from __future__ import annotations
import json
import logging
from hashlib import sha1
from threading import Thread
from typing import Any, Dict, Iterable, List, Optional, Tuple, Union
from langchain_core.documents import Document
from langchain_core.embeddings import Embeddings
from langchain_core.pydantic_v1 import BaseSettings
from langchain_core.vectorstores import VectorStore
logger = logging.getLogger()
[docs]def has_mul_sub_str(s: str, *args: Any) -> bool:
"""检查字符串是否包含多个子字符串。
参数:
s:要检查的字符串。
*args:要检查的子字符串。
返回:
如果所有子字符串都在字符串中,则返回True,否则返回False。
"""
for a in args:
if a not in s:
return False
return True
[docs]class ClickhouseSettings(BaseSettings):
"""`ClickHouse`客户端配置。
属性:
host (str) : 连接到MyScale后端的URL。
默认为'localhost'。
port (int) : 用HTTP连接的URL端口。默认为8443。
username (str) : 登录的用户名。默认为None。
password (str) : 登录的密码。默认为None。
index_type (str): 索引类型字符串。
index_param (list): 索引构建参数。
index_query_params(dict): 索引查询参数。
database (str) : 查找表的数据库名称。默认为'default'。
table (str) : 操作的表名。
默认为'vector_table'。
metric (str) : 计算距离的度量标准,
支持的有('angular', 'euclidean', 'manhattan', 'hamming',
'dot')。默认为'angular'。
https://github.com/spotify/annoy/blob/main/src/annoymodule.cc#L149-L169
column_map (Dict) : 列类型映射,将列名投影到langchain语义上。
必须具有键: `text`, `id`, `vector`,
必须与列数相同。例如:
.. code-block:: python
{
'id': 'text_id',
'uuid': 'global_unique_id'
'embedding': 'text_embedding',
'document': 'text_plain',
'metadata': 'metadata_dictionary_in_json',
}
默认为身份映射。"""
host: str = "localhost"
port: int = 8123
username: Optional[str] = None
password: Optional[str] = None
index_type: Optional[str] = "annoy"
# Annoy supports L2Distance and cosineDistance.
index_param: Optional[Union[List, Dict]] = ["'L2Distance'", 100]
index_query_params: Dict[str, str] = {}
column_map: Dict[str, str] = {
"id": "id",
"uuid": "uuid",
"document": "document",
"embedding": "embedding",
"metadata": "metadata",
}
database: str = "default"
table: str = "langchain"
metric: str = "angular"
def __getitem__(self, item: str) -> Any:
return getattr(self, item)
class Config:
env_file = ".env"
env_prefix = "clickhouse_"
env_file_encoding = "utf-8"
[docs]class Clickhouse(VectorStore):
"""`ClickHouse VectorSearch` 向量存储。
您需要 `clickhouse-connect` python 包和有效的账户来连接到 ClickHouse。
ClickHouse 不仅可以使用简单的向量索引进行搜索,
还支持具有多个条件、约束甚至子查询的复杂查询。
欲了解更多信息,请访问
[ClickHouse 官方网站](https://clickhouse.com/clickhouse)"""
[docs] def __init__(
self,
embedding: Embeddings,
config: Optional[ClickhouseSettings] = None,
**kwargs: Any,
) -> None:
"""ClickHouse包装器到LangChain
embedding_function (嵌入函数):
config (ClickHouse设置): ClickHouse客户端的配置
其他关键字参数将传递到
[clickhouse-connect](https://docs.clickhouse.com/)
"""
try:
from clickhouse_connect import get_client
except ImportError:
raise ImportError(
"Could not import clickhouse connect python package. "
"Please install it with `pip install clickhouse-connect`."
)
try:
from tqdm import tqdm
self.pgbar = tqdm
except ImportError:
# Just in case if tqdm is not installed
self.pgbar = lambda x, **kwargs: x
super().__init__()
if config is not None:
self.config = config
else:
self.config = ClickhouseSettings()
assert self.config
assert self.config.host and self.config.port
assert (
self.config.column_map
and self.config.database
and self.config.table
and self.config.metric
)
for k in ["id", "embedding", "document", "metadata", "uuid"]:
assert k in self.config.column_map
assert self.config.metric in [
"angular",
"euclidean",
"manhattan",
"hamming",
"dot",
]
# initialize the schema
dim = len(embedding.embed_query("test"))
index_params = (
(
",".join([f"'{k}={v}'" for k, v in self.config.index_param.items()])
if self.config.index_param
else ""
)
if isinstance(self.config.index_param, Dict)
else (
",".join([str(p) for p in self.config.index_param])
if isinstance(self.config.index_param, List)
else self.config.index_param
)
)
self.schema = self._schema(dim, index_params)
self.dim = dim
self.BS = "\\"
self.must_escape = ("\\", "'")
self.embedding_function = embedding
self.dist_order = "ASC" # Only support ConsingDistance and L2Distance
# Create a connection to clickhouse
self.client = get_client(
host=self.config.host,
port=self.config.port,
username=self.config.username,
password=self.config.password,
**kwargs,
)
# Enable JSON type
self.client.command("SET allow_experimental_object_type=1")
if self.config.index_type:
# Enable index
self.client.command(
f"SET allow_experimental_{self.config.index_type}_index=1"
)
self.client.command(self.schema)
def _schema(self, dim: int, index_params: Optional[str] = "") -> str:
"""创建表模式
:param dim: 嵌入的维度
:param index_params: 用于索引的参数
此函数根据`self.config.index_type`的值返回一个`CREATE TABLE`语句。
如果指定了索引类型,那么将创建该索引,否则不会创建索引。
如果没有索引,当查询嵌入字段时将执行线性扫描。
"""
if self.config.index_type:
return f"""\
CREATE TABLE IF NOT EXISTS {self.config.database}.{self.config.table}(
{self.config.column_map['id']} Nullable(String),
{self.config.column_map['document']} Nullable(String),
{self.config.column_map['embedding']} Array(Float32),
{self.config.column_map['metadata']} JSON,
{self.config.column_map['uuid']} UUID DEFAULT generateUUIDv4(),
CONSTRAINT cons_vec_len CHECK length(
{self.config.column_map['embedding']}) = {dim},
INDEX vec_idx {self.config.column_map['embedding']} TYPE \
{self.config.index_type}({index_params}) GRANULARITY 1000
) ENGINE = MergeTree ORDER BY uuid SETTINGS index_granularity = 8192\
"""
else:
return f"""\
CREATE TABLE IF NOT EXISTS {self.config.database}.{self.config.table}(
{self.config.column_map['id']} Nullable(String),
{self.config.column_map['document']} Nullable(String),
{self.config.column_map['embedding']} Array(Float32),
{self.config.column_map['metadata']} JSON,
{self.config.column_map['uuid']} UUID DEFAULT generateUUIDv4(),
CONSTRAINT cons_vec_len CHECK length({
self.config.column_map['embedding']}) = {dim}
) ENGINE = MergeTree ORDER BY uuid
"""
@property
def embeddings(self) -> Embeddings:
"""提供对Clickhouse实例使用的嵌入机制的访问。
此属性允许直接访问Clickhouse实例正在使用的嵌入函数或模型,将文本文档转换为嵌入向量,用于向量相似性搜索。
返回:
与此Clickhouse实例关联的`Embeddings`实例。
"""
return self.embedding_function
[docs] def escape_str(self, value: str) -> str:
"""在Clickhouse SQL查询中转义字符串中的特殊字符。
此方法用于内部使用,用于准备字符串以安全地插入SQL查询中,通过转义可能会干扰查询语法的特殊字符。
参数:
value:要转义的字符串。
返回:
转义后的字符串,可安全插入SQL查询。
"""
return "".join(f"{self.BS}{c}" if c in self.must_escape else c for c in value)
def _build_insert_sql(self, transac: Iterable, column_names: Iterable[str]) -> str:
"""构建一个用于将数据插入Clickhouse数据库的SQL查询。
该方法使用提供的事务数据和列名格式化和构建SQL `INSERT`查询字符串。在批量将文档及其嵌入插入数据库的过程中,在内部使用该方法。
参数:
transac: 元组的可迭代对象,表示要插入的数据行。
column_names: 字符串的可迭代对象,表示要插入数据的列名。
返回:
包含构建的SQL `INSERT`查询的字符串。
"""
ks = ",".join(column_names)
_data = []
for n in transac:
n = ",".join([f"'{self.escape_str(str(_n))}'" for _n in n])
_data.append(f"({n})")
i_str = f"""
INSERT INTO TABLE
{self.config.database}.{self.config.table}({ks})
VALUES
{','.join(_data)}
"""
return i_str
def _insert(self, transac: Iterable, column_names: Iterable[str]) -> None:
"""执行一个SQL查询,将数据插入Clickhouse数据库。
该方法通过执行`_build_insert_sql`构建的SQL查询来实际插入数据到数据库中。这是向向量存储中添加新文档及其关联数据的关键步骤。
参数:
transac:元组的可迭代对象,表示要插入的数据行。
column_names: 一个字符串的可迭代对象,表示将插入数据的列的名称。
"""
_insert_query = self._build_insert_sql(transac, column_names)
self.client.command(_insert_query)
[docs] def add_texts(
self,
texts: Iterable[str],
metadatas: Optional[List[dict]] = None,
batch_size: int = 32,
ids: Optional[Iterable[str]] = None,
**kwargs: Any,
) -> List[str]:
"""通过嵌入插入更多文本,并添加到VectorStore中。
参数:
texts:要添加到VectorStore中的字符串的可迭代对象。
ids:要与文本关联的可选id列表。
batch_size:插入的批量大小。
metadata:要插入的可选列数据。
返回:
将文本添加到VectorStore中的id列表。
"""
# Embed and create the documents
ids = ids or [sha1(t.encode("utf-8")).hexdigest() for t in texts]
colmap_ = self.config.column_map
transac = []
column_names = {
colmap_["id"]: ids,
colmap_["document"]: texts,
colmap_["embedding"]: self.embedding_function.embed_documents(list(texts)),
}
metadatas = metadatas or [{} for _ in texts]
column_names[colmap_["metadata"]] = map(json.dumps, metadatas)
assert len(set(colmap_) - set(column_names)) >= 0
keys, values = zip(*column_names.items())
try:
t = None
for v in self.pgbar(
zip(*values), desc="Inserting data...", total=len(metadatas)
):
assert (
len(v[keys.index(self.config.column_map["embedding"])]) == self.dim
)
transac.append(v)
if len(transac) == batch_size:
if t:
t.join()
t = Thread(target=self._insert, args=[transac, keys])
t.start()
transac = []
if len(transac) > 0:
if t:
t.join()
self._insert(transac, keys)
return [i for i in ids]
except Exception as e:
logger.error(f"\033[91m\033[1m{type(e)}\033[0m \033[95m{str(e)}\033[0m")
return []
[docs] @classmethod
def from_texts(
cls,
texts: List[str],
embedding: Embeddings,
metadatas: Optional[List[Dict[Any, Any]]] = None,
config: Optional[ClickhouseSettings] = None,
text_ids: Optional[Iterable[str]] = None,
batch_size: int = 32,
**kwargs: Any,
) -> Clickhouse:
"""创建具有现有文本的ClickHouse包装器
参数:
embedding_function(Embeddings):用于提取文本嵌入的函数
texts(Iterable[str]):要添加的字符串列表或元组
config(ClickHouseSettings,可选):ClickHouse配置
text_ids(Optional[Iterable],可选):文本的ID。
默认为None。
batch_size(int,可选):传输数据到ClickHouse时的批处理大小。
默认为32。
metadata(List[dict],可选):文本的元数据。默认为None。
其他关键字参数将传递到
[clickhouse-connect](https://clickhouse.com/docs/en/integrations/python#clickhouse-connect-driver-api)
返回:
ClickHouse索引
"""
ctx = cls(embedding, config, **kwargs)
ctx.add_texts(texts, ids=text_ids, batch_size=batch_size, metadatas=metadatas)
return ctx
def __repr__(self) -> str:
"""用于ClickHouse Vector Store的文本表示,打印后端、用户名和模式。与`str(ClickHouse())`一起使用非常方便。
返回:
repr: 字符串,显示连接信息和数据模式
"""
_repr = f"\033[92m\033[1m{self.config.database}.{self.config.table} @ "
_repr += f"{self.config.host}:{self.config.port}\033[0m\n\n"
_repr += f"\033[1musername: {self.config.username}\033[0m\n\nTable Schema:\n"
_repr += "-" * 51 + "\n"
for r in self.client.query(
f"DESC {self.config.database}.{self.config.table}"
).named_results():
_repr += (
f"|\033[94m{r['name']:24s}\033[0m|\033[96m{r['type']:24s}\033[0m|\n"
)
_repr += "-" * 51 + "\n"
return _repr
def _build_query_sql(
self, q_emb: List[float], topk: int, where_str: Optional[str] = None
) -> str:
"""为执行相似性搜索构建一个SQL查询。
这个内部方法生成一个SQL查询,用于在数据库中找到与给定查询向量最相似的前k个向量。它允许通过WHERE子句应用可选的过滤条件。
参数:
q_emb: 作为浮点数列表的查询向量。
topk: 要检索的前k个相似项的数量。
where_str: 表示查询的额外WHERE条件的可选字符串
默认为None。
返回:
包含用于相似性搜索的SQL查询的字符串。
"""
q_emb_str = ",".join(map(str, q_emb))
if where_str:
where_str = f"PREWHERE {where_str}"
else:
where_str = ""
settings_strs = []
if self.config.index_query_params:
for k in self.config.index_query_params:
settings_strs.append(f"SETTING {k}={self.config.index_query_params[k]}")
q_str = f"""
SELECT {self.config.column_map['document']},
{self.config.column_map['metadata']}, dist
FROM {self.config.database}.{self.config.table}
{where_str}
ORDER BY L2Distance({self.config.column_map['embedding']}, [{q_emb_str}])
AS dist {self.dist_order}
LIMIT {topk} {' '.join(settings_strs)}
"""
return q_str
[docs] def similarity_search(
self, query: str, k: int = 4, where_str: Optional[str] = None, **kwargs: Any
) -> List[Document]:
"""使用ClickHouse进行相似性搜索
参数:
query (str): 查询字符串
k (int, optional): 要检索的前K个邻居。默认为4。
where_str (Optional[str], optional): where条件字符串。
默认为None。
注意: 请不要让最终用户填写这个内容,并始终注意SQL注入问题。
处理元数据时,请记得使用`{self.metadata_column}.attribute`而不是仅使用`attribute`。
其默认名称为`metadata`。
返回:
List[Document]: 文档列表
"""
return self.similarity_search_by_vector(
self.embedding_function.embed_query(query), k, where_str, **kwargs
)
[docs] def similarity_search_by_vector(
self,
embedding: List[float],
k: int = 4,
where_str: Optional[str] = None,
**kwargs: Any,
) -> List[Document]:
"""使用ClickHouse通过向量执行相似性搜索
参数:
query (str): 查询字符串
k (int, optional): 要检索的前K个邻居。默认为4。
where_str (Optional[str], optional): where条件字符串。
默认为None。
注意:请不要让最终用户填写此内容,并始终注意SQL注入问题。
处理元数据时,请记住使用`{self.metadata_column}.attribute`而不是仅使用`attribute`。
其默认名称为`metadata`。
返回:
List[Document]: 文档列表
"""
q_str = self._build_query_sql(embedding, k, where_str)
try:
return [
Document(
page_content=r[self.config.column_map["document"]],
metadata=r[self.config.column_map["metadata"]],
)
for r in self.client.query(q_str).named_results()
]
except Exception as e:
logger.error(f"\033[91m\033[1m{type(e)}\033[0m \033[95m{str(e)}\033[0m")
return []
[docs] def similarity_search_with_relevance_scores(
self, query: str, k: int = 4, where_str: Optional[str] = None, **kwargs: Any
) -> List[Tuple[Document, float]]:
"""使用ClickHouse进行相似性搜索
参数:
query (str): 查询字符串
k (int, optional): 要检索的前K个邻居。默认为4。
where_str (Optional[str], optional): where条件字符串。
默认为None。
注意: 请不要让最终用户填写这个内容,并始终注意SQL注入问题。
处理元数据时,请记住使用`{self.metadata_column}.attribute`而不是仅使用`attribute`。
其默认名称为`metadata`。
返回:
List[Document]: (Document, 相似度) 列表
"""
q_str = self._build_query_sql(
self.embedding_function.embed_query(query), k, where_str
)
try:
return [
(
Document(
page_content=r[self.config.column_map["document"]],
metadata=r[self.config.column_map["metadata"]],
),
r["dist"],
)
for r in self.client.query(q_str).named_results()
]
except Exception as e:
logger.error(f"\033[91m\033[1m{type(e)}\033[0m \033[95m{str(e)}\033[0m")
return []
[docs] def drop(self) -> None:
"""
辅助函数:丢弃数据
"""
self.client.command(
f"DROP TABLE IF EXISTS {self.config.database}.{self.config.table}"
)
@property
def metadata_column(self) -> str:
return self.config.column_map["metadata"]