玩转大模型必备：pgvector向量数据库私有化安装部署及使用介绍

PGVector是一个用于向量化数据的PostgreSQL扩展。它提供了一种有效存储和查询向量数据的方法，以便在数据库中进行相似度搜索和相关操作。

PGVector扩展使用了PGSQL的数据类型和函数，可以轻松地将向量数据存储在数据库表中，并使用SQL查询进行向量操作。它支持向量的插入、更新和删除，以及向量之间的相似度计算和搜索。

PGVector还提供了一些内置的向量操作函数，如向量的加法、减法、乘法和除法，以及向量的归一化和距离计算。这些函数可以用于构建复杂的向量操作和查询。

使用PGVector扩展，可以将向量数据存储在数据库中，并利用数据库的强大查询功能进行高效的向量操作和相似度搜索。它适用于各种应用场景，如自然语言处理、图像处理、推荐系统等。

下面介绍PGVector 数据库的安装和使用

1.安装

因为官方支持docker模式安装，我们这里就以docker安装模式来介绍。

1.1获取docker 镜像

docker pull ankane/pgvector

完成docker 镜像下载

当然你也可以下载官方源码自己编译打包镜像，相关命令行如下。

git clone --branch v0.4.4 https://github.com/pgvector/pgvector.gitcd pgvectordocker build --build-arg PG_MAJOR=15 -t myuser/pgvector .

我们打开dockerfile文件查看

ARG PG_MAJOR=15FROM postgres:$PG_MAJORARG PG_MAJORCOPY . /tmp/pgvectorRUN apt-get update && \        apt-get install -y --no-install-recommends build-essential postgresql-server-dev-$PG_MAJOR && \        cd /tmp/pgvector && \        make clean && \        make OPTFLAGS="" && \        make install && \        mkdir /usr/share/doc/pgvector && \        cp LICENSE README.md /usr/share/doc/pgvector && \        rm -r /tmp/pgvector && \        apt-get remove -y build-essential postgresql-server-dev-$PG_MAJOR && \        apt-get autoremove -y && \        rm -rf /var/lib/apt/lists/*

从上面代码可以看出，pgvector 其实是在postgres 数据库原有的基础上面编译打包增加了PG数据库支持向量部分的插件，从而让postgres 数据库实现了向量数据库的支持。

1.2启动

docker run -d --name pgvector -e POSTGRES_USER=root -e POSTGRES_PASSWORD=123456 -p 5432:5432 ankane/pgvector:latest

测试一下数据库是正常使用

以上说明pgvector 数据库是正常的。

2.使用

启用扩展名(在每个想要使用的数据库中进行一次)

CREATE EXTENSION vector;

创建一个三维向量列

CREATE TABLE items (id bigserial PRIMARY KEY, embedding vector(3));

插入向量

INSERT INTO items (embedding) VALUES ('[1,2,3]'), ('[4,5,6]');

获取距离相邻的L2数据

SELECT * FROM items ORDER BY embedding <-> '[3,1,2]' LIMIT 5;

我们使用数据库客户端工具操作以上命令

通过以上操作我们就可以实现向量数据库的访问了。

3.支持的语言

我们知道一个强大的数据库需要支持多种开发语言，这样的数据库才能给大众使用，也就是服务于更多使用者或者生态。只有开发者支持的生态这块软件才有它生命周期。pgvector目前支持的开发语言也很多，具体可以看下面一张图：

目前主流的开发语言它都是可以支持的。这样编程语言客户端的支持有利用打造它自己的数据库生态。

下面就以官方的Java的例子跑起来，让大家感受一下。

3.1 pgvector-java客户端调用案例

github下载代码https://github.com/pgvector/pgvector-java，把代码导入的IntelliJ IDEA项目中。

项目默认是Scala构建工程的，我们需要修改增加POM.XML

<!--?xml version="1.0" encoding="UTF-8"?--> 4.0.0 com.example pgvector-java 1.0.0   1.8  1.8  UTF-8       com.pgvector   pgvector   0.1.2       org.springframework   spring-jdbc   5.3.10

修改测试代码JDBCJava.java，将数据库连接地址改成远程地址

 dataSource.setUrl("jdbc:postgresql://192.168.210.16:5432/postgres");        dataSource.setUsername("root");        dataSource.setPassword("123456");

完整的代码

package com.pgvector;import java.sql.*;import java.util.List;import java.util.Map;import com.pgvector.PGvector;import org.springframework.jdbc.core.JdbcTemplate;import org.springframework.jdbc.datasource.DriverManagerDataSource;public class SpringJDBC {    public static void main(String[] args) {        DriverManagerDataSource dataSource = new DriverManagerDataSource();        dataSource.setUrl("jdbc:postgresql://192.168.210.16:5432/postgres");        dataSource.setUsername("root");        dataSource.setPassword("123456");        JdbcTemplate jdbcTemplate = new JdbcTemplate(dataSource);        jdbcTemplate.execute("CREATE EXTENSION IF NOT EXISTS vector");        jdbcTemplate.execute("DROP TABLE IF EXISTS spring_items");        jdbcTemplate.execute("CREATE TABLE spring_items (id bigserial PRIMARY KEY, embedding vector(3))");        Object[] insertParams = new Object[] {                new PGvector(new float[] {1, 1, 1}),                new PGvector(new float[] {2, 2, 2}),                new PGvector(new float[] {1, 1, 2}),                new PGvector()        };        jdbcTemplate.update("INSERT INTO spring_items (embedding) VALUES (?), (?), (?), (?)", insertParams);        Object[] neighborParams = new Object[] { new PGvector(new float[] {1, 1, 1}) };        List> rows = jdbcTemplate.queryForList("SELECT * FROM spring_items ORDER BY embedding <-> ? LIMIT 5", neighborParams);        for (Map row : rows) {            System.out.println(row.get("id"));            System.out.println(row.get("embedding"));        }        jdbcTemplate.execute("CREATE INDEX spring_index ON spring_items USING ivfflat (embedding vector_l2_ops) WITH (lists = 100)");    }    }

运行程序

pg数据库下载(玩转大模型必备：pgvector向量数据库私有化安装部署及使用介绍)

我们查看一下数据库

新增加一个spring_items向量表，查看他的数据

和程序代码插入的数据是对的上的。

3.2 pgvector-python客户端调用案例

github下载代码https://github.com/pgvector/pgvector-python，把代码导入的IntelliJ IDEA项目中。

修改项目环境依赖

执行 pip 依赖库的安装

pip install -r requirements.txt

执行pgvector 依赖库安装

pip install pgvector

我们找一个能测试的代码，就以test 文件夹下test_asyncpg.py 为案例，修改代码增加数据库连接相关信息

        conn = await asyncpg.connect(host="192.168.210.16",                                     port=5432,                                     user="root",                                     password="123456",database='postgres')

完整的代码如下：

import asyncioimport asyncpgimport numpy as npfrom pgvector.asyncpg import register_vectorimport pytestclass TestAsyncpg:    @pytest.mark.asyncio    async def test_works(self):        conn = await asyncpg.connect(host="192.168.210.16",                                     port=5432,                                     user="root",                                     password="123456",database='postgres')        await conn.execute('CREATE EXTENSION IF NOT EXISTS vector')        await conn.execute('DROP TABLE IF EXISTS item')        await conn.execute('CREATE TABLE item (id bigserial primary key, embedding vector(3))')        await register_vector(conn)        embedding = np.array([1.5, 2, 3])        await conn.execute("INSERT INTO item (embedding) VALUES ($1), (NULL)", embedding)        res = await conn.fetch("SELECT * FROM item ORDER BY id")        assert res[0]['id'] == 1        assert res[1]['id'] == 2        assert np.array_equal(res[0]['embedding'], embedding)        assert res[0]['embedding'].dtype == np.float32        assert res[1]['embedding'] is None        # ensures binary format is correct        text_res = await conn.fetch("SELECT embedding::text FROM item ORDER BY id LIMIT 1")        assert text_res[0]['embedding'] == '[1.5,2,3]'        await conn.close()    @pytest.mark.asyncio    async def test_pool(self):        async def init(conn):            await register_vector(conn)        pool = await asyncpg.create_pool(host="192.168.210.16",                                         port=5432,                                         user="root",                                         password="123456",database='postgres', init=init)        async with pool.acquire() as conn:            await conn.execute('CREATE EXTENSION IF NOT EXISTS vector')            await conn.execute('DROP TABLE IF EXISTS item')            await conn.execute('CREATE TABLE item (id bigserial primary key, embedding vector(3))')            embedding = np.array([1.5, 2, 3])            await conn.execute("INSERT INTO item (embedding) VALUES ($1), (NULL)", embedding)            res = await conn.fetch("SELECT * FROM item ORDER BY id")            assert res[0]['id'] == 1            assert res[1]['id'] == 2            assert np.array_equal(res[0]['embedding'], embedding)            assert res[0]['embedding'].dtype == np.float32            assert res[1]['embedding'] is None

代码修改后我们运行测试一下

检查数据库

我查一下数据是不是代码你新增的向量数据1.5, 2, 3

结果打开后发现是的。

总结：pgvector在原有的postgressql 基础上增加了向量数据库的支持，对熟悉postgressql 小伙伴非常友好，学习成本较低很容易上手。而且项目支持的客户端编程语言也较为丰富，而且相关DEMO案例也较为齐全，个人觉的作为向量数据库也是有较大发展前景的。

参考文献：

https://github.com/pgvector/pgvector

pg数据库下载(玩转大模型必备：pgvector向量数据库私有化安装部署及使用介绍)

1.安装

1.1获取docker 镜像

1.2启动

2.使用

3.支持的语言

3.1 pgvector-java客户端调用案例

3.2 pgvector-python客户端调用案例

相关阅读

最新文章

pubmed数据库(肠类器官研究现状及热点分析：大数据分析)

pubmed数据库(女子1年内“阳”了4次，竟是因为得了这种病！医生：国内首例)

pubchem数据库(法匹拉韦-新型冠状病毒肺炎临床试验药物专利分析之六【中国科讯】)

postgre数据库(担心国产数据库门槛高？PostgreSQL 帮你 “无缝衔接”)

postgres数据库(PostgreSQL 5大必学技巧（2026版）：搞定大数据与慢查询终极方案)

postgresql数据库(MySQL vs PostgreSQL终极对决：选对数据库，少踩80%生产坑)

热门文章

本栏目文章