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：

1. 主机/端口
2. 用户名（默认值：'root'）
3. 密码（默认值：''）
4. 数据库（默认值：'default'）
5. 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)

相关

• 向量存储 概念指南
• 向量存储 操作指南