qdrant-client

项目简介：qdrant-client

qdrant-client 是一个用于 Qdrant 向量搜索引擎的 Python 客户端库。Qdrant 是一个专注于处理与大规模向量检索相关任务的搜索引擎，而 qdrant-client 则为开发人员提供了一套简单易用的工具库，使其能够轻松地与 Qdrant 交互。

功能特色

同步与异步请求：qdrant-client 支持同步和异步方式调用所有 Qdrant 的 API 方法，开发人员可以根据项目需求选择适合的调用方式。
类型提示：该库为所有 API 方法提供了类型定义，使得使用过程中可以由编辑器提供代码补全等便利功能，提高开发效率。
本地模式：在不启动 Qdrant 服务器的情况下，用户可以以本地模式运行代码，非常适合用于开发、原型制作和测试。可以在 CI/CD 管道中运行测试，或者在 Colab 或 Jupyter Notebook 中使用。
REST 与 gRPC 支持：支持通过 REST 和 gRPC 两种协议进行数据通信，提供灵活的集成选项。
最小化依赖：项目依赖简单，易于与其他项目集成，不用担心复杂的依赖管理问题。
广泛的测试覆盖率：确保代码的稳定性和可靠性。

安装方式

使用 pip 可以轻松安装 qdrant-client：

pip install qdrant-client

连接 Qdrant 服务器

对接 Qdrant 服务器非常简单，开发者只需指定服务器的主机地址与端口：

from qdrant_client import QdrantClient

client = QdrantClient(host="localhost", port=6333)
# 或者使用 URL 连接
client = QdrantClient(url="http://localhost:6333")

如需在本地运行 Qdrant 服务器，可以使用 Docker：

docker run -p 6333:6333 qdrant/qdrant:latest

本地模式示例

以下是如何在本地模式下初始化客户端的示例：

from qdrant_client import QdrantClient

client = QdrantClient(":memory:")  # 使用内存数据库
# 或指定路径，数据会被持久化到磁盘
client = QdrantClient(path="path/to/db")

快速嵌入与简化 API

qdrant-client 还提供了 FastEmbed 库支持，这是一种基于 ONNX Runtime 的快速向量嵌入生成库，可以在 CPU 上实现类似 GPU 的高效性能。安装方法如下：

pip install qdrant-client[fastembed]

使用 FastEmbed 可以简化 API，使操作更为直观。在需要 GPU 支持时，可以切换到 fastembed-gpu：

pip install 'qdrant-client[fastembed-gpu]'

创建与管理集合

创建新集合的示例：

from qdrant_client.models import Distance, VectorParams

client.create_collection(
    collection_name="my_collection",
    vectors_config=VectorParams(size=100, distance=Distance.COSINE),
)

插入向量数据：

import numpy as np
from qdrant_client.models import PointStruct

vectors = np.random.rand(100, 100)
client.upsert(
    collection_name="my_collection",
    points=[
        PointStruct(
            id=idx,
            vector=vector.tolist(),
            payload={"color": "red", "rand_number": idx % 10}
        )
        for idx, vector in enumerate(vectors)
    ]
)

异步客户端

从 1.6.1 版本起，所有 qdrant-client 方法均支持异步操作。使用异步客户端的示例如下：

from qdrant_client import AsyncQdrantClient, models
import numpy as np
import asyncio

async def main():
    client = AsyncQdrantClient(url="http://localhost:6333")
    await client.create_collection(
        collection_name="my_collection",
        vectors_config=models.VectorParams(size=10, distance=models.Distance.COSINE),
    )

    await client.upsert(
        collection_name="my_collection",
        points=[
            models.PointStruct(
                id=i,
                vector=np.random.rand(10).tolist(),
            )
            for i in range(100)
        ],
    )

    res = await client.search(
        collection_name="my_collection",
        query_vector=np.random.rand(10).tolist(),
        limit=10,
    )

    print(res)

asyncio.run(main())