Spring Boot整合Redis Stack构建本地向量数据库相似性查询

Spring Boot整合Redis Stack构建本地向量数据库相似性查询

在微服务架构中，数据的高效存储与快速查询是至关重要的。Redis作为一个高性能的内存数据结构存储系统，不仅可以用作缓存、消息代理，还可以扩展为向量数据库，实现高效的相似性搜索。本文将详细介绍如何使用Spring Boot整合Redis Stack，构建本地向量数据库，并进行相似性查询。

一、Redis Stack简介

Redis Stack（也称为Redis Enterprise或Redis Cloud）是一个全面的Redis解决方案，它包括了Redis数据库、Redis搜索、Redis AI、Redis JSON等多个模块，为开发者提供了丰富的数据结构和强大的功能。其中，Redis搜索模块允许我们将Redis用作向量数据库，进行相似性搜索。

二、环境准备

在开始之前，我们需要准备以下环境：

1. JDK：确保已安装Java Development Kit（JDK），版本建议为17或更高。
2. Maven：用于构建和管理Java项目依赖。
3. Docker：用于运行Redis Stack容器。
4. Spring Boot：用于构建微服务应用。

三、Redis Stack安装与配置

我们将使用Docker来安装Redis Stack。以下是安装步骤：

1. 拉取Redis Stack镜像

   docker pull redis/redis-stack
   

2. 运行Redis Stack容器

   docker run -d --name redis-stack -p 6379:6379 -p 5540:5540 redis/redis-stack
   

   这将启动Redis Stack容器，并暴露Redis服务（端口6379）和Redis Insight管理界面（端口5540）。

3. 访问Redis Insight

   打开浏览器，访问http://localhost:5540，即可进入Redis Insight管理界面，进行Redis数据库的可视化管理。

四、Spring Boot项目构建

接下来，我们将使用Spring Boot构建一个微服务应用，用于与Redis Stack进行交互，实现向量数据库的相似性查询。

1. 创建Spring Boot项目

   使用Spring Initializr或Maven命令创建一个新的Spring Boot项目，并添加以下依赖：

   <dependencies><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-data-redis</artifactId></dependency><dependency><groupId>redis.clients</groupId><artifactId>jedis</artifactId></dependency><!-- 其他依赖，如Spring AI（可选） --><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-redis-spring-boot-starter</artifactId><version>${spring-ai.version}</version></dependency>
   </dependencies>
   

2. 配置Redis连接

   在application.yml或application.properties文件中配置Redis连接信息：

   spring:redis:host: localhostport: 6379# 其他配置，如密码、连接池等（可选）
   

3. 创建Redis配置类

   创建一个Redis配置类，用于配置RedisTemplate和其他必要的Bean：

   @Configuration
   public class RedisConfig {@Beanpublic RedisTemplate<String, Object> redisTemplate(RedisConnectionFactory redisConnectionFactory) {RedisTemplate<String, Object> template = new RedisTemplate<>();template.setConnectionFactory(redisConnectionFactory);template.setKeySerializer(new StringRedisSerializer());template.setValueSerializer(new Jackson2JsonRedisSerializer<>(Object.class));return template;}// 其他配置，如HashOperations、ValueOperations等（可选）
   }
   

4. 实现向量存储与查询

   为了将文本或数据转换为向量，并使用Redis进行存储和查询，我们需要一个嵌入模型（如Word2Vec、BERT等）来生成向量。这里，我们假设已经有一个向量化工具（如vectorStore），它可以将指定的字段转换为高维向量，并存储在Redis中。

   @Service
   public class VectorService {@Autowiredprivate RedisTemplate<String, Object> redisTemplate;// 存储向量到Redispublic void storeVector(String key, double[] vector) {// 将向量序列化为字符串或其他可存储的格式（如JSON）String vectorStr = Arrays.toString(vector);redisTemplate.opsForValue().set(key, vectorStr);}// 查询与给定向量最相似的K个向量public List<String> similaritySearch(double[] queryVector, int k) {// 将查询向量转换为与存储在Redis中相同格式的字符串（可选）String queryVectorStr = Arrays.toString(queryVector);// 使用Redis的搜索功能进行相似性搜索（这里需要实现具体的搜索逻辑）// 假设有一个`vectorStore.similaritySearch`方法可以进行相似性计算// List<Document> results = vectorStore.similaritySearch(queryVector, k);// 返回结果（这里仅为示例，实际应返回相似向量的键或其他相关信息）// return results.stream().map(Document::getKey).collect(Collectors.toList());// 由于Redis原生不支持向量搜索，这里可以使用第三方库或自定义实现// 以下是一个简单的示例，使用余弦相似度进行手动计算（不推荐用于生产环境）Map<String, Double> similarityMap = new HashMap<>();redisTemplate.keys("*").forEach(redisKey -> {String vectorStr = (String) redisTemplate.opsForValue().get(redisKey);double[] storedVector = Arrays.stream(vectorStr.replaceAll("[\\[\\]\\s]", "").split(",")).mapToDouble(Double::parseDouble).toArray();double similarity = cosineSimilarity(queryVector, storedVector);similarityMap.put(redisKey, similarity);});// 按相似度排序并返回前K个结果List<Map.Entry<String, Double>> sortedEntries = similarityMap.entrySet().stream().sorted((e1, e2) -> Double.compare(e2.getValue(), e1.getValue())).collect(Collectors.toList());return sortedEntries.stream().limit(k).map(Map.Entry::getKey).collect(Collectors.toList());}// 计算余弦相似度private double cosineSimilarity(double[] a, double[] b) {double dotProduct = 0.0;double normA = 0.0;double normB = 0.0;for (int i = 0; i < a.length; i++) {dotProduct += a[i] * b[i];normA += a[i] * a[i];normB += b[i] * b[i];}return dotProduct / (Math.sqrt(normA) * Math.sqrt(normB));}
   }
   

   注意：上述代码中的vectorStore.similaritySearch方法是一个假设的方法，Redis原生并不支持向量搜索。在实际应用中，我们可以使用Redis的搜索模块（需要安装Redis Search插件）或第三方库（如Elasticsearch、FAISS等）来实现高效的向量搜索。此外，上述代码中的余弦相似度计算是手动实现的，仅用于示例，不推荐在生产环境中使用。

5. 创建控制器

   创建一个控制器，用于接收客户端的请求，并调用VectorService进行向量存储和查询：

   @RestController
   @RequestMapping("/vectors")
   public class VectorController {@Autowiredprivate VectorService vectorService;// 存储向量@PostMapping("/store")public ResponseEntity<Void> storeVector(@RequestBody Map<String, double[]> requestBody) {String key = requestBody.keySet().iterator().next();double[] vector = requestBody.get(key);vectorService.storeVector(key, vector);return ResponseEntity.ok().build();}// 查询相似向量@GetMapping("/search")public ResponseEntity<List<String>> similaritySearch(@RequestParam double[] queryVector, @RequestParam int k) {List<String> similarKeys = vectorService.similaritySearch(queryVector, k);return ResponseEntity.ok(similarKeys);}
   }
   

6. 运行应用

   使用Maven或IDE运行Spring Boot应用，然后可以通过Postman或其他HTTP客户端发送请求，进行向量存储和查询。

五、总结

通过上述步骤，我们成功使用Spring Boot整合了Redis Stack，并构建了一个本地向量数据库，实现了相似性查询。然而，需要注意的是，Redis原生并不支持向量搜索，因此在实际应用中，我们需要借助Redis的搜索模块、