メインコンテンツまでスキップ

データインポート ハンズオン

これは、データ準備とコレクションのセットアップから実際のデータインポート処理まで、Zilliz Cloud でデータインポートをすばやく開始するための短期集中コースです。このチュートリアル全体を通して、次のことを学びます:

  • スキーマを定義してターゲットコレクションをセットアップする方法

  • BulkWriter を使用してソースデータを準備し、リモートストレージバケットに書き込む方法

  • bulk-import API を呼び出してデータをインポートする方法

📘Notes

Zilliz Cloud では、クラスターをホストしているクラウドプロバイダーに関係なく、任意のオブジェクトストレージサービスから任意の Zilliz Cloud クラスターにデータをインポートできるようになりました。たとえば、AWS S3 バケットから GCP 上にデプロイされた Zilliz Cloud クラスターにデータをインポートできます。

低レイテンシで安定したエクスペリエンスを確保するには、ターゲットクラスターと同じプロバイダーで同じリージョンにあるバケットまたは BLOB コンテナーを使用することをお勧めします。

事前準備​

スムーズなエクスペリエンスを確保するために、以下のセットアップを完了していることを確認してください。

Zilliz Cloud クラスターをセットアップする​

  • まだ作成していない場合は、クラスターを作成してください。

  • クラスターの次の詳細情報を収集します: クラスター Endpoint、API Key、Cluster ID。

依存関係をインストールする​

現在、データインポート関連の API は Python または Java で使用できます。

Python API を使用するには、ターミナルで次のコマンドを実行して pymilvus と minio をインストールするか、最新バージョンにアップグレードします。

shell
python3 -m pip install --upgrade pymilvus minio

リモートストレージバケットを設定する​

  • AWS S3、Google GCS、または Azure Blob を使用してリモートバケットをセットアップします。

  • 次の情報をメモします

    • S3 互換のブロックストレージサービスの場合: Access Key、Secret Key、Bucket Name

    • Microsoft Azure Blob ストレージサービスの場合: AccountName、AccountKey、ContainerName

    これらの情報は、バケットをホストしているクラウドプロバイダーのコンソールで確認できます。

サンプルコードを使いやすくするために、設定情報は変数に格納することをお勧めします:

python
## The value of the URL is fixed.
CLOUD_API_ENDPOINT = "https://api.cloud.zilliz.com"
API_KEY=""

# Configs for Zilliz Cloud cluster
CLUSTER_ENDPOINT=""
CLUSTER_ID="" # Zilliz Cloud cluster ID, like "in01-xxxxxxxxxxxxxxx"
COLLECTION_NAME="zero_to_hero"

# Configs for remote bucket
BUCKET_NAME=""
ACCESS_KEY=""
SECRET_KEY=""

ターゲットコレクションのスキーマをセットアップする​

上記の出力に基づいて、ターゲットコレクションのスキーマを導き出すことができます。

以下のデモでは、事前定義されたスキーマに最初の 4 つのフィールドを含め、残りの 4 つを動的フィールドとして使用します。

python
from pymilvus import MilvusClient, DataType

# You need to work out a collection schema out of your dataset.
schema = MilvusClient.create_schema(
    auto_id=False,
    enable_dynamic_field=True
)

DIM = 512

schema.add_field(field_name="id", datatype=DataType.INT64, is_primary=True),
schema.add_field(field_name="bool", datatype=DataType.BOOL),
schema.add_field(field_name="int8", datatype=DataType.INT8),
schema.add_field(field_name="int16", datatype=DataType.INT16),
schema.add_field(field_name="int32", datatype=DataType.INT32),
schema.add_field(field_name="int64", datatype=DataType.INT64),
schema.add_field(field_name="float", datatype=DataType.FLOAT),
schema.add_field(field_name="double", datatype=DataType.DOUBLE),
schema.add_field(field_name="varchar", datatype=DataType.VARCHAR, max_length=512),
schema.add_field(field_name="json", datatype=DataType.JSON),
schema.add_field(field_name="array_str", datatype=DataType.ARRAY, max_capacity=100, element_type=DataType.VARCHAR, max_length=128)
schema.add_field(field_name="array_int", datatype=DataType.ARRAY, max_capacity=100, element_type=DataType.INT64)
schema.add_field(field_name="float_vector", datatype=DataType.FLOAT_VECTOR, dim=DIM),
schema.add_field(field_name="binary_vector", datatype=DataType.BINARY_VECTOR, dim=DIM),
schema.add_field(field_name="float16_vector", datatype=DataType.FLOAT16_VECTOR, dim=DIM),
# schema.add_field(field_name="bfloat16_vector", datatype=DataType.BFLOAT16_VECTOR, dim=DIM),
schema.add_field(field_name="sparse_vector", datatype=DataType.SPARSE_FLOAT_VECTOR)

schema.verify()

print(schema)

上記のコードのパラメーターは以下のとおりです。

  • fields:

    • id はプライマリフィールドです。

    • float_vector は浮動小数点ベクトルフィールドです。

    • binary_vector はバイナリベクトルフィールドです。

    • float16_vector は半精度浮動小数点ベクトルフィールドです。

    • sparse_vector はスパースベクトルフィールドです。

    • 残りのフィールドはスカラーフィールドです。

  • auto_id=False

    これはデフォルト値です。これを True に設定すると、BulkWriter は生成されるファイルにプライマリフィールドを含めなくなります。

  • enable_dynamic_field=True

    値はデフォルトで False です。これを True に設定すると、BulkWriter は生成されるファイルから未定義のフィールドとその値をキーと値のペアとして含め、$meta という名前の予約済み JSON フィールドに配置できるようになります。

スキーマを設定したら、次のようにターゲットコレクションを作成できます:

python
from pymilvus import MilvusClient

# 1. Set up a Milvus client
client = MilvusClient(
    uri=CLUSTER_ENDPOINT,
    token=API_KEY
)

# 2. Set index parameters
index_params = MilvusClient.prepare_index_params()

index_params.add_index(
    field_name="float_vector",
    index_type="AUTOINDEX",
    metric_type="IP"
)

index_params.add_index(
    field_name="binary_vector",
    index_type="AUTOINDEX",
    metric_type="HAMMING"
)

index_params.add_index(
    field_name="float16_vector",
    index_type="AUTOINDEX",
    metric_type="IP"
)

index_params.add_index(
    field_name="sparse_vector",
    index_type="AUTOINDEX",
    metric_type="IP"
)

# 3. Create collection
client.create_collection(
    collection_name=COLLECTION_NAME,
    schema=schema,
    index_params=index_params
)

ソースデータを準備する​

BulkWriter は、データセットを JSON、Parquet、または NumPy ファイルに書き換えることができます。ここでは RemoteBulkWriter を作成し、そのライターを使用してデータをこれらの形式に書き換えます。

RemoteBulkWriter を作成する​

スキーマの準備ができたら、そのスキーマを使用して RemoteBulkWriter を作成できます。RemoteBulkWriter はリモートバケットへのアクセス許可を要求します。リモートバケットにアクセスするための接続パラメーターを ConnectParam オブジェクトに設定し、RemoteBulkWriter で参照する必要があります。

python
from pymilvus.bulk_writer import RemoteBulkWriter, BulkFileType
# Use `from pymilvus import RemoteBulkWriter, BulkFileType`
# if your pymilvus version is earlier than 2.4.2 

# Connections parameters to access the remote bucket
conn = RemoteBulkWriter.S3ConnectParam(
    endpoint="s3.amazonaws.com", # Use "storage.googleapis.com" for Google Cloud Storage
    access_key=ACCESS_KEY,
    secret_key=SECRET_KEY,
    bucket_name=BUCKET_NAME, 
    secure=True
)
📘Notes

endpoint パラメーターは、クラウドプロバイダーのストレージサービス URI を指します。

S3 互換のストレージサービスの場合、使用可能な URI は次のとおりです:

  • s3.amazonaws.com（AWS S3）

  • storage.googleapis.com（GCS）

Azure Blob ストレージコンテナーの場合は、次のような有効な接続文字列を使用する必要があります:

DefaultEndpointsProtocol=https;AccountName=<accountName>;AccountKey=<accountKey>;EndpointSuffix=core.windows.net

次に、次のように RemoteBulkWriter で接続パラメーターを参照できます:

python
writer = RemoteBulkWriter(
    schema=schema, # Target collection schema
    remote_path="/", # Output directory relative to the remote bucket root
    segment_size=1024*1024*1024, # Maximum segment size when segmenting the raw data
    connect_param=conn, # Connection parameters defined above
    file_type=BulkFileType.PARQUET # Type of the generated file.
)

# Possible file types:
# - BulkFileType.JSON, 
# - BulkFileType.NPY, and 
# - BulkFileType.PARQUET

上記のライターは JSON 形式のファイルを生成し、指定したバケットのルートフォルダーにアップロードします。

  • remote_path="/"

    これは、生成されるファイルのリモートバケット内の出力パスを決定します。

    "/" に設定すると、RemoteBulkWriter は生成されたファイルをリモートバケットのルートフォルダーに配置します。他のパスを使用する場合は、リモートバケットのルートからの相対パスを設定します。

  • file_type=BulkFileType.PARQUET

    これは生成されるファイルのタイプを決定します。使用可能な値は次のとおりです:

    • BulkFileType.JSON

    • BulkFileType.PARQUET

    • BulkFileType.NPY

  • segment_size=1024*1024*1024

    これは、BulkWriter が生成されたファイルをセグメント化するかどうかを決定します。デフォルト値は 1024 MB（1024 * 1024 * 1024）です。データセットに大量のレコードが含まれている場合は、segment_size を適切な値に設定してデータをセグメント化することをお勧めします。

ライターを使用する​

ライターには 2 つのメソッドがあります。1 つはソースデータセットから行を追加するためのもので、もう 1 つはデータをリモートファイルにコミットするためのものです。

次のようにして、ソースデータセットから行を追加できます:

python
import random, string, json
import numpy as np
import tensorflow as tf

def generate_random_str(length=5):
    letters = string.ascii_uppercase
    digits = string.digits
    
    return ''.join(random.choices(letters + digits, k=length))

# optional input for binary vector:
# 1. list of int such as [1, 0, 1, 1, 0, 0, 1, 0]
# 2. numpy array of uint8
def gen_binary_vector(to_numpy_arr):
    raw_vector = [random.randint(0, 1) for i in range(DIM)]
    if to_numpy_arr:
        return np.packbits(raw_vector, axis=-1)
    return raw_vector

# optional input for float vector:
# 1. list of float such as [0.56, 1.859, 6.55, 9.45]
# 2. numpy array of float32
def gen_float_vector(to_numpy_arr):
    raw_vector = [random.random() for _ in range(DIM)]
    if to_numpy_arr:
        return np.array(raw_vector, dtype="float32")
    return raw_vector

# # optional input for bfloat16 vector:
# # 1. list of float such as [0.56, 1.859, 6.55, 9.45]
# # 2. numpy array of bfloat16
# def gen_bf16_vector(to_numpy_arr):
#     raw_vector = [random.random() for _ in range(DIM)]
#     if to_numpy_arr:
#         return tf.cast(raw_vector, dtype=tf.bfloat16).numpy()
#     return raw_vector

# optional input for float16 vector:
# 1. list of float such as [0.56, 1.859, 6.55, 9.45]
# 2. numpy array of float16
def gen_fp16_vector(to_numpy_arr):
    raw_vector = [random.random() for _ in range(DIM)]
    if to_numpy_arr:
        return np.array(raw_vector, dtype=np.float16)
    return raw_vector

# optional input for sparse vector:
# only accepts dict like {2: 13.23, 45: 0.54} or {"indices": [1, 2], "values": [0.1, 0.2]}
# note: no need to sort the keys
def gen_sparse_vector(pair_dict: bool):
    raw_vector = {}
    dim = random.randint(2, 20)
    if pair_dict:
        raw_vector["indices"] = [i for i in range(dim)]
        raw_vector["values"] = [random.random() for _ in range(dim)]
    else:
        for i in range(dim):
            raw_vector[i] = random.random()
    return raw_vector

for i in range(2000):
    writer.append_row({
        "id": np.int64(i),
        "bool": True if i % 3 == 0 else False,
        "int8": np.int8(i%128),
        "int16": np.int16(i%1000),
        "int32": np.int32(i%100000),
        "int64": np.int64(i),
        "float": np.float32(i/3),
        "double": np.float64(i/7),
        "varchar": f"varchar_{i}",
        "json": json.dumps({"dummy": i, "ok": f"name_{i}"}),
        "array_str": np.array([f"str_{k}" for k in range(5)], np.dtype("str")),
        "array_int": np.array([k for k in range(10)], np.dtype("int64")),
        "float_vector": gen_float_vector(True),
        "binary_vector": gen_binary_vector(True),
        "float16_vector": gen_fp16_vector(True),
        # "bfloat16_vector": gen_bf16_vector(True),
        "sparse_vector": gen_sparse_vector(True),
        f"dynamic_{i}": i,
    })
    if (i+1)%1000 == 0:
        writer.commit()
        print('committed')

print(writer.batch_files)

ライターの append_row() メソッドは、行ディクショナリを受け取ります。

行ディクショナリには、スキーマ定義されたすべてのフィールドをキーとして含める必要があります。動的フィールドが許可されている場合は、未定義のフィールドも含めることができます。詳細については、BulkWriter を使用するを参照してください。

BulkWriter は、commit() メソッドを呼び出した後にのみファイルを生成します。

python
writer.commit()

ここまでで、BulkWriter は指定されたリモートバケットにソースデータを準備しました。

生成されたファイルを確認するには、ライターの data_path プロパティを出力して実際の出力パスを取得します。

python
print(writer.data_path)

# /5868ba87-743e-4d9e-8fa6-e07b39229425
📘Notes

BulkWriter は UUID を生成し、指定された出力ディレクトリにその UUID を使用してサブフォルダーを作成し、生成されたすべてのファイルをそのサブフォルダーに配置します。

詳細については、BulkWriter を使用するを参照してください。

準備したデータをインポートする​

この手順の前に、準備したデータが目的のバケットにアップロード済みであることを確認してください。

インポートを開始する​

準備したソースデータをインポートするには、次のように bulk_import() 関数を呼び出す必要があります:

python
from pymilvus.bulk_writer import bulk_import

# Publicly accessible URL for the prepared data in the remote bucket
object_url = "s3://{0}/{1}/".format(BUCKET_NAME, str(writer.data_path)[1:])
# Change `s3` to `gs` for Google Cloud Storage

resp = bulk_import(
    api_key=API_KEY,
    url=CLOUD_API_ENDPOINT,
    cluster_id=CLUSTER_ID,
    collection_name=COLLECTION_NAME,
    object_url=object_url,
    access_key=ACCESS_KEY,
    secret_key=SECRET_KEY
)

job_id = resp.json()['data']['jobId']
print(job_id)

# job-0103f039ccdq9aip1xd4rf
📘Notes

object_url は、リモートバケット内のファイルまたはフォルダーへの有効な URL である必要があります。提供されているコードでは、format() メソッドを使用して、バケット名とライターが返したデータパスを組み合わせて有効な object URL を作成しています。

データとターゲットコレクションが AWS でホストされている場合、object URL は s3://remote-bucket/file-path. のような形式になります。writer が返したデータパスの前に付ける適用可能な URI については、Storage Optionsを参照してください。

タスクの進行状況を確認する​

次のコードは、5 秒ごとに一括インポートの進行状況を確認し、進行状況をパーセンテージで出力します。

python
import time
from pymilvus import get_import_progress

job_id = res.json()['data']['jobId']

res = get_import_progress(
    api_key=API_KEY,
    url=CLOUD_API_ENDPOINT,
    cluster_id=CLUSTER_ID,  # Zilliz Cloud cluster ID, like "in01-xxxxxxxxxxxxxxx"
    job_id=job_id,
)

print(res.json()["data"]["progress"])

# check the bulk-import progress
while res.json()["data"]["progress"] < 100:
    time.sleep(5)

    res = get_import_progress(
        url=CLOUD_API_ENDPOINT,
        api_key=API_KEY,
        job_id=job_id,
        cluster_id=CLUSTER_ID
    )
    
    print(res.json()["data"]["progress"])

# 0   -- import progress 0%
# 49  -- import progress 49%
# 100 -- import finished
📘Notes

get_import_progress() の url を、ターゲットコレクションのクラウドリージョンに対応するものに置き換えます。

次のようにして、すべての一括インポートジョブを一覧表示できます:

python
from pymilvus import list_import_jobs

res = list_import_jobs(
    api_key=API_KEY,
    url=CLOUD_API_ENDPOINT,
    cluster_id=CLUSTER_ID  # Zilliz Cloud cluster ID, like "in01-xxxxxxxxxxxxxxx"
)

print(res.json())

# {
#     "code": 0,
#     "data": {
#         "records": [
#             {
#                 "collectionName": "zero_to_hero",
#                 "jobId": "job-01f36d8fd67u94avjfnxi0",
#                 "state": "Completed"
#             }
#         ],
#         "count": 1,
#         "currentPage": 1,
#         "pageSize": 10
#     }
# }

まとめ​

このコースでは、データインポートのプロセス全体を取り上げました。復習として、いくつかのポイントを挙げます:

  • データを調べて、ターゲットコレクションのスキーマを作成します。

  • BulkWriter を使用する場合は、次の点に注意してください:

    • 追加する各行に、スキーマ定義されたすべてのフィールドをキーとして含めます。動的フィールドが許可されている場合は、該当する未定義フィールドも含めます。

    • すべての行を追加した後で commit() を呼び出すことを忘れないでください。

  • bulk_import() を使用する場合は、準備したデータをホストしているクラウドプロバイダーのエンドポイントと、ライターが返したデータパスを連結して object URL を構築します。

Ctrl I