1、 失败方法
首先直接用docker创建milvus，每次都失败：
docker run -d --name milvus -p 19530:19530 -p 9091:9091 -v /var/lib/milvus:/var/lib/milvus milvusdb/milvus:latest
2、 windows下成功方法
查看官网在 Docker（Linux）中运行 Milvus | Milvus 文档
从 PowerShell 或 Windows 命令提示符
如果你更熟悉 PowerShell 或 Windows Command Prompt，命令提示符如下。
-
在管理员模式下右击并选择以管理员身份运行，打开 Docker Desktop。
-
下载安装脚本并将其保存为
standalone.bat。C:>Invoke-WebRequest https://raw.githubusercontent.com/milvus-io/milvus/refs/heads/master/scripts/standalone_embed.bat -OutFile standalone.bat -
运行下载的脚本，将 Milvus 作为 Docker 容器启动。
C:>standalone.bat start Wait for Milvus starting... Start successfully. To change the default Milvus configuration, edit user.yaml and restart the service.运行安装脚本后可用看到Milvus成功
3、客户端选择
我使用attu，大家网上下载
4、代码验证
github下载代码：参考nlp/question_answering目录下的csv文件github.com/yun81911/ex…
以下是我导入数据并进行查询问答查询的代码：
# 从 towhee 库导入 pipe 和 ops 模块，用于构建数据处理管道和操作
from towhee import pipe, ops
# 导入 numpy 库，用于进行数值计算，例如向量的归一化操作
import numpy as np
# 从 towhee.datacollection 模块导入 DataCollection 类，用于数据收集和展示
from towhee.datacollection import DataCollection
# 从 pymilvus 库导入多个模块，用于连接和操作 Milvus 向量数据库
from pymilvus import connections, FieldSchema, CollectionSchema, DataType, Collection, utility
# 连接到本地的 Milvus 服务，指定主机地址和端口
connections.connect(host='127.0.0.1', port='19530')
###################################################################创建集合
# 定义一个函数，用于创建 Milvus 集合
def create_milvus_collection(collection_name, dim):
"""
创建一个 Milvus 集合，如果集合已存在则先删除
:param collection_name: 集合的名称
:param dim: 向量的维度
:return: 创建好的 Milvus 集合对象
"""
# 检查指定名称的集合是否已经存在
if utility.has_collection(collection_name):
# 如果集合已存在，删除该集合
utility.drop_collection(collection_name)
# 定义集合的字段
fields = [
# 定义一个名为 id 的字段，数据类型为 VARCHAR，用于存储问题的 id
FieldSchema(name='id', dtype=DataType.VARCHAR, description='问题的 id', max_length=500, is_primary=True, auto_id=False),
# 定义一个名为 vec 的字段，数据类型为 FLOAT_VECTOR，用于存储问题的向量表示
FieldSchema(name='vec', dtype=DataType.FLOAT_VECTOR, description='问题的嵌入向量', dim=dim)
]
# 创建集合的模式，指定字段和描述信息
schema = CollectionSchema(fields=fields, description='问答搜索集合')
# 根据模式创建集合
collection = Collection(name=collection_name, schema=schema)
# 为集合的 vec 字段创建索引
index_params = {
# 使用 L2 距离度量
'metric_type': 'L2',
# 使用 IVF_FLAT 索引类型
'index_type': 'IVF_FLAT',
# 索引参数，nlist 指定分区数量为 2048
'params': {'nlist': 2048}
}
# 在 vec 字段上创建索引
collection.create_index(field_name='vec', index_params=index_params)
return collection
# 定义集合的名称
collection_name = 'question_answer_csv'
# 定义向量的维度
dim = 768
# 调用函数创建 Milvus 集合
collection = create_milvus_collection(collection_name, dim)
#########################################################################################################插入数据到数据库
# 定义一个名为 insert_pipe 的数据处理管道
insert_pipe = (
# 定义管道的输入参数，分别为 'id'、'question' 和 'answer'
pipe.input('id', 'question', 'answer')
# 对输入的 'question' 进行映射处理，使用 DPR 模型（facebook/dpr-ctx_encoder-single-nq-base）将问题转换为向量
.map('question', 'vec', ops.text_embedding.dpr(model_name='facebook/dpr-ctx_encoder-single-nq-base'))
# 对生成的向量 'vec' 进行归一化处理，使用 numpy 的 linalg.norm 函数计算向量的范数
.map('vec', 'vec', lambda x: x / np.linalg.norm(x, axis=0))
# 将 'id' 和归一化后的向量 'vec' 作为输入，插入到 Milvus 向量数据库中
# 连接到本地的 Milvus 服务，端口为 19530，使用的集合名为 'question_answer_csv'
.map(('id', 'vec'), 'insert_status', ops.ann_insert.milvus_client(host='127.0.0.1', port='19530', collection_name='question_answer_csv'))
# 定义管道的输出，这里未指定具体输出内容，默认输出处理后的结果
.output()
)
# 导入 csv 模块，用于处理 CSV 文件
import csv
# 打开 'question_answer.csv' 文件，使用 UTF-8 编码
with open('question_answer.csv', encoding='utf-8') as f:
# 创建一个 CSV 读取器对象
reader = csv.reader(f)
# 跳过 CSV 文件的第一行（通常为表头）
next(reader)
# 遍历 CSV 文件中的每一行数据
for row in reader:
# 将每一行数据传入 insert_pipe 管道进行处理
insert_pipe(*row)
# 加载 Milvus 集合的数据到内存，以便后续的搜索操作
collection.load()
#########################################################################################################查询问题
# 定义一个名为 ans_pipe 的数据处理管道，用于查询问题的答案
ans_pipe = (
# 定义管道的输入参数，为 'question'
pipe.input('question')
# 对输入的 'question' 进行映射处理，使用 DPR 模型（facebook/dpr-ctx_encoder-single-nq-base）将问题转换为向量
.map('question', 'vec', ops.text_embedding.dpr(model_name="facebook/dpr-ctx_encoder-single-nq-base"))
# 对生成的向量 'vec' 进行归一化处理，使用 numpy 的 linalg.norm 函数计算向量的范数
.map('vec', 'vec', lambda x: x / np.linalg.norm(x, axis=0))
# 将归一化后的向量 'vec' 作为输入，在 Milvus 向量数据库中进行搜索
# 连接到本地的 Milvus 服务，端口为 19530，使用的集合名为 'question_answer_csv'，返回最相似的 1 个结果
.map('vec', 'res', ops.ann_search.milvus_client(host='127.0.0.1', port='19530', collection_name='question_answer_csv', limit=1))
# 对搜索结果 'res' 进行映射处理，根据结果中的 id 从 id_answer 字典中获取对应的答案
.map('res', 'answer', lambda x: [id_answer[int(i[0])] for i in x])
# 定义管道的输出，包括输入的问题和对应的答案
.output('question', 'answer')
)
# 提示信息：id_answer 变量在代码中未定义，需要正确定义
# 例如：
# 导入 pandas 库，用于处理 CSV 文件
import pandas as pd
# 读取 'question_answer.csv' 文件到 DataFrame
df = pd.read_csv('question_answer.csv')
# 查看 DataFrame 的前几行
df.head()
# 将 DataFrame 的 id 列设为索引，并将 answer 列转换为字典
id_answer = df.set_index('id')['answer'].to_dict()
# 定义一个查询问题
# ans = ans_pipe('Is Disability Insurance Required By Law?')
ans = ans_pipe('How to purchase disability insurance?')
# 将查询结果封装为 DataCollection 对象
ans = DataCollection(ans)
# 展示查询结果
ans.show()
