _ in docs]# 组织数据为实体格式
data [{id: i, vector: vectors[i], text: docs[i], subject: history}for i in range(len(vectors))
]print(Data has, len(data), entities, each with fields:, data[0].keys())
print(Vector dim:, len(data[0][vector]))输出示例
Data has 3 entities, each with fields: dict_keys([id, vector, text, subject])
Vector dim: 384步骤 3: 插入数据
将准备好的数据插入到 Milvus Lite 集合中。
# 插入数据
res client.insert(collection_namedemo_collection,datadata
)print(res)输出示例
{insert_count: 3, ids: [0, 1, 2], cost: 0}说明
insert_count: 插入的实体数量。ids: 插入实体的主键 ID 列表。cost: 插入操作的耗时单位可能是毫秒。 6. 执行向量搜索
通过向量相似性搜索您可以找到与查询向量最相似的实体。
# 生成查询向量使用第一个实体的向量作为示例
query_vectors [vectors[0]]# 执行搜索
res client.search(collection_namedemo_collection, # 目标集合dataquery_vectors, # 查询向量limit2, # 返回实体数量output_fields[text, subject], # 指定返回的字段
)print(res)输出示例
data: [[{id: 2, distance: 0.5859, entity: {text: Born in Maida Vale, London, Turing was raised in southern England., subject: history}}, {id: 1, distance: 0.5118, entity: {text: Alan Turing was the first person to conduct substantial research in AI., subject: history}}]] , extra_info: {cost: 0}说明
距离度量默认使用余弦相似度COSINE距离越小表示越相似。返回结果每个查询返回一个结果列表包含实体的 ID、与查询向量的距离以及指定的字段。 7. 使用元数据过滤
您可以在向量搜索的同时根据元数据称为标量字段进行过滤以获得更精确的搜索结果。
步骤 1: 插入更多数据
插入主题为 “biology” 的新数据。
# 新的文本数据
new_docs [Machine learning has been used for drug design.,Computational synthesis with AI algorithms predicts molecular properties.,DDR1 is involved in cancers and fibrosis.,
]# 使用随机向量表示384 维
new_vectors [[random.uniform(-1, 1) for _ in range(384)] for _ in new_docs]# 组织数据为实体格式
new_data [{id: 3 i, vector: new_vectors[i], text: new_docs[i], subject: biology}for i in range(len(new_vectors))
]# 插入新数据
res client.insert(collection_namedemo_collection,datanew_data
)print(res)步骤 2: 执行带过滤条件的搜索
仅返回主题为 “biology” 的实体。
# 生成查询向量使用第一个实体的向量作为示例
query_vectors [vectors[0]]# 执行带过滤条件的搜索
res client.search(collection_namedemo_collection,dataquery_vectors,filtersubject biology, # 过滤条件limit2,output_fields[text, subject],
)print(res)输出示例
data: [[{id: 4, distance: 0.2703, entity: {text: Computational synthesis with AI algorithms predicts molecular properties., subject: biology}}, {id: 3, distance: 0.1642, entity: {text: Machine learning has been used for drug design., subject: biology}}]] , extra_info: {cost: 0}说明
过滤条件filtersubject biology 仅返回符合条件的实体。性能提示默认情况下标量字段未建立索引。如果在大规模数据集上执行带过滤条件的搜索建议使用固定模式并开启索引以提升搜索性能。 8. 查询和删除数据
8.1 查询操作
根据标量字段值检索实体
检索所有主题为 “history” 的实体。
# 检索所有 subject 为 history 的实体
res client.query(collection_namedemo_collection,filtersubject history,output_fields[text, subject],
)print(res)通过主键直接检索实体
检索 ID 为 0 和 2 的实体。
# 通过主键 ID 检索实体
res client.query(collection_namedemo_collection,ids[0, 2],output_fields[vector, text, subject],
)print(res)8.2 删除实体
按主键删除实体
删除 ID 为 0 和 2 的实体。
# 按主键 ID 删除实体
res client.delete(collection_namedemo_collection,ids[0, 2]
)print(res)按过滤条件删除实体
删除所有主题为 “biology” 的实体。
# 按过滤条件删除 subject 为 biology 的实体
res client.delete(collection_namedemo_collection,filtersubject biology,
)print(res)输出示例
[]
[]说明
删除操作成功后返回一个空列表表示没有剩余的实体符合删除条件。 9. 数据持久化与迁移
Milvus Lite 的数据存储在本地文件中可以通过重新连接到相同的数据库文件来加载现有数据。
步骤 1: 连接到现有数据
from pymilvus import MilvusClient# 创建一个 MilvusClient 实例加载现有的 milvus_demo.db 文件
client MilvusClient(milvus_demo.db)步骤 2: 删除集合
如果需要删除整个集合及其所有数据可以使用以下命令
# 删除集合
client.drop_collection(collection_namedemo_collection)步骤 3: 导出数据
Milvus Lite 提供了命令行工具可以将数据导出为 JSON 文件便于迁移到其他 Milvus 部署。
安装 Bulk Writer
pip install -U pymilvus[bulk_writer]导出数据
milvus-lite dump -d ./milvus_demo.db -c demo_collection -p ./data_dir参数说明
-d, --db-fileMilvus Lite 数据库文件路径。-c, --collection需要导出的集合名称。-p, --path导出文件的存储目录。
说明
导出的数据可以上传到 Zilliz Cloud 或其他 Milvus 服务器通过数据导入或批量插入功能进行导入。 10. 实践练习
通过以下练习您将巩固对 Milvus Lite 的理解和使用。
练习 1: 创建和管理集合
创建一个新的集合命名为 test_collection向量维度为 256。检查 test_collection 是否存在。删除 test_collection。
练习 2: 插入和搜索数据
创建一个集合 books_collection向量维度为 128。准备五本书的标题并为每本书生成随机向量。插入数据到 books_collection。执行向量搜索查找与某本书标题最相似的两本书。
练习 3: 使用元数据过滤
在 books_collection 中添加元数据字段 genre例如 “fiction”、“non-fiction”。插入包含不同 genre 的书籍数据。执行向量搜索同时过滤 genre fiction。
练习 4: 查询和删除操作
查询所有 genre non-fiction 的书籍。删除某本书籍通过 ID 或过滤条件。验证删除是否成功。 11. 总结与下一步
通过本教案您已经学习了如何在本地环境中安装和使用 Milvus Lite包括创建集合、插入数据、执行向量搜索、使用元数据过滤以及数据管理操作。以下是关键要点的总结和建议的下一步学习路径
关键要点总结
安装与配置通过 pymilvus 安装 Milvus Lite并连接到本地数据库文件。集合管理创建、检查、删除集合。数据操作插入、搜索、查询和删除数据。元数据过滤结合标量字段进行更精确的向量搜索。数据持久化数据存储在本地文件中可通过命令行工具导出和迁移。
下一步学习建议
深入了解 Milvus 的索引类型 虽然 Milvus Lite 仅支持 FLAT 索引但了解其他索引类型如 IVF、HNSW有助于在服务器部署时进行优化。 探索高级功能 学习如何在服务器部署中使用分区、负载均衡和高可用性配置。了解 Milvus 的安全配置如认证、授权和 TLS 加密。 实践项目 构建一个完整的文本搜索应用结合自然语言处理NLP模型生成向量嵌入。开发一个图像搜索系统使用图像特征向量进行相似性搜索。 迁移到生产环境 学习如何在 Docker 或 Kubernetes 上部署 Milvus Standalone 或 Distributed。了解如何使用 Zilliz Cloud 的完全托管 Milvus 服务简化部署和管理。 参与社区和获取支持 加入 Milvus 的官方论坛、Slack 或其他社区渠道与其他开发者交流经验。阅读官方文档和教程了解最新的功能和最佳实践。
参考资源
官方文档Milvus 官方文档GitHub 仓库Milvus GitHub社区支持加入 Milvus 的社区论坛或 Slack 频道获取帮助和交流经验。教程和示例Milvus Tutorials 附录: 关键代码示例
为了方便复习以下是本教案中涉及的关键代码示例的汇总。
连接到 Milvus Lite
from pymilvus import MilvusClientclient MilvusClient(./milvus_demo.db)创建集合
client.create_collection(collection_namedemo_collection,dimension384
)插入数据
import randomdocs [Artificial intelligence was founded as an academic discipline in 1956.,Alan Turing was the first person to conduct substantial research in AI.,Born in Maida Vale, London, Turing was raised in southern England.,
]vectors [[random.uniform(-1, 1) for _ in range(384)] for _ in docs]data [{id: i, vector: vectors[i], text: docs[i], subject: history}for i in range(len(vectors))
]res client.insert(collection_namedemo_collection,datadata
)print(res)执行向量搜索
query_vectors [vectors[0]]res client.search(collection_namedemo_collection,dataquery_vectors,limit2,output_fields[text, subject],
)print(res)使用元数据过滤的向量搜索
# 插入更多数据
new_docs [Machine learning has been used for drug design.,Computational synthesis with AI algorithms predicts molecular properties.,DDR1 is involved in cancers and fibrosis.,
]new_vectors [[random.uniform(-1, 1) for _ in range(384)] for _ in new_docs]new_data [{id: 3 i, vector: new_vectors[i], text: new_docs[i], subject: biology}for i in range(len(new_vectors))
]client.insert(collection_namedemo_collection,datanew_data
)# 带过滤条件的搜索
res client.search(collection_namedemo_collection,data[vectors[0]],filtersubject biology,limit2,output_fields[text, subject],
)print(res)查询操作
# 根据标量字段值检索
res client.query(collection_namedemo_collection,filtersubject history,output_fields[text, subject],
)print(res)# 通过主键检索
res client.query(collection_namedemo_collection,ids[0, 2],output_fields[vector, text, subject],
)print(res)删除实体
# 按主键删除
res client.delete(collection_namedemo_collection,ids[0, 2]
)print(res)# 按过滤条件删除
res client.delete(collection_namedemo_collection,filtersubject biology,
)print(res)删除集合
client.drop_collection(collection_namedemo_collection)迁移数据
pip install -U pymilvus[bulk_writer]# 导出数据
milvus-lite dump -d ./milvus_demo.db -c demo_collection -p ./data_dir
