qdrant是一个向量数据库，大多数应用在向量嵌入的相似性搜索上。在大量的向量数据时，匹配的效率非常的高。

qdrant服务器端的安装和运行，非常的简单。qdrant的服务器端是基于docker容器运行的，安装服务器端需要系统中先安装docker。

使用以下命令来拉取容器。

docker pull qdrant/qdrant

下载到本地后，执行以下命令运行qdrant服务

docker run -p 6333:6333 qdrant/qdrant

服务器运行成功

在python中使用qdrant，需要先安装qdrant客户端的包

pip install qdrant_client

与服务器端建立连接

from qdrant_client import QdrantClient
client = QdrantClient(host='localhost', port=6333)

插入向量数据

from qdrant_client import QdrantClient
from qdrant_client.models import VectorParams, Distance, PointStruct

client = QdrantClient(host='localhost', port=6333)

# 创建向量集合表
client.recreate_collection(
   collection_name="imgbeddings",
   vectors_config=VectorParams(size=512, distance=Distance.COSINE),
)

vectors = {...}  #向量组合

# 遍历插入向量数据
response = client.upsert(
    collection_name='imgbeddings',
    points = [
        PointStruct(
            id = index,  #唯一id
            vector=value,  #向量数据
            payload= {"name": key} #附加信息
        )
        for index, (key, value) in enumerate(vectors.items())
    ]
)

搜索相似向量

from qdrant_client import QdrantClient

client = QdrantClient(host='localhost', port=6333)

vector = [...]


hits = client. Search(
    collection_name="embeddings",
    query_vector=vector,
    limit=5  # Return 5 closest points
)