Apache Doris
Apache Doris 是一个用于实时分析的现代数据仓库。它能够以闪电般的速度对大规模实时数据进行分析。
通常情况下,`Apache Doris` 被归类为 OLAP 数据库,并且在 ClickBench — 分析型数据库基准测试 中表现出色。由于它拥有超快的向量化执行引擎,它也可以作为一个快速向量数据库使用。
您需要安装 langchain-community
(使用 pip install -qU langchain-community
) 才能使用此集成
这里我们将展示如何使用 Apache Doris 向量存储。
设置
%pip install --upgrade --quiet pymysql
在开始时设置 `update_vectordb = False`。如果没有文档更新,则无需重新构建文档的嵌入。
!pip install sqlalchemy
!pip install langchain
from langchain.chains import RetrievalQA
from langchain_community.document_loaders import (
DirectoryLoader,
UnstructuredMarkdownLoader,
)
from langchain_community.vectorstores.apache_doris import (
ApacheDoris,
ApacheDorisSettings,
)
from langchain_openai import OpenAI, OpenAIEmbeddings
from langchain_text_splitters import TokenTextSplitter
update_vectordb = False
API 参考:RetrievalQA | DirectoryLoader | UnstructuredMarkdownLoader | ApacheDoris | ApacheDorisSettings | OpenAI | OpenAIEmbeddings | TokenTextSplitter
加载文档并分词
加载 `docs` 目录下的所有 Markdown 文件
对于 Apache Doris 文档,你可以从 https://github.com/apache/doris 克隆仓库,其中包含 `docs` 目录。
loader = DirectoryLoader(
"./docs", glob="**/*.md", loader_cls=UnstructuredMarkdownLoader
)
documents = loader.load()
将文档分割成词元,并设置 `update_vectordb = True`,因为有新的文档/词元。
# load text splitter and split docs into snippets of text
text_splitter = TokenTextSplitter(chunk_size=400, chunk_overlap=50)
split_docs = text_splitter.split_documents(documents)
# tell vectordb to update text embeddings
update_vectordb = True
split_docs[-20]
print("# docs = %d, # splits = %d" % (len(documents), len(split_docs)))
创建向量数据库实例
使用 Apache Doris 作为向量数据库
def gen_apache_doris(update_vectordb, embeddings, settings):
if update_vectordb:
docsearch = ApacheDoris.from_documents(split_docs, embeddings, config=settings)
else:
docsearch = ApacheDoris(embeddings, settings)
return docsearch
将词元转换为嵌入并存入向量数据库
这里我们使用 Apache Doris 作为向量数据库,你可以通过 `ApacheDorisSettings` 配置 Apache Doris 实例。
配置 Apache Doris 实例与配置 MySQL 实例非常相似。你需要指定:
- 主机/端口
- 用户名(默认值:'root')
- 密码(默认值:'')
- 数据库(默认值:'default')
- 表(默认值:'langchain')
import os
from getpass import getpass
if "OPENAI_API_KEY" not in os.environ:
os.environ["OPENAI_API_KEY"] = getpass()
update_vectordb = True
embeddings = OpenAIEmbeddings()
# configure Apache Doris settings(host/port/user/pw/db)
settings = ApacheDorisSettings()
settings.port = 9030
settings.host = "172.30.34.130"
settings.username = "root"
settings.password = ""
settings.database = "langchain"
docsearch = gen_apache_doris(update_vectordb, embeddings, settings)
print(docsearch)
update_vectordb = False
构建问答系统并提问
llm = OpenAI()
qa = RetrievalQA.from_chain_type(
llm=llm, chain_type="stuff", retriever=docsearch.as_retriever()
)
query = "what is apache doris"
resp = qa.run(query)
print(resp)