Ir para Milvus Rapidamente

Este capítulo apresenta como começar rapidamente com as operações de leitura e escrita do banco de dados de vetores Milvus usando Go.

Instalando o Go SDK

Nota: O Go SDK requer a versão 1.15 ou superior do Go.

go get -u github.com/milvus-io/milvus-sdk-go/v2

Importando Dependências

import (
	"context"
	"fmt"
	"log"
	"math/rand"
	"time"

	"github.com/milvus-io/milvus-sdk-go/v2/client"
	"github.com/milvus-io/milvus-sdk-go/v2/entity"
)

Conectando ao Banco de Dados Milvus

	ctx := context.Background()

	log.Printf(msgFmt, "Conectando ao Milvus")
	c, err := client.NewClient(ctx, client.Config{
		Address: "localhost:19530",
	})
	if err != nil {
		log.Fatal("Falha ao conectar ao Milvus, err: ", err.Error())
	}
	defer c.Close()

Criando uma Coleção

O processo de criação de uma coleção é semelhante à criação de uma estrutura de tabela MySQL, onde é necessário descrever o tipo de cada campo.

   collectionName = "hello_tizi365"
	log.Printf(msgFmt, fmt.Sprintf("Criando coleção, `%s`", collectionName))
	
	// Definir os tipos de campo da coleção, definindo ID, random e campos de embeddings aqui
	schema := entity.NewSchema().WithName(collectionName).WithDescription("Descrição da coleção").
		WithField(entity.NewField().WithName("ID").WithDataType(entity.FieldTypeInt64).WithIsPrimaryKey(true).WithIsAutoID(false)).
		WithField(entity.NewField().WithName("random").WithDataType(entity.FieldTypeDouble)).
		WithField(entity.NewField().WithName("embeddings").WithDataType(entity.FieldTypeFloatVector).WithDim(dim))

	// Criar a coleção com base nos tipos de campo definidos
	if err := c.CreateCollection(ctx, schema, entity.DefaultShardNumber); err != nil {
		log.Fatalf("Falha ao criar coleção, err: %v", err)
	}

Inserindo Dados na Coleção

	idList, randomList := make([]int64, 0, nEntities), make([]float64, 0, nEntities)
	embeddingList := make([][]float32, 0, nEntities)

	rand.Seed(time.Now().UnixNano())

    // Para fins de teste, gere alguns dados de teste aleatórios aqui
	// Gerar IDs
	for i := 0; i < nEntities; i++ {
		idList = append(idList, int64(i))
	}
	// Gerar valores aleatórios
	for i := 0; i < nEntities; i++ {
		randomList = append(randomList, rand.Float64())
	}
	// Gerar valores de vetor
	for i := 0; i < nEntities; i++ {
		vec := make([]float32, 0, dim)
		for j := 0; j < dim; j++ {
			vec = append(vec, rand.Float32())
		}
		embeddingList = append(embeddingList, vec)
	}
	// Inserir vários conjuntos de dados, organizados por coluna para vários dados
	idColData := entity.NewColumnInt64("ID", idList)
	randomColData := entity.NewColumnDouble("random", randomList)
	embeddingColData := entity.NewColumnFloatVector("embeddings", dim, embeddingList)

    // Inserir dados
	if _, err := c.Insert(ctx, collectionName, "", idColData, randomColData, embeddingColData); err != nil {
		log.Fatalf("Falha ao escrever dados, err: %v", err)
	}
    
	// Descarregar dados para o disco
	if err := c.Flush(ctx, collectionName, false); err != nil {
		log.Fatalf("Falha ao descarregar dados, err: %v", err)
	}

Criando Índice

	// Definir o tipo de índice
	idx, err := entity.NewIndexIvfFlat(entity.L2, 128)
	if err != nil {
		log.Fatalf("Falha ao definir índice, err: %v", err)
	}
	// Criar índice para a coleção especificada
	if err := c.CreateIndex(ctx, collectionName, embeddingCol, idx, false); err != nil {
		log.Fatalf("Falha ao criar índice, err: %v", err)
	}

    // Carregar a coleção especificada na memória para melhorar a eficiência da consulta
	err = c.LoadCollection(ctx, collectionName, false)
	if err != nil {
		log.Fatalf("Falha ao carregar coleção, err: %v", err)
	}

Pesquisa de Similaridade de Vetores

   // Preparar os vetores a serem pesquisados. Aqui extraímos parte dos dados do vetor dos dados anteriormente gerados para teste, e vamos buscar resultados semelhantes a esses vetores abaixo.
	vec2search := []entity.Vector{
		entity.FloatVector(embeddingList[len(embeddingList)-2]),
		entity.FloatVector(embeddingList[len(embeddingList)-1]),
	}
	início := time.Now()
	sp, _ := entity.NewIndexIvfFlatSearchParam(16)
	// Realizar pesquisa de similaridade de vetores
	sRet, err := c.Search(ctx, collectionName, nil, "", []string{"aleatório"}, vec2search,
		"embeddings", entity.L2, topK, sp)
	fim := time.Now()
	if err != nil {
		log.Fatalf("A pesquisa falhou, err: %v", err)
	}

	log.Println("Imprimir resultados:")
	for _, res := range sRet {
		printResult(&res)
	}

Definição da função printResult

func printResult(sRet *client.SearchResult) {
	aleatorios := make([]float64, 0, sRet.ResultCount)
	pontuações := make([]float32, 0, sRet.ResultCount)

	var colunaAleatoria *entity.ColumnDouble
	for _, field := range sRet.Fields {
		if field.Name() == randomCol {
			c, ok := field.(*entity.ColumnDouble)
			if ok {
				colunaAleatoria = c
			}
		}
	}
	for i := 0; i < sRet.ResultCount; i++ {
		valor, err := colunaAleatoria.ValueByIdx(i)
		if err != nil {
			log.Fatal(err)
		}
		aleatorios = append(aleatorios, valor)
		pontuações = append(pontuações, sRet.Scores[i])
	}
	log.Printf("\taleatorios: %v, pontuações: %v\n", aleatorios, pontuações)
}

Código fonte completo de demonstração, Código Fonte de Início do Go Milvus