<think>我们正在回答用户的问题：如何使用
LlamaIndex查询MySQL数据库，并给出具体示例。
根据引用[2]和引用[4]，我们知道
LlamaIndex提供了DatabaseReader来读取数据库数据，并且可以结合MySQL数据库实现
RAG系统。
步骤：
1. 安装必要的库：llama-index，mysql-connector-python，sqlalchemy
2. 创建数据库连接
3. 使用DatabaseReader读取数据库表
4. 构建索引
5.
查询引擎进行
查询
注意：引用[1]和引用[3]提到了路由
查询引擎和SQLAutoVectorQueryEngine，但用户当前问题只需要
查询MySQL数据库（即结构化数据），所以我们先给出基本的结构化数据
查询示例。
示例代码：</think>###
LlamaIndex 查询 MySQL 数据库完整指南
LlamaIndex 通过 **SQLDatabase 工具** 和 **DatabaseReader 模块** 实现 MySQL 数据库的
查询，以下是详细实现步骤：
---
#### 1. 环境准备
```python
# 安装核心依赖
!pip install llama-index sqlalchemy pymysql
# 导入关键模块
from llama_index.core import SQLDatabase, VectorStoreIndex
from llama_index.core.query_engine import NLSQLTableQueryEngine
from sqlalchemy import create_engine
```
---
#### 2. 建立 MySQL 连接
```python
# 创建数据库
引擎（替换实际参数）
db_engine = create_engine(
"mysql+pymysql://<user>:<password>@<host>:<port>/<database>"
)
# 初始化SQLDatabase对象
sql_database = SQLDatabase(
db_engine,
include_tables=["products", "customers"] # 指定
查询的表
)
```
---
#### 3. 基础 SQL
查询
```python
# 创建自然语言转SQL的
查询引擎
query_engine = NLSQLTableQueryEngine(
sql_database=sql_database,
tables=["products"] # 指定
查询表
)
# 执行自然语言
查询
response = query_engine.query(
"2023年销售额超过10万元的产品有哪些？"
)
print(response.metadata["sql_query"]) # 查看生成的SQL语句
print(response) # 查看
查询结果
```
**输出示例**：
```
生成的SQL:
SELECT * FROM products
WHERE sales > 100000 AND year = 2023
结果:
[{'product_id': 'P1001', 'name': '高端路由器', 'sales': 125000},
{'product_id': 'P1005', 'name': '智能手表', 'sales': 142000}]
```
---
#### 4. 高级混合
查询（SQL + 向量）
结合结构化数据和非结构化文档（引用[3][4]）：
```python
from llama_index.core.query_engine import SQLAutoVectorQueryEngine
# 创建混合
查询引擎
hybrid_engine = SQLAutoVectorQueryEngine(
sql_database=sql_database,
vector_store=vector_index, # 已构建的向量索引
table_context={
"products": "包含产品ID、名称、销售额等字段",
"manual": "产品技术手册文档"
}
)
# 执行跨模态
查询
response = hybrid_engine.query(
"找出销售额最高的产品，并列出其技术手册中的关键参数"
)
```
该
引擎自动执行流程：
1. 用 SQL
查询 `products` 表获取产品ID
2. 用向量检索在 `manual` 文档中匹配技术参数
3. 组合结果生成最终回复
---
#### 5. 网页集成示例（引用[5]）
结合 Chainlit 构建交互界面：
```python
import chainlit as cl
from llama_index.core import SQLDatabase
@cl.on_message
async def main(message: str):
# 初始化数据库连接
sql_db = SQLDatabase.from_uri("mysql://user:pass@localhost/db")
# 执行
查询
query_engine = NLSQLTableQueryEngine(sql_db)
response = query_engine.query(message)
# 返回结果
await cl.Message(
content=f"SQL: {response.metadata['sql_query']}\n结果: {response}"
).send()
```
---
### 关键技术解析
| 功能 | 实现方式 | 适用场景 |
|--------------------|----------------------------|-------------------------|
| **基础
查询** | `NLSQLTableQueryEngine` | 纯结构化数据
查询 |
| **混合
查询** | `SQLAutoVectorQueryEngine` | SQL+文档联合
查询[^3] |
| **元数据过滤** | `include_tables`参数 | 限制可访问的表 |
| **
查询优化** | `table_context`字典 | 提升NL2SQL准确率 |
| **结果后处理** | `response.metadata` | 获取生成的SQL语句 |
> 注：实际部署时建议通过环境变量管理数据库凭证[^5]
---
### 常见问题解决方案
1. **中文
查询异常**
在连接字符串中添加：`?charset=utf8mb4`
```python
"mysql+pymysql://.../db?charset=utf8mb4"
```
2. **权限控制**
通过 `include_tables` 限制可见表：
```python
SQLDatabase(..., include_tables=["public_table"])
```
3. **复杂
查询优化**
添加表描述提升NL2SQL准确性：
```python
table_context = {"sales": "包含日期、产品ID、销售额等字段"}
```
---
### 相关问题
1. 如何防止自然语言
查询生成危险的 `DELETE` 或 `DROP` 语句？
2. 当表结构变更时，如何避免
LlamaIndex 的 SQL
查询引擎失效？
3. 在混合
查询中，如何平衡 SQL 结果和向量检索结果的权重？
4. 如何处理需要多表 JOIN 的复杂自然语言
查询？
5. 如何监控和优化
LlamaIndex 对 MySQL 的
查询性能？
最低0.47元/天 解锁文章
扫一扫
1414
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
