AI开发-python-milvus向量数据库（2-7 -milvus-精确使用模式创建collection）

Milvus 向量数据库 Collection 创建与状态校验实战
Milvus 作为主流的开源向量数据库，Collection（集合）是其存储和管理向量数据的核心载体。本文基于 pymilvus SDK 实战讲解 Collection 的创建流程、核心参数含义及状态校验方法
看代码：

1. # 过滤 pymilvus 依赖的 pkg_resources 废弃警告（setuptools≥81 版本触发）
2. # 目的是消除版本兼容带来的无关警告，让控制台输出更整洁
3. import warnings
4. warnings.filterwarnings("ignore", message=".*pkg_resources is deprecated as an API.*")
5. from pymilvus import DataType, FieldSchema, CollectionSchema,Collection, connections,utility
7. # ====================== 1. 定义字段结构（FieldSchema） ======================
8. # 定义主键字段：id
9. # - name: 字段名
10. # - dtype: 数据类型（INT64 整型）
11. # - is_primary: 是否为主键（True 表示是主键）
12. # - description: 字段描述
13. id_field = FieldSchema( name="id",  dtype=DataType.INT64,  is_primary=True,  description="primary id")
15. # 定义普通字段：age（年龄）
16. # - dtype: INT64 整型，存储用户年龄
17. age_field = FieldSchema( name="age", dtype=DataType.INT64,  description="age")
19. # 定义向量字段：embedding（嵌入向量）
20. # - dtype: FLOAT_VECTOR 浮点型向量
21. # - dim: 向量维度（128维，需与实际存入的向量维度一致）
22. embedding_field = FieldSchema( name="embedding",  dtype=DataType.FLOAT_VECTOR,  dim=128,  description="vector")
24. # 定义分区键字段：position（位置）
25. # - dtype: VARCHAR 字符串类型
26. # - max_length: 字符串最大长度
27. # - is_partition_key: 是否为分区键（True 表示是分区键）
28. # 注：该字段在后续创建 Collection 时未加入 schema，如需使用需添加到 fields 列表中
29. position_field = FieldSchema( name="position",   dtype=DataType.VARCHAR,  max_length=256,   is_partition_key=True)
31. # ====================== 2. 定义 Collection 整体结构（CollectionSchema） ======================
32. # 创建 Collection 的 schema（类似数据库表结构）
33. # - fields: 包含该 Collection 的所有字段列表（此处仅使用 id/age/embedding 三个字段）
34. # - auto_id: 是否自动生成主键（False 表示手动指定 id，与 is_primary=True 对应）
35. # - enable_dynamic_field: 是否启用动态字段（True 表示允许插入 schema 中未定义的字段）
36. # - description: Collection 的整体描述
37. schema = CollectionSchema(
38.     fields=[id_field, age_field, embedding_field],
39.     auto_id=False,
40.     enable_dynamic_field=True,
41.     description="desc of a collection"
42. )
44. # ====================== 3. 连接 Milvus 服务器并创建 Collection ======================
45. # 建立与 Milvus 服务器的连接
46. # - host: Milvus 服务器的 IP 地址
47. # - port: Milvus 服务器的端口号（默认 19530）
48. conn = connections.connect(host="192.168.211.128", port=19530)
49. # connections.connect() 是一个全局连接管理的操作，它的核心作用是：
50. #
51. #     与指定的 Milvus 服务器建立连接，并将这个连接以别名（默认是 'default'）的形式注册到 Milvus 的全局连接池里。
52. #     后续创建 Collection、插入数据、查询等所有操作，都会自动使用这个默认的全局连接（除非你显式指定其他别名）。
53. #
54. # 换句话说，conn = connections.connect(...) 中的 conn 变量只是返回了连接对象本身，但 SDK 内部已经记住了这个连接，后续操作无需再通过 conn 调用，就像这样：
57. # 定义要创建的 Collection 名称
58. collection_name = "table_3"
60. # 创建 Collection（核心操作）
61. # - name: Collection 名称
62. # - schema: 已定义的 Collection 结构
63. # - using: 使用的 Milvus 别名（默认 'default'）
64. # - shards_num: 分片数量（1 表示将数据分为 1 个分片，提升并发性能）
65. collection1 = Collection(
66.     name=collection_name,
67.     schema=schema,
68.     using='default',
69.     shards_num=1
70. )
73. # ========== 正确的状态/信息查看方式 ==========
74. # 方式1：查看 Collection 的详细元数据（最常用）
75. print("=== Collection 详细信息 ===")
76. collection_info = collection1.describe()
77. print(collection_info)
79. # 方式2：验证 Collection 是否存在（返回 True/False）
80. print("\n=== 验证 Collection 是否存在 ===")
81. is_exist = utility.has_collection(collection_name, using='default')
82. print(f"Collection '{collection_name}' 是否存在：{is_exist}")
84. # 方式3：查看 Collection 的加载状态（是否加载到内存，用于查询）
85. print("\n=== Collection 加载状态 ===")
86. load_state = utility.load_state(collection_name, using='default')
87. print(f"Collection 加载状态：{load_state}")
90. # 方式4：查看所有已创建的 Collection 列表
91. print("\n=== 所有 Collection 列表 ===")
92. all_collections = utility.list_collections(using='default')
93. print(f"当前 Milvus 中的 Collection 列表：{all_collections}")

复制代码

 运行结果：
=== Collection 详细信息 ===
{'collection_name': 'table_3', 'auto_id': False, 'num_shards': 1, 'description': 'desc of a collection', 'fields': [{'field_id': 100, 'name': 'id', 'description': 'primary id', 'type': , 'params': {}, 'is_primary': True}, {'field_id': 101, 'name': 'age', 'description': 'age', 'type': , 'params': {}}, {'field_id': 102, 'name': 'embedding', 'description': 'vector', 'type': , 'params': {'dim': 128}}], 'functions': [], 'aliases': [], 'collection_id': 464357759084926662, 'consistency_level': 2, 'properties': {'timezone': 'UTC'}, 'num_partitions': 1, 'enable_dynamic_field': True}

=== 验证 Collection 是否存在 ===
Collection 'table_3' 是否存在：True

=== Collection 加载状态 ===
Collection 加载状态：NotLoad

=== 所有 Collection 列表 ===
当前 Milvus 中的 Collection 列表：['table_1', 'table_2', 'table_3', 'two_table', 'one_talbe', 'three_table', 'quick_setup', 'custom_quick_setup']


更多学习资料尽在老虎网盘资源：http://resources.kittytiger.cn/ 老虎网盘资源
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

用心讨论，共获提升！