掌握Google Spanner:无限扩展的关系数据库与向量搜索集成指南
在现代软件架构中,选择合适的数据库技术至关重要。Google Spanner作为一款高度可扩展的数据库,结合了无限的可扩展性和关系语义,为开发者提供了一体化的解决方案,包括次级索引、强一致性、模式和SQL查询能力。此外,Spanner还提供高达99.999%的可用性。在本文中,我们将深入探讨如何使用Spanner进行向量搜索,并提供实用的代码示例。
1. 引言
本文旨在指导开发者如何使用Google Spanner与SpannerVectorStore
类进行向量搜索。这不仅包括设置和初始化Spanner,还涵盖了向量搜索的基本操作。
2. 基本设置
创建和配置Google Cloud项目
在开始之前,需要完成以下步骤:
- 创建Google Cloud项目
- 启用Cloud Spanner API
- 创建Spanner实例和数据库
安装库
我们将使用langchain-google-spanner
包,安装命令如下:
%pip install --upgrade --quiet langchain-google-spanner
注意:可能需要重启内核以便使用更新的包。
认证
通过Google Colab进行认证:
from google.colab import auth
auth.authenticate_user()
设置项目ID
PROJECT_ID = "my-project-id" # 请替换为你的Google Cloud项目ID
!gcloud config set project {PROJECT_ID}
启用API
确保启用Spanner和Vertex AI API:
!gcloud services enable spanner.googleapis.com
!gcloud services enable aiplatform.googleapis.com
3. 初始化Spanner数据库
设置数据库值
INSTANCE = "my-instance" # Spanner实例名称
DATABASE = "my-database" # Spanner数据库名称
TABLE_NAME = "vectors_search_data" # 表名称
初始化表
from langchain_google_spanner import SecondaryIndex, SpannerVectorStore, TableColumn
SpannerVectorStore.init_vector_store_table(
instance_id=INSTANCE,
database_id=DATABASE,
table_name=TABLE_NAME,
id_column="row_id",
metadata_columns=[
TableColumn(name="metadata", type="JSON", is_null=True),
TableColumn(name="title", type="STRING(MAX)", is_null=False),
],
secondary_indexes=[
SecondaryIndex(index_name="row_id_and_title", columns=["row_id", "title"])
],
)
创建嵌入类实例
from langchain_google_vertexai import VertexAIEmbeddings
embeddings = VertexAIEmbeddings(
model_name="textembedding-gecko@latest", project=PROJECT_ID
)
4. 代码示例
完整的示例展示了如何初始化SpannerVectorStore
和进行简单的操作:
db = SpannerVectorStore(
instance_id=INSTANCE,
database_id=DATABASE,
table_name=TABLE_NAME,
ignore_metadata_columns=[],
embedding_service=embeddings,
metadata_json_column="metadata",
)
# 添加文档
import uuid
from langchain_community.document_loaders import HNLoader
loader = HNLoader("https://news.ycombinator.com/item?id=34817881")
documents = loader.load()
ids = [str(uuid.uuid4()) for _ in range(len(documents))]
# 搜索文档
search_results = db.similarity_search(query="Explain me vector store?", k=3)
# 删除文档
db.delete(ids=[ids[0]])
5. 常见问题和解决方案
-
问题: 网络访问不稳定
- 解决方案: 使用API代理服务,例如{AI_URL},以提高访问稳定性。
-
问题: API服务未启用
- 解决方案: 确保在Google Cloud控制台中已启用所需的API服务。
6. 总结与进一步学习资源
本文介绍了如何在Google Spanner中使用向量搜索。完整的代码和操作步骤能够帮助您更好地理解和应用这项技术。欲获取更多信息,请参考以下资源:
7. 参考资料
如果这篇文章对你有帮助,欢迎点赞并关注我的博客。您的支持是我持续创作的动力!
—END—