使用数组字段
本指南解释了如何使用数组字段，包括插入数组值以及在数组字段中使用基本和高级运算符进行搜索和查询。
概述
Milvus支持数组作为字段数据类型之一。如果要将数组字段添加到模式中，必须为其元素设置数据类型以及该字段可以包含的最大元素数量。这表明Milvus集合中的数组应始终具有相同数据类型的元素。
例如，以下代码片段生成一个包含数组字段的随机数据集。
colors = ["green", "blue", "yellow", "red", "black", "white", "purple", "pink", "orange", "brown", "grey"]
data = []
for i in range(1000):
current_color = random.choice(colors)
current_tag = random.randint(1000, 9999)
current_coord = [ random.randint(0, 40) for _ in range(random.randint(3, 5)) ]
data.append({
"id": i,
"vector": [ random.uniform(-1, 1) for _ in range(5) ],
"color": current_color,
"color_tag": current_tag,
"color_coord": current_coord,
})
print(data[0])
List<String> colors = Arrays.asList("green", "blue", "yellow", "red", "black", "white", "purple", "pink", "orange", "brown", "grey");
List<JSONObject> data = new ArrayList<>();
for (int i=0; i<1000; i++) {
Random rand = new Random();
String current_color = colors.get(rand.nextInt(colors.size()-1));
Long current_tag = rand.nextLong(8999L) + 1000L;
// 生成一个随机大小的数组
Long capacity = rand.nextLong(5L) + 1L;
List<Long> current_coord = new ArrayList<>();
current_coord.add(rand.nextLong(40L) + 1L);
current_coord.add(rand.nextLong(40L) + 1L);
for (int j=3; j<capacity; j++) {
current_coord.add(rand.nextLong(40L) + 1L);
}
JSONObject row = new JSONObject();
row.put("id", Long.valueOf(i));
row.put("vector", Arrays.asList(rand.nextFloat(), rand.nextFloat(), rand.nextFloat(), rand.nextFloat(), rand.nextFloat()));
row.put("color", current_color);
row.put("color_tag", current_tag);
row.put("color_coord", current_coord);
data.add(row);
}
System.out.println(JSONObject.toJSON(data.get(0)));
const colors = ["绿色", "蓝色", "黄色", "红色", "黑色", "白色", "紫色", "粉色", "橙色", "棕色", "灰色"]
var data = []
for (let i = 0; i < 1000; i++) {
const current_color = colors[Math.floor(Math.random() * colors.length)]
const current_tag = Math.floor(Math.random() * 8999 + 1000)
const current_coord = Array(Math.floor(Math.random() * 5 + 1)).fill(0).map(() => Math.floor(Math.random() * 40))
data.push({
id: i,
vector: Array(5).fill(0).map(() => Math.random()),
color: current_color,
color_tag: current_tag,
color_coord: current_coord,
})
}
console.log(data[0])
您可以通过查看生成数据的第一个条目来查看其结构。
{
id: 0,
vector: [
0.0338537420906162,
0.6844108238358322,
0.28410588909961754,
0.09752595400212116,
0.22671013058761114
],
color: 'orange',
color_tag: 5677,
color_coord: [ 3, 0, 18, 29 ]
}
- 数组字段中的元素应为相同的数据类型。
- 数组字段中的元素数量应小于或等于数组字段的指定最大容量。
定义数组字段
要定义数组字段，只需按照定义其他数据类型字段的相同步骤进行操作。
有关参数的更多信息，请参考MilvusClient、create_schema()、add_field()、add_index()、create_collection()和get_load_state()在 SDK 参考中。
有关参数的更多信息，请参考MilvusClientV2、createSchema()、addField()、IndexParam、createCollection()和getLoadState()在 SDK 参考中。
有关参数的更多信息，请参考MilvusClient、createCollection()和getLoadState()在 SDK 参考中。
import random, time
from pymilvus import MilvusClient, DataType
CLUSTER_ENDPOINT = "http://localhost:19530"
# 1. 设置一个 Milvus 客户端
client = MilvusClient(
uri=CLUSTER_ENDPOINT
)
# 2. 创建一个集合
schema = MilvusClient.create_schema(
auto_id=False,
enable_dynamic_field=False,
)
schema.add_field(field_name="id", datatype=DataType.INT64, is_primary=True)
schema.add_field(field_name="vector", datatype=DataType.FLOAT_VECTOR, dim=5)
schema.add_field(field_name="color", datatype=DataType.VARCHAR, max_length=512)
schema.add_field(field_name="color_tag", datatype=DataType.INT64)
schema.add_field(field_name="color_coord", datatype=DataType.ARRAY, element_type=DataType.INT64, max_capacity=5)
index_params = MilvusClient.prepare_index_params()
index_params.add_index(
field_name="id",
index_type="STL_SORT"
)
index_params.add_index(
field_name="vector",
index_type="IVF_FLAT",
metric_type="L2",
params={"nlist": 1024}
)
client.create_collection(
collection_name="test_collection",
schema=schema,
index_params=index_params
)
res = client.get_load_state(
collection_name="test_collection"
)
print(res)
# 输出
#
# {
# "state": "<LoadState: Loaded>"
# }
import io.milvus.v2.client.ConnectConfig;
import io.milvus.v2.client.MilvusClientV2;
import io.milvus.v2.common.DataType;
import io.milvus.v2.common.IndexParam;
import io.milvus.v2.service.collection.request.AddFieldReq;
import io.milvus.v2.service.collection.request.CreateCollectionReq;
import io.milvus.v2.service.collection.request.GetLoadStateReq;
String CLUSTER_ENDPOINT = "http://localhost:19530";
// 1. 连接到 Milvus 服务器
ConnectConfig connectConfig = ConnectConfig.builder()
.uri(CLUSTER_ENDPOINT)
.build();
MilvusClientV2 client = new MilvusClientV2(connectConfig);
// 2. 在自定义设置模式下创建一个集合
// 2.1 创建模式
CreateCollectionReq.CollectionSchema schema = client.createSchema();
// 2.2 向模式添加字段
schema.addField(AddFieldReq.builder()
.fieldName("id")
.dataType(DataType.Int64)
.isPrimaryKey(true)
.autoID(false)
.build());
schema.addField(AddFieldReq.builder()
.fieldName("vector")
.dataType(DataType.FloatVector)
.dimension(5)
.build());
schema.addField(AddFieldReq.builder()
.fieldName("color")
.dataType(DataType.VarChar)
.maxLength(512)
.build());
schema.addField(AddFieldReq.builder()
.fieldName("color_tag")
.dataType(DataType.Int64)
.build());
schema.addField(AddFieldReq.builder()
.fieldName("color_coord")
.dataType(DataType.Array)
.elementType(DataType.Int64)
.maxCapacity(5)
.build());
// 2.3 准备索引参数
IndexParam indexParamForIdField = IndexParam.builder()
.fieldName("id")
.indexType(IndexParam.IndexType.STL_SORT)
.build();
IndexParam indexParamForVectorField = IndexParam.builder()
.fieldName("vector")
.indexType(IndexParam.IndexType.IVF_FLAT)
.metricType(IndexParam.MetricType.IP)
.extraParams(Map.of("nlist", 1024))
.build();
IndexParam indexParamForColorField = IndexParam.builder()
.fieldName("color")
.indexType(IndexParam.IndexType.TRIE)
.build();
List<IndexParam> indexParams = new ArrayList<>();
indexParams.add(indexParamForIdField);
indexParams.add(indexParamForVectorField);
indexParams.add(indexParamForColorField);
// 2.4 使用模式和索引参数创建一个集合
CreateCollectionReq customizedSetupReq = CreateCollectionReq.builder()
.collectionName("test_collection")
.collectionSchema(schema)
.indexParams(indexParams)
.build();
client.createCollection(customizedSetupReq);
// 2.5 检查集合是否已加载
GetLoadStateReq getLoadStateReq = GetLoadStateReq.builder()
.collectionName("test_collection")
.build();
Boolean isLoaded = client.getLoadState(getLoadStateReq);
System.out.println(isLoaded);
// 输出:
// true
const { MilvusClient, DataType, sleep } = require("@zilliz/milvus2-sdk-node")
const address = "http://localhost:19530"
// 1. 设置 Milvus 客户端
client = new MilvusClient({address});
// 2. 创建集合
// 2.1 定义字段
const fields = [
{
name: "id",
data_type: DataType.Int64,
is_primary_key: true,
auto_id: false
},
{
name: "vector",
data_type: DataType.FloatVector,
dim: 5
},
{
name: "color",
data_type: DataType.VarChar,
max_length: 512
},
{
name: "color_tag",
data_type: DataType.Int64,
},
{
name: "color_coord",
data_type: DataType.Array,
element_type: DataType.Int64,
max_capacity: 5
}
]
// 2.2 准备索引参数
const index_params = [{
field_name: "vector",
index_type: "IVF_FLAT",
metric_type: "IP",
params: { nlist: 1024}
}]
// 2.3 使用字段和索引参数创建集合
res = await client.createCollection({
collection_name: "test_collection",
fields: fields,
index_params: index_params
})
console.log(res.error_code)
// 输出
//
// 成功
//
res = await client.getLoadState({
collection_name: "test_collection",
})
console.log(res.state)
// 输出
//
// LoadStateLoaded
//
插入字段数值
在创建集合后，您可以插入诸如在概览中演示的数组。
有关参数的更多信息，请参阅 SDK 参考中的insert()。
有关参数的更多信息，请参阅 SDK 参考中的insert()。
有关参数的更多信息，请参阅 SDK 参考中的insert()。
# 3. 插入数据
res = client.insert(
collection_name="test_collection",
data=data
)
print(res)
# 输出
#
# {
# "insert_count": 1000,
# "ids": [
# 0,
# 1,
# 2,
# 3,
# 4,
# 5,
# 6,
# 7,
# 8,
# 9,
# "(990 more items hidden)"
# ]
# }
time.sleep(5)
import com.alibaba.fastjson.JSONObject;
import io.milvus.v2.service.vector.request.InsertReq;
import io.milvus.v2.service.vector.response.InsertResp;
// 3.1 将数据插入集合
InsertReq insertReq = InsertReq.builder()
.collectionName("test_collection")
.data(data)
.build();
InsertResp insertResp = client.insert(insertReq);
System.out.println(JSONObject.toJSON(insertResp));
// 输出:
// {"insertCnt": 1000}
Thread.sleep(5000); // 等待一段时间以确保数据已被索引
res = await client.insert({
collection_name: "test_collection",
data: data,
})
console.log(res.insert_cnt)
// 输出
//
// 1000
//
await sleep(5000)
基本标量过滤
一旦您的所有数据都已添加，您可以使用数组字段中的元素进行搜索和查询，方式与标准标量字段相同。
有关参数的更多信息，请参阅 SDK 参考中的search()。
有关参数的更多信息，请参阅 SDK 参考中的search()。
有关参数的更多信息，请参阅 SDK 参考中的search()。
# 4. 使用数组字段进行基本搜索
query_vectors = [ [ random.uniform(-1, 1) for _ in range(5) ]]
res = client.search(
collection_name="test_collection",
data=query_vectors,
filter="color_coord[0] < 10",
search_params={
"metric_type": "L2",
"params": {"nprobe": 16}
},
output_fields=["id", "color", "color_tag", "color_coord"],
limit=3
)
print(res)
# 输出
#
# [
# [
# {
# "id": 993,
# "distance": 0.1538649946451187,
# "entity": {
# "color_coord": [
# 5,
# 37,
# 39,
# 18
# ],
# "id": 993,
# "color": "black",
# "color_tag": 6785
# }
# },
# {
# "id": 452,
# "distance": 0.2353954315185547,
# "entity": {
# "color_coord": [
# 2,
# 27,
# 34,
# 32,
# 30
# ],
# "id": 452,
# "color": "brown",
# "color_tag": 2075
# }
# },
# {
# "id": 862,
# "distance": 0.27913951873779297,
# "entity": {
# "color_coord": [
# 0,
# 19,
# 0,
# 26
# ],
# "id": 862,
# "color": "brown",
# "color_tag": 1787
# }
# }
# ]
# ]
// 4. 使用数组字段进行基本搜索
QueryReq queryReq = QueryReq.builder()
.collectionName("test_collection")
.filter("color_coord[0] in [7, 8, 9]")
.outputFields(Arrays.asList("id", "color", "color_tag", "color_coord"))
.limit(3L)
.build();
QueryResp queryResp = client.query(queryReq);
System.out.println(JSONObject.toJSON(queryResp));
// 输出:
// {"queryResults": [
// {"entity": {
// "color": "orange",
// "color_tag": 2464,
// "id": 18,
// "color_coord": [
// 9,
// 30
// ]
// }},
// {"entity": {
// "color": "pink",
// "color_tag": 2602,
// "id": 22,
// "color_coord": [
// 8,
// 34,
// 16
// ]
// }},
// {"entity": {
// "color": "pink",
// "color_tag": 1243,
// "id": 42,
// "color_coord": [
// 9,
// 20
// ]
// }}
// ]}
// 4. 使用数组字段进行基本搜索
const query_vectors = [Array(5).fill(0).map(() => Math.random())]
res = await client.search({
collection_name: "test_collection",
data: query_vectors,
filter: "color_coord[0] < 10",
output_fields: ["id", "color", "color_tag", "color_coord"],
limit: 3
})
console.log(JSON.stringify(res.results, null, 4))
// 输出
//
// [
// {
// "score": 2.015894889831543,
// "id": "260",
// "color": "green",
// "color_tag": "5320",
// "color_coord": [
// "1",
// "7",
// "33",
// "13",
// "23"
// ]
// },
// {
// "score": 2.006500720977783,
// "id": "720",
// "color": "green",
// "color_tag": "4939",
// "color_coord": [
// "0",
// "19",
// "5",
// "30",
// "15"
// ]
// },
// {
// "score": 1.9539016485214233,
// "id": "243",
// "color": "red",
// "color_tag": "2403",
// "color_coord": [
// "4"
// ]
// }
// ]
//
高级过滤
与 JSON 字段类似，Milvus 还为数组提供了高级过滤运算符，包括 ARRAY_CONTAINS、ARRAY_CONTAINS_ALL、ARRAY_CONTAINS_ANY 和 ARRAY_LENGTH。
-
过滤出所有颜色坐标中包含
10的实体。# 5. 在数组字段中进行高级搜索
res = client.query(
collection_name="test_collection",
filter="ARRAY_CONTAINS(color_coord, 10)",
output_fields=["id", "color", "color_tag", "color_coord"],
limit=3
)
print(res)
# 输出
#
# [
# {
# "id": 21,
# "color": "white",
```markdown
# "color_tag": 4202,
# "color_coord": [
# 10,
# 5,
# 5
# ]
# },
# {
# "id": 31,
# "color": "grey",
# "color_tag": 7386,
# "color_coord": [
# 8,
# 10,
# 23,
# 7,
# 31
# ]
# },
# {
# "id": 45,
# "color": "purple",
# "color_tag": 6126,
# "color_coord": [
# 0,
# 10,
# 24
# ]
# }
# ]
// 5. 高级搜索数组字段内的内容
queryReq = QueryReq.builder()
.collectionName("test_collection")
.filter("ARRAY_CONTAINS(color_coord, 10)")
.outputFields(Arrays.asList("id", "color", "color_tag", "color_coord"))
.limit(3)
.build();
queryResp = client.query(queryReq);
System.out.println(JSONObject.toJSON(queryResp));
// 输出:
// {"queryResults": [
// {"entity": {
// "color": "blue",
// "color_tag": 4337,
// "id": 17,
// "color_coord": [
// 11,
// 33,
// 10,
// 20
// ]
// }},
// {"entity": {
// "color": "white",
// "color_tag": 5219,
// "id": 25,
// "color_coord": [
// 10,
// 15
// ]
// }},
// {"entity": {
// "color": "red",
// "color_tag": 7120,
// "id": 35,
// "color_coord": [
// 19,
// 10,
// 10,
// 14
// ]
// }}
// ]}
// 5. 在数组字段中进行高级搜索
res = await client.search({
collection_name: "test_collection",
data: query_vectors,
filter: "ARRAY_CONTAINS(color_coord, 10)",
output_fields: ["id", "color", "color_tag", "color_coord"],
limit: 3
})
console.log(JSON.stringify(res.results, null, 4))
// 输出
//
// [
// {
// "score": 1.7962548732757568,
// "id": "696",
// "color": "red",
// "color_tag": "1798",
// "color_coord": [
// "33",
// "10",
// "37"
// ]
// },
// {
// "score": 1.7126177549362183,
// "id": "770",
// "color": "red",
// "color_tag": "1962",
// "color_coord": [
// "21",
// "23",
// "10"
// ]
// },
// {
// "score": 1.6707111597061157,
// "id": "981",
// "color": "yellow",
- 过滤所有颜色坐标中同时包含 `7` 和 `8` 的实体。
<div class="multipleCode">
<a href="#python">Python </a>
<a href="#java">Java</a>
<a href="#javascript">Node.js</a>
</div>
```python
res = client.query(
collection_name="test_collection",
filter="ARRAY_CONTAINS_ALL(color_coord, [7, 8])",
output_fields=["id", "color", "color_tag", "color_coord"],
limit=3
)
print(res)
# 输出
#
# [
# {
# "color": "grey",
# "color_tag": 7386,
# "color_coord": [
# 8,
# 10,
# 23,
# 7,
# 31
# ],
# "id": 31
# },
# {
# "color": "purple",
# "color_tag": 7823,
# "color_coord": [
# 38,
# 8,
# 36,
# 38,
# 7
# ],
# "id": 258
# },
# {
# "color": "purple",
# "color_tag": 6356,
# "color_coord": [
# 34,
# 32,
# 11,
# 8,
# 7
# ],
# "id": 348
# }
# ]
queryReq = QueryReq.builder()
.collectionName("test_collection")
.filter("ARRAY_CONTAINS_ALL(color_coord, [7, 8, 9])")
.outputFields(Arrays.asList("id", "color", "color_tag", "color_coord"))
.limit(3)
.build();
queryResp = client.query(queryReq);
System.out.println(JSONObject.toJSON(queryResp));
// 输出:
// {"queryResults": [{"entity": {
// "color": "red",
// "color_tag": 6986,
// "id": 423,
// "color_coord": [
// 26,
// 7,
// 8,
// 9
// ]
// }}]}
res = await client.search({
collection_name: "test_collection",
data: query_vectors,
filter: "ARRAY_CONTAINS_ALL(color_coord, [7, 8])",
output_fields: ["id", "color", "color_tag", "color_coord"],
limit: 3
})
console.log(JSON.stringify(res.results, null, 4))
// 输出
//
// [
// {
// "score": 0.8267516493797302,
// "id": "913",
// "color": "brown",
// "color_tag": "8897",
// "color_coord": [
// "39",
// "31",
// "8",
// "29",
// "7"
// ]
// },
// {
// "score": 0.6889009475708008,
// "id": "826",
// "color": "blue",```
```json
// "color_tag": "4903",
// "color_coord": [
// "7",
// "25",
// "5",
// "12",
// "8"
// ]
// },
// {
// "score": 0.5851659774780273,
// "id": "167",
// "color": "blue",
// "color_tag": "1550",
// "color_coord": [
// "8",
// "27",
// "7"
// ]
// }
// ]
//
- 过滤所有颜色坐标中包含7、8或9的实体。
res = client.query(
collection_name="test_collection",
filter="ARRAY_CONTAINS_ANY(color_coord, [7, 8, 9])",
output_fields=["id", "color", "color_tag", "color_coord"],
limit=3
)
print(res)
# 输出
#
# [
# {
# "id": 0,
# "color": "green",
# "color_tag": 9212,
# "color_coord": [
# 37,
# 36,
# 36,
# 7,
# 9
# ]
# },
# {
# "id": 5,
# "color": "blue",
# "color_tag": 9643,
# "color_coord": [
# 8,
# 20,
# 20,
# 11
# ]
# },
# {
# "id": 12,
# "color": "blue",
# "color_tag": 3075,
# "color_coord": [
# 29,
# 7,
# 17
# ]
# }
# ]
queryReq = QueryReq.builder()
.collectionName("test_collection")
.filter("ARRAY_CONTAINS_ANY(color_coord, [7, 8, 9])")
.outputFields(Arrays.asList("id", "color", "color_tag", "color_coord"))
.limit(3)
.build();
queryResp = client.query(queryReq);
System.out.println(JSONObject.toJSON(queryResp));
// 输出:
// {"queryResults": [
// {"entity": {
// "color": "orange",
// "color_tag": 2464,
// "id": 18,
// "color_coord": [
// 9,
// 30
// ]
// }},
// {"entity": {
// "color": "pink",
// "color_tag": 2602,
// "id": 22,
// "color_coord": [
// 8,
// 34,
// 16
// ]
// }},
// {"entity": {
// "color": "pink",
// "color_tag": 1243,
// "id": 42,
// "color_coord": [
// 9,
// 20
// ]
// }}
// ]}
res = await client.search({
collection_name: "test_collection",
- 过滤具有恰好四个元素的实体。
<div class="multipleCode">
<a href="#python">Python </a>
<a href="#java">Java</a>
<a href="#javascript">Node.js</a>
</div>
```python
res = client.query(
collection_name="test_collection",
filter="ARRAY_LENGTH(color_coord) == 4",
output_fields=["id", "color", "color_tag", "color_coord"],
limit=3
)
print(res)
# 输出
#
# [
# {
# "id": 1,
# "color": "pink",
# "color_tag": 6708,
# "color_coord": [
# 15,
# 36,
# 38,
# 2
# ]
# },
# {
# "id": 4,
# "color": "green",
# "color_tag": 5386,
# "color_coord": [
# 13,
# 32,
# 35,
# 5
# ]
# },
# {
# "id": 5,
# "color": "blue",
# "color_tag": 9643,
# "color_coord": [
# 8,
# 20,
# 20,
# 11
# ]
# }
# ]
queryReq = QueryReq.builder()
.collectionName("test_collection")
.filter("ARRAY_LENGTH(color_coord) == 4")
.outputFields(Arrays.asList("id", "color", "color_tag", "color_coord"))
.limit(3)
.build();
queryResp = client.query(queryReq);
System.out.println(JSONObject.toJSON(queryResp));
// 输出:
// {"queryResults": [
// {"entity": {
// "color": "green",
// "color_tag": 2984,
// "id": 2,
// "color_coord": [
// 27,
// 31,
res = await client.search({
collection_name: "test_collection",
data: query_vectors,
filter: "ARRAY_LENGTH(color_coord) == 4",
output_fields: ["id", "color", "color_tag", "color_coord"],
limit: 3
})
console.log(JSON.stringify(res.results, null, 4))
// 输出
//
// [
// {
// "score": 2.0404388904571533,
// "id": "439",
// "color": "橙色",
// "color_tag": "7096",
// "color_coord": [
// "27",
// "34",
// "26",
// "39"
// ]
// },
// {
// "score": 1.9059759378433228,
// "id": "918",
// "color": "紫色",
// "color_tag": "2903",
// "color_coord": [
// "28",
// "19",
// "36",
// "35"
// ]
// },
// {
// "score": 1.8385567665100098,
// "id": "92",
// "color": "黄色",
// "color_tag": "4693",
// "color_coord": [
// "1",
// "23",
// "2",
// "3"
// ]
// }
// ]
//