AI开发-python-milvus向量数据库（2-16 -milvus-三种查询<get-query-迭代器>）
Milvus 三种核心查询方式：get/query/迭代器在向量数据库的实际应用中，查询功能是衔接数据存储与业务落地的核心环节。Milvus 作为主流向量数据库，针对不同业务场景设计了多种灵活的查询方式，其中 get 主键查询、query 条件过滤查询、query_iterator 迭代器查询是最常用的三种，掌握它们的使用场景与核心逻辑，能大幅提升数据查询效率与开发体验。本文将结合实际应用场景，详细拆解这三种查询方式的区别与使用技巧，帮助开发者快速上手。在正式讲解查询方式前，先简单梳理下前置准备工作。我们需先建立 Milvus 客户端连接，定义集合结构，包含主键、向量字段及属性字段，插入测试数据后为向量字段创建索引，确保查询性能。完成基础环境搭建后，即可根据实际业务需求，选择合适的查询方式。一、get 主键查询：精准定位，高效快捷
get 查询是 Milvus 中最基础、最高效的查询方式，核心作用是通过主键 ID 精准定位单条或多条数据，相当于“按身份证找数据”，适用于已知主键、需要快速获取对应完整数据的场景。其核心优势在于“精准”与“高效”——由于主键具有唯一性，Milvus 会直接通过主键索引定位数据，无需遍历整个集合，查询速度极快，尤其适合高频次、精准化的数据查询场景，比如根据用户 ID 查询对应向量特征、根据商品 ID 获取商品向量及属性信息等。使用时只需指定目标集合名称、待查询的主键 ID 列表，以及需要返回的字段（如向量、属性字段），即可快速获取对应数据，操作简洁且返回结果精准，无需复杂的条件筛选，是日常开发中最常用的“精准查询工具”。二、query 条件过滤查询：灵活筛选，按需匹配
与 get 查询的“精准定位”不同，query 查询主打“条件过滤”，核心作用是根据自定义的属性条件，筛选出符合要求的所有数据，相当于“按筛选条件找数据”，适用于未知主键、需要根据属性特征筛选数据的场景。其核心优势在于“灵活性”——支持多种条件筛选语法，比如模糊匹配、范围查询、多条件组合等，能够精准匹配业务中的复杂筛选需求。例如，筛选出属性中包含特定关键词的数据、筛选出符合某个数值范围的向量数据，同时还能指定返回字段和查询条数限制，兼顾灵活性与可控性。这种查询方式常用于业务场景中的数据筛选，比如在图像检索中，筛选出特定颜色标签的图像向量；在用户画像分析中，筛选出符合特定特征的用户向量，满足多样化的业务查询需求。需要注意的是，使用前需确保集合已加载，否则会出现集合找不到的错误，影响查询正常执行。三、query_iterator 迭代器查询：分批获取，高效处理海量数据
迭代器查询（query_iterator）是针对海量数据场景设计的查询方式，核心作用是将查询结果分批返回，而非一次性加载所有数据，相当于“分批读取数据”，适用于数据量较大、一次性加载会占用大量内存的场景。其核心优势在于“低内存占用”与“可操作性”——当查询结果条数较多时，一次性返回所有数据会消耗大量内存，甚至导致程序卡顿，而迭代器查询可以设置分批大小，每次只返回少量数据，处理完一批后再获取下一批，有效降低内存压力。同时，迭代器支持循环读取，可灵活控制数据处理节奏，便于对查询结果进行逐批处理、分析或存储。使用时需先建立集合连接，指定分批大小、筛选条件及返回字段，通过循环迭代的方式逐批获取数据，处理完成后关闭迭代器，避免资源浪费。这种查询方式常用于海量数据的批量处理场景，比如批量导出符合条件的向量数据、逐批分析海量用户的向量特征等，兼顾查询效率与系统稳定性。四、三种查询方式核心对比与使用建议
为了帮助大家快速区分三种查询方式，这里整理了核心差异与适用场景，方便大家根据业务需求快速选择：1. get 主键查询：精准、高效，适用于已知主键、需快速获取数据的场景，优先用于高频精准查询；2. query 条件过滤查询：灵活、可控，适用于未知主键、需按属性条件筛选数据的场景，满足复杂筛选需求；3. query_iterator 迭代器查询：低内存、可分批，适用于海量数据查询，避免一次性加载占用过多资源。总结来说，三种查询方式各有侧重，无优劣之分，关键在于匹配业务场景。日常开发中，可根据是否已知主键、数据量大小、筛选需求等，选择合适的查询方式，既能提升查询效率，也能降低系统资源消耗。掌握这三种核心查询方式，就能轻松应对 Milvus 大部分数据查询场景，为向量数据库相关开发提供有力支撑。 代码：from pymilvus import MilvusClient,DataType, Collection,connections
client = MilvusClient(
uri="http://192.168.211.128:19530",
token="root:Milvus"
)
#准备数据环境
#删除集合
client.drop_collection(
collection_name="data_t"
)
#Create schema
schema = MilvusClient.create_schema(
auto_id=False,
enable_dynamic_field=True,
)
#Add fields to schema
schema.add_field(field_name="id", datatype=DataType.INT64, is_primary=True)
schema.add_field(field_name="vector", datatype=DataType.FLOAT_VECTOR, dim=5)
schema.add_field(field_name="color", datatype=DataType.VARCHAR, max_length=512)
#创建 Collections
client.create_collection(
collection_name="data_t",
schema=schema
)
data = [
{"id": 0, "vector": , "color": "pink_8682"},
{"id": 1, "vector": , "color": "red_7025"},
{"id": 2, "vector": , "color": "orange_6781"},
{"id": 3, "vector": , "color": "pink_9298"},
{"id": 4, "vector": , "color": "red_4794"},
{"id": 5, "vector": , "color": "yellow_4222"},
{"id": 6, "vector": , "color": "red_9392"},
{"id": 7, "vector": [-0.33445148015177995, -0.2567135004164067, 0.8987539745369246, 0.9402995886420709, 0.5378064918413052], "color": "grey_8510"},
{"id": 8, "vector": , "color": "white_9381"},
{"id": 9, "vector": , "color": "purple_4976"},
]
#插入数据
res = client.insert(
collection_name="data_t",
data=data
)
print(res)
#Set up the index parameters
index_params = MilvusClient.prepare_index_params()
# Add an index on the vector field.
index_params.add_index(
field_name="vector",
metric_type="COSINE",
index_type="IVF_FLAT",
index_name="vector_index",
params={ "nlist": 128 }
)
# Create an index file
client.create_index(
collection_name="data_t",
index_params=index_params,
sync=False # Whether to wait for index creation to complete before returning. Defaults to True.
)
# 5. Describe index
res = client.list_indexes(
collection_name="data_t"
)
# Set up index parameters for querying没有这句会报 集合找不到的错误
client.load_collection(collection_name="data_t")
print(res)
print('主键 get 查询数据')
res = client.get(
collection_name="data_t",
ids=,
output_fields=["vector", "color"]
)
print(res)
print('--------------')
print('query 查询数据')
res = client.query(
collection_name="data_t",
filter="color like \"red%\"",
output_fields=["vector", "color"],
limit=3
)
print(res)
print('--------------')
print('迭代器查询')
connections.connect("default", host='172.25.131.110', port='19530')
collection = Collection("data_t")
iterator = collection.query_iterator(
batch_size=2,
expr="color like \"red%\"",
output_fields=["color"]
)
results = []
while True:
print('*************')
result = iterator.next()
if not result:
iterator.close()
break
print(result)结果输出：
{'insert_count': 10, 'ids': }
['vector_index']
主键 get 查询数据
data: ["{'vector': , 'color': 'pink_8682', 'id': 0}", "{'vector': , 'color': 'red_7025', 'id': 1}", "{'vector': , 'color': 'orange_6781', 'id': 2}"]
--------------
query 查询数据
data: ["{'color': 'red_7025', 'id': 1, 'vector': }", "{'color': 'red_4794', 'id': 4, 'vector': }", "{'color': 'red_9392', 'id': 6, 'vector': }"]
--------------
迭代器查询
*************
[{'color': 'red_7025', 'id': 1}, {'color': 'red_4794', 'id': 4}]
*************
[{'color': 'red_9392', 'id': 6}]
*************
更多学习资料尽在老虎网盘资源老虎网盘资源
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！ 谢谢分享，辛苦了 yyds。多谢分享 新版吗？好像是停更了吧。
页:
[1]