AI开发-python-milvus向量数据库（2-9 -milvus-数据更新）

【Milvus 实战】利用 upsert 接口高效更新向量数据库中的数据

 在基于 Milvus 向量数据库的开发中，数据更新是高频操纵场景。本文将通过完备的代码示例，具体讲授怎样利用 PyMilvus 客户端的upsert接口实现 Milvus 聚集（Collection）中数据的精准更新，并验证更新效果，同时办理开发中常见的版本兼容告诫题目。 一、场景配景

 Milvus 作为主流的向量数据库，提供了upsert（插入 / 更新）接口 —— 当数据 ID 已存在时实行更新操纵，ID 不存在时实行插入操纵，这一特性非常得当须要对已有向量数据举行字段更新的场景。本文以更新向量数据的color字段为例，演示完备的更新流程。 二、完备代码实现

 代码告急分为以下几个核心步调： 

• 毗连 Milvus 服务端
  
• 验证聚集加载状态
  
• 查询更新前的数据（基准对比）
  
• 实行数据更新操纵
  
• 查询更新后的数据（验证更新效果）
  
• 
  

三、核心操纵详解：数据更新（upsert）

 upsert 接口的核心特性

 upsert是 Milvus 的核心数据操纵接口，其运动由数据的id字段决定： 

• 若id在聚集中已存在：更新该 ID 对应的全部指定字段（如本文中的vector和color）；
  
• 若id在聚集中不存在：插入这条新数据。
  
• 
  

四、留意事项

 

• 数据落盘延长：Milvus 写入数据存在毫秒级延长，若更新后立即查询未看到效果，可通过time.sleep(1)短暂休眠后再查询；
  
• ID 的唯一性：id是 Milvus 聚集的主键（主键字段不可修改），必须通过id定位待更新的记录；
  
• 字段兼容性：更新的字段需与聚集的 Schema 界说划一（如vector维度、color字段范例），否则会报错；
  

 五、总结

 本文通过完备的实战代码，演示了 Milvus 向量数据库中基于upsert接口的数据更新操纵，核心要点如下： 

• upsert接口是 Milvus 实现数据更新的核心方式，通过 ID 匹配实现 “存在即更新，不存在即插入”；
  
• 更新操纵需先界说包罗目的 ID 和新字段值的数据列表，再调用upsert接口实行；
  
• 实行更新后，需重新查询数据验证更新效果，须要时可添加短暂休眠确保数据落盘。
  

 该方法实用于全部须要更新 Milvus 向量数据的场景，如商品向量属性更新、用户特性向量革新等，是 Milvus 开发中必备的核心技能。 代码如下：

1. # 过滤 pymilvus 依赖的 pkg_resources 废弃警告（setuptools≥81 版本触发）
2. # 目的是消除版本兼容带来的无关警告，让控制台输出更整洁
3. import warnings
4. warnings.filterwarnings("ignore", message=".*pkg_resources is deprecated as an API.*")
5. from pymilvus import MilvusClient
6. import time
8. client = MilvusClient(
9.     uri="http://192.168.211.128:19530",
10.     token="root:Milvus"
11. )
12. #集合名称
13. collection_name = "insert_collection"
15. # 验证加载状态
16. load_state = client.get_load_state(collection_name=collection_name)
17. print("----查看加载状态----")
18. print(load_state)
20. # 10. 查询数据
21. all_data = client.query(
22.     collection_name=collection_name,
23.     filter="id >= 0",
24.     output_fields=["id", "vector", "color"],
25.     limit=1  # 使用实际数据量作为limit
26. )
28. # 11. 打印查询结果
29. print(f"\n集合 {collection_name} 中共有 {len(all_data)} 条数据：")
30. for idx, data in enumerate(all_data):
31.     print(f"\n第{idx+1}条：")
32.     print(f"ID: {data['id']}")
33.     print(f"向量: {data['vector']}")
34.     print(f"颜色: {data['color']}")
36. #修改数据
37. data=[
38.     {"id": 0, "vector": [-0.619954382375778, 0.4479436794798608, -0.17493894838751745, -0.4248030059917294, -0.8648452746018911], "color": "black_2"}
39. ]
41. res = client.upsert(
42.     collection_name='insert_collection',
43.     data=data
44. )
46. print(res)
48. # 短暂休眠（Milvus数据写入有延迟，确保数据落盘后再查询）
49. #time.sleep(1)
51. all_data = client.query(
52.     collection_name=collection_name,
53.     filter="id >= 0",
54.     output_fields=["id", "vector", "color"],
55.     limit=1  # 使用实际数据量作为limit
56. )
58. print(f"\n集合 {collection_name} 中共有 {len(all_data)} 条数据：")
59. for idx, data in enumerate(all_data):
60.     print(f"\n第{idx+1}条：")
61.     print(f"ID: {data['id']}")
62.     print(f"向量: {data['vector']}")
63.     print(f"颜色: {data['color']}")

复制代码

输出如下：
----检察加载状态----
{'state': }

聚集 insert_collection 中共有 1 条数据：

第1条：
ID: 0
向量: [-0.6199544, 0.4479437, -0.17493895, -0.42480302, -0.8648453]
颜色: black_1
{'upsert_count': 1}

聚集 insert_collection 中共有 1 条数据：

第1条：
ID: 0
向量: [-0.6199544, 0.4479437, -0.17493895, -0.42480302, -0.8648453]
颜色: black_2
更多学习资料尽在老虎网盘资源：http://resources.kittytiger.cn/  老虎网盘资源