工具介绍
import_parquet_into_vdb.py(14.3KB)
该 Python 脚本用于导入 Parquet 类型的数据文件于向量数据库,其运行方式如下所示:
python3.9 import_parquet_into_vdb.py\\--url="http://xx.xx.xx.xx:80"\\--key="xB2iQyVVFy9AtEFswF4ohQ******************"\\--db="db-test-0905" --collection="test-parquet-new"\\--file="./test-parquet*.parquet"\\--field_mapping="text_id=id,vecs=vector"
参数 | 参数含义 | 说明 |
url | 向量数据库实例的内网地址或外网地址。建议使用内网方式。 | |
key | 向量数据库实例 API 密钥,用于进行身份认证。 | |
db | 数据库名。 | - |
collection | 数据库集合名。 | - |
file | 预导入的 Parquet 文件的路径。 | 可以指定为绝对地址,也可以为相应程序运行的相对地址。 支持使用通配符,例如:--file="./test_*.parquet"\\,将文件名包含 test_ 的 Parquet 文件批量导入数据库。 |
field_mappings | 指定 Parquet 文件字段与导入数据库字段的映射关系。 | Parquet 文件字段与数据库字段名不一致需配置映射关系,一致则无需配置。 key = value,key 为 Parquet 文件字段,value 为向量数据库字段名,切勿写反。并且,一个 key,可以映射到多个 Value,例如:text_id=id|doc_id。 若源端与目标端字段数据类型不一致,支持数据类型自动转换写入。例如:text_id 是 unit64,数据库中的 id 和 doc_id 字段类型为 string,也可以建立映射关系,脚本会强制转换写入。 |
confirm_work | 标识是否通过 nohub 命令在后台运行数据导入任务。 Y:默认值,在终端会话确认参数配置,再运行程序。 N:无需确认参数配置,在后台直接运行程序。 | 当导入数据量大时,建议设置为 confirm_work=N 。 |
使用示例
1. 准备如下工作。
说明:
该脚本工具当前不支持 Embedding 文本向量化,需创建直接写入向量数据的集合。
创建集合时,请注意向量数据维度与 Parquet 文件的向量数据维度一致,并根据业务需要指定必要的 Filter 字段。
2. 将数据导入工具的 Python 脚本上传于运行的操作环境,同时上传 Parquet 文件。
说明:
Parquet 文件的 Vector 字段可处理如下三种类型。
数组格式(list):[1.2, 2.2, 0.38]。
numpy格式(numpy.ndarray): numpy.array([1.2, 2.2, 0.38], np.float32)。
字符串格式(str): "[1.2, 2.2, 0.38]"。
3. 根据 Parquet 文件业务数据与文件路径,在文本编辑器配置工具脚本参数,如下所示。
python3.9 import_parquet_into_vdb.py\\--url="http://xx.xx.xx.xx:80"\\--key="xB2iQyVVFy9AtEFswF4ohQ******************"\\--db="db-test-0905" --collection="test-parquet-new"\\--file="./test_*.parquet"\\--field_mapping="text_id=id,vecs=vector"
4. 在操作环境运行脚本,显示如下信息,逐一确认相关参数,索引字段以及字段映射关系。
5. 提示
please check the parameters and field mappings [yes no]:
,输入yes
,启动数据导入任务。说明:
当导入数据量大时,推荐先使用默认值(confirm_work=Y)运行,在终端会话确认索引参数、映射字段设置正确,提示
please check the parameters and field mappings [yes no]:
,输入 no,退出之后再指定 confirm_work=N
,重新启动程序,在后台运行数据导入任务。
6. 等待提示类似如下信息,说明数据导入完成。
200000 rows were successfully inserted into the VDB. avg batch latency: 11658.52ms, batch size: 800 TPS: 1504.685, dimensions: 128, parallel: 30