pgvector-python：Python中PostgreSQL向量搜索的终极工具，5分钟快速上手指南

【免费下载链接】pgvector-python pgvector support for Python 项目地址: https://gitcode.com/gh_mirrors/pg/pgvector-python

pgvector-python是一款专为Python开发者打造的PostgreSQL向量搜索工具，它能让你轻松在PostgreSQL数据库中实现高效的向量存储与检索功能。无论是构建智能推荐系统、开发语义搜索应用，还是实现AI驱动的数据分析，pgvector-python都能提供简单而强大的支持。

为什么选择pgvector-python？

在当今AI驱动的应用开发中，向量数据的高效处理变得越来越重要。pgvector-python作为PostgreSQL的向量扩展支持库，具有以下核心优势：

• 无缝集成：与PostgreSQL数据库深度整合，无需额外的向量数据库
• 简单易用：提供直观的API，降低向量搜索的使用门槛
• 性能卓越：支持多种向量索引类型，确保高效的相似性搜索
• 生态丰富：兼容主流Python ORM和数据处理库

快速安装：5分钟准备就绪

环境要求

• Python 3.7+
• PostgreSQL 12+
• pgvector扩展

安装步骤

1. 安装pgvector扩展（需管理员权限）

首先确保PostgreSQL已安装pgvector扩展。具体安装方法请参考PostgreSQL官方文档。

2. 安装pgvector-python库

使用pip快速安装：

pip install pgvector

3. 验证安装

安装完成后，可以通过以下方式验证：

import pgvector
print("pgvector-python版本:", pgvector.__version__)

基础使用指南：从入门到精通

1. 数据库准备

创建测试数据库（如使用PostgreSQL命令行）：

createdb pgvector_example

2. 注册向量类型

根据你使用的PostgreSQL适配器，注册向量类型：

对于psycopg3：

from pgvector.psycopg import register_vector
conn = psycopg.connect("dbname=pgvector_example user=postgres")
register_vector(conn)

对于Django：

from pgvector.django import VectorExtension

class Migration(migrations.Migration):
    operations = [
        VectorExtension()
    ]

3. 创建向量表

使用SQLAlchemy：

from pgvector.sqlalchemy import VECTOR
from sqlalchemy import create_engine, Column, Integer
from sqlalchemy.ext.declarative import declarative_base

Base = declarative_base()

class Item(Base):
    __tablename__ = 'items'
    id = Column(Integer, primary_key=True)
    embedding = Column(VECTOR(3))  # 3维向量

engine = create_engine('postgresql://user:password@localhost/pgvector_example')
Base.metadata.create_all(engine)

4. 插入与查询向量

插入向量：

session.add(Item(embedding=[1, 2, 3]))
session.commit()

相似性查询：

from pgvector.sqlalchemy import L2Distance

# 查找与[3, 4, 5]最相似的3个向量
items = session.query(Item).order_by(L2Distance(Item.embedding, [3, 4, 5])).limit(3).all()

实用示例：探索多样化应用场景

pgvector-python提供了丰富的示例，覆盖各种向量应用场景：

• 检索增强生成(RAG)：examples/rag/example.py
• OpenAI嵌入：examples/openai/example.py
• 句子嵌入：examples/sentence_transformers/example.py
• 混合搜索：examples/hybrid_search/rrf.py
• 图像搜索：examples/image_search/example.py
• 推荐系统：examples/lightfm/example.py

要运行示例，只需：

git clone https://gitcode.com/gh_mirrors/pg/pgvector-python
cd pgvector-python/examples/loading
createdb pgvector_example
python3 example.py

高级功能：提升性能与扩展性

向量索引

为提高搜索性能，pgvector支持多种索引类型：

使用Django定义HNSW索引：

from pgvector.django import HnswIndex

class Item(models.Model):
    embedding = VectorField(dimensions=3)
    
    class Meta:
        indexes = [
            HnswIndex(
                fields=['embedding'],
                m=16,
                ef_construction=64,
                distance_metric='l2'
            )
        ]

水平扩展

通过Citus实现向量搜索的水平扩展：

# 示例代码位于 [examples/citus/example.py](https://link.gitcode.com/i/da5c1871d2124d3503f0bbc71b9bdb53)

常见问题与解决方案

连接问题

如果遇到数据库连接问题，请检查：

• PostgreSQL服务是否正常运行
• 连接字符串是否正确
• 数据库用户权限是否足够

性能优化

对于大规模向量数据：

• 合理选择索引类型（HNSW适合高维向量，IVFFlat适合低维向量）
• 调整索引参数（m, ef_construction等）
• 考虑使用批量操作

总结：开启向量搜索之旅

pgvector-python为Python开发者提供了一个简单而强大的工具，让PostgreSQL数据库具备向量处理能力。无论是构建简单的相似性搜索功能，还是开发复杂的AI应用，pgvector-python都能满足你的需求。

立即开始你的向量搜索之旅，探索AI应用开发的无限可能！

想要了解更多细节，请查看项目的CHANGELOG.md和测试文件（如tests/test_vector.py）。

【免费下载链接】pgvector-python pgvector support for Python 项目地址: https://gitcode.com/gh_mirrors/pg/pgvector-python