插入数据

import tcvectordb
from tcvectordb.model.document import Document

# 写入数据。
# 参数 build_index 为 True,指写入数据同时重新创建索引。
res = client.upsert(
            database_name='db-test',
            collection_name='book-emb',
            documents=[
                Document(id='0001', text="话说天下大势，分久必合，合久必分。", author='罗贯中', bookName='三国演义', page=21, tags=['曹操','诸葛亮','刘备']),
                Document(id='0002', text="混沌未分天地乱，茫茫渺渺无人间。", author='吴承恩', bookName='西游记', page=22, tags=['孙悟空','猪八戒','唐僧']),
                Document(id='0003', text="甄士隐梦幻识通灵，贾雨村风尘怀闺秀。", author='曹雪芹', bookName='红楼梦', page=23, tags=['贾宝玉','林黛玉','王熙凤'])  
            ],
            build_index=True
        )
print(res, flush=True)

import tcvectordb
from tcvectordb.model.document import Document
from tcvdb_text.encoder.bm25 import BM25Encoder

texts = [
    '《三国演义》是元末明初罗贯中创作的长篇章回体历史演义小说',
    '《西游记》是明代吴承恩创作的长篇章回体神魔小说',
    '《红楼梦》是清代曹雪芹创作的长篇章回体小说',
]

bm25 = BM25Encoder.default('zh')
sparse_vectors: List[SparseVector] = bm25.encode_texts(texts)

# 写入数据。
# 参数 build_index 为 True,指写入数据同时重新创建索引。              
res = client.upsert(
            database_name='db-test',
            collection_name='book-vector',
            documents=[
                Document(id='0001', vector=[
                        0.1123, 0.13, 0.113], sparse_vector=sparse_vectors[0], author='罗贯中', bookName='三国演义', page=21, tags=['曹操','诸葛亮','刘备']),
                Document(id='0002', vector=[
                        0.5123, 0.52, 0.513], sparse_vector=sparse_vectors[0], author='吴承恩', bookName='西游记', page=22, tags=['孙悟空','猪八戒','唐僧']),
                Document(id='0003', vector=[
                        0.9123, 0.91, 0.913], sparse_vector=sparse_vectors[0], author='曹雪芹', bookName='红楼梦', page=23, tags=['贾宝玉','林黛玉','王熙凤'])
            ],
            build_index=True
)
print(res, flush=True)

from typing import List
import tcvectordb
from tcvectordb.model.document import Document
from tcvdb_text.encoder.bm25 import BM25Encoder

texts = [
    '腾讯云向量数据库（Tencent Cloud VectorDB）是一款全托管的自研企业级分布式数据库服务，专用于存储、索引、检索、管理由深度神经网络或其他机器学习模型生成的大量多维嵌入向量。',
    '作为专门为处理输入向量查询而设计的数据库，它支持多种索引类型和相似度计算方法，单索引支持10亿级向量规模，高达百万级 QPS 及毫秒级查询延迟。',
    '不仅能为大模型提供外部知识库，提高大模型回答的准确性，还可广泛应用于推荐系统、NLP 服务、计算机视觉、智能客服等 AI 领域。',
    '腾讯云向量数据库（Tencent Cloud VectorDB）作为一种专门存储和检索向量数据的服务提供给用户， 在高性能、高可用、大规模、低成本、简单易用、稳定可靠等方面体现出显著优势。 ',
    '腾讯云向量数据库可以和大语言模型 LLM 配合使用。企业的私域数据在经过文本分割、向量化后，可以存储在腾讯云向量数据库中，构建起企业专属的外部知识库，从而在后续的检索任务中，为大模型提供提示信息，辅助大模型生成更加准确的答案。',
]

bm25 = BM25Encoder.default('zh')
sparse_vectors: List[SparseVector] = bm25.encode_texts(texts)
# 写入数据。
# 参数 build_index 为 True,指写入数据同时重新创建索引。
res = client.upsert(
            database_name='db-test',
            collection_name='book-emb',
            documents=[
                {'id': '0001', 'text': texts[0], 'sparse_vector': sparse_vectors[0]},
                {'id': '0002', 'text': texts[1], 'sparse_vector': sparse_vectors[1]},
                {'id': '0003', 'text': texts[2], 'sparse_vector': sparse_vectors[2]},
                {'id': '0004', 'text': texts[3], 'sparse_vector': sparse_vectors[3]},
            ]
)
print(res, flush=True)

import tcvectordb
from tcvectordb.model.document import Document

# 写入数据。
# 参数 build_index 为 True,指写入数据同时重新创建索引。              
res = client.upsert(
            database_name='db-test',
            collection_name='bin-vector',
            documents=[
                Document(id='0001',
                         vector=binary_to_uint8([1, 1, 1, 0, 0, 1, 0, 1,  0, 0, 0, 0, 0, 0, 0, 0]),
                         bookName='西游记'),
                Document(id='0002',
                         vector=binary_to_uint8([1, 1, 0, 0, 1, 0, 1, 1,  0, 0, 0, 0, 0, 0, 0, 0]),
                         bookName='西游记'),
                Document(id='0003',
                         vector=binary_to_uint8([0, 0, 0, 1, 0, 0, 0, 0,  1, 1, 0, 1, 0, 0, 1, 0]),
                         bookName='三国演义'),
            ]
)
print(res, flush=True)

import tcvectordb
from tcvectordb.model.document import Document

res = client.upsert(
    database_name="db-test-1",
    collection_name="coll-json-autoid",
    documents=[
        {
            'id': '0001',
            'vector': [0.4],
            'bookInfo': {
                'bookName': '三国演义',
                'author': '罗贯中',
            }
        },
        {
            'id': '0002',
            'vector': [0.3],
            'bookInfo': {
                'bookName': '西游记',
                'author': '吴承恩',
            }
        }
    ]
)
print(res, flush=True)