Levon's Blog

微信: L6241425

0%

全文搜索引擎meilisearch使用

发表于 更新于 分类于 ， 阅读次数： Valine：
本文字数： 3.1k 阅读时长 ≈ 3 分钟

1. 全文搜索选型

1.1 全文搜索

1.2 向量搜索（语义搜索）

1.3 结论 （meilisearch）

  • 如果需要全面的搜索功能且有运维能力：Elasticsearch
  • 如果需要简单部署的全文搜索：Meilisearch
  • 如果需要最高性能和专注的向量搜索：Qdrant 或 Weaviate
  • 如果已有 PostgreSQL：考虑 pgvector 扩展
  • 如果希望纯 Go 实现且内嵌：Bleve

2. meilisearch 介绍

2.1 索引 (Index)

  • 定义：索引是 Meilisearch 中存储文档的容器，类似于数据库中的表
  • 特点：每个索引都有自己的配置，如排序规则、可搜索字段、过滤规则等
  • 用途：通常按数据类型或业务领域创建不同索引，如 “products”、”users” 等

2.2 文档 (Documents)

  • 定义：文档是存储在索引中的数据单元，通常是 JSON 对象
  • 特点：每个文档必须有一个唯一标识符 (Primary Key)
  • 结构：文档是由字段 - 值对组成的集合，如 {"id": 1, "title": "iPhone", "price": 999}

2.3 Primary Field (主键字段)

  • 定义：Primary Field (主键字段) 用于唯一标识索引中的每个文档
  • 作用：确保文档唯一性，用于文档更新和删除操作，作为内部索引的引用键

3. meilisearch 使用

3.1 安装

1
2
3
4
5
6
7
8
9
10
11
12
13
# 拉取镜像并启动容器
docker run -it --rm \
    -p 7700:7700 \
    -v $(pwd)/meili_data:/meili_data \
    getmeili/meilisearch:latest 
    
    

# 验证    
curl http://localhost:7700/health

# 打开游览器查看 UI
http://127.0.0.1:7700/

3.2 部署

file-20250326164350572

  • meilisearch 暂时不支持集群部署

    参考：https://rustmagazine.github.io/rust_magazine_2021/chapter_4/meili_search.html

    1
    2
    3
    4
    5
    在MeiliSearch路线图中，我们希望提供一些分布式系统功能，例如高可用性和分片。

    我们非常嫉妒Hashicorp的Go Raft库。我希望在Rust中也有类似的东西，但到目前为止，我们还没有找到这样的Crate可以帮助我们使用共识算法轻松构建MeiliSearch集群。

    自从两年半前我们开始该项目以来，我们就已经想到了这一点，并且我们正在尝试集成不同的Raft实现库，但是我们发现还没有一个能够满足我们的期望。这是我们在路线图中面临的最大挑战之一。

3.3 使用

golang client : https://github.com/meilisearch/meilisearch-go

三方 UI: https://github.com/riccox/meilisearch-ui

自带 UI 展示封面图: 使用 cover_image 属性，就兼容

image-20250329181407905

4. meilisearch 向量搜索

向量数据需要预先计算，Meilisearch 不会自动生成向量，Meilisearch 不提供嵌入向量的生成工具。你需要使用外部工具（如 Sentence-BERT、OpenAI Embeddings API）生成向量。

向量搜索教程：https://www.meilisearch.com/docs/learn/ai_powered_search/getting_started_with_ai_search

openai 三方代理: https://api.uniapi.ai/dashboard/log

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
# 创建向量模型
curl \
  -X PATCH 'MEILISEARCH_URL/indexes/kitchenware/settings/embedders' \
  -H 'Content-Type: application/json' \
  --data-binary '{
    "products-openai": {
      "source": "openAi",
      "apiKey": "OPEN_AI_API_KEY",
      "model": "text-embedding-3-small",
      "documentTemplate": "An object used in a kitchen named '{{doc.name}}'"
    }
  }'


# 语义搜索
curl \
  -X POST 'MEILISEARCH_URL/indexes/kitchenware/search' \
  -H 'content-type: application/json' \
  --data-binary '{
    "q": "kitchen utensils made of wood",
    "hybrid": {
      "embedder": "products-openai"
    }
  }'

5. 参考教程

可以加首页作者微信，咨询相关问题！