# python3.10.3
chromadb==1.0.4

# 直接使用 chroma 命令啟動（推薦，因?yàn)榄h(huán)境變量已包含 bin 目錄）
chroma run --host 0.0.0.0 --port 8000 --path ./chroma_data

# 或使用完整路徑啟動（適用于未激活環(huán)境時）
/home/your_username/miniconda3/envs/chroma-env/bin/chroma run --host 0.0.0.0 --port 8000

import chromadb
from chromadb.config import Settings

# 1. 初始化本地文件模式的 Chroma 客戶端
# 數(shù)據(jù)會存儲在 ./chroma_local_data 目錄
client = chromadb.Client(
    Settings(
        persist_directory="./chroma_local_data",  # 本地?cái)?shù)據(jù)存儲路徑
        anonymized_telemetry=False  # 關(guān)閉匿名統(tǒng)計(jì)
    )
)

# 2. 創(chuàng)建或獲取一個集合（Collection）
# 集合是 Chroma 中存儲向量的容器
collection = client.get_or_create_collection(
    name="local_demo_collection",
    metadata={"description": "本地文件模式測試集合"}  # 可選：添加集合描述
)

# 3. 向集合中添加數(shù)據(jù)
# 包含：文檔（原始文本）、元數(shù)據(jù)（附加信息）、唯一ID、向量（可選，不提供則自動生成）
collection.add(
    documents=[
        "Python 是一種解釋型編程語言",
        "Chroma 是一個輕量級向量數(shù)據(jù)庫",
        "向量數(shù)據(jù)庫常用于存儲和檢索嵌入向量"
    ],
    metadatas=[
        {"category": "programming"},
        {"category": "database"},
        {"category": "ai"}
    ],
    ids=["doc1", "doc2", "doc3"]  # 每個文檔的唯一ID
)

# 4. 持久化數(shù)據(jù)（本地模式需要手動觸發(fā)，確保數(shù)據(jù)寫入磁盤）
client.persist()

# 5. 檢索相似內(nèi)容
# 用查詢文本檢索最相似的2個文檔（Chroma 會自動生成查詢文本的向量）
results = collection.query(
    query_texts=["什么是向量數(shù)據(jù)庫？"],  # 查詢文本
    n_results=2  # 返回Top 2相似結(jié)果
)

# 打印檢索結(jié)果
print("本地文件模式檢索結(jié)果：")
for i, doc in enumerate(results["documents"][0]):
    print(f"\n相似文檔 {i+1}：{doc}")
    print(f"相似度分?jǐn)?shù)：{results['distances'][0][i]}")  # 分?jǐn)?shù)越低越相似
    print(f"元數(shù)據(jù)：{results['metadatas'][0][i]}")

import chromadb
from chromadb.config import Settings

# 1. 連接到遠(yuǎn)程/本地服務(wù)器
client = chromadb.HttpClient(
    host="localhost",  # 服務(wù)器IP（本地為localhost，遠(yuǎn)程填服務(wù)器IP）
    port=8000,         # 服務(wù)器端口（與啟動時一致）
    settings=Settings(
        anonymized_telemetry=False
    )
)

# 2. 創(chuàng)建或獲取集合（與本地模式API一致）
collection = client.get_or_create_collection(
    name="server_demo_collection",
    metadata={"description": "服務(wù)器模式測試集合"}
)

# 3. 添加數(shù)據(jù)（API與本地模式一致）
collection.add(
    documents=[
        "北京是中國的首都",
        "巴黎是法國的首都",
        "東京是日本的首都"
    ],
    metadatas=[
        {"country": "中國"},
        {"country": "法國"},
        {"country": "日本"}
    ],
    ids=["city1", "city2", "city3"]
)

# 4. 檢索相似內(nèi)容
results = collection.query(
    query_texts=["哪些城市是國家首都？"],
    n_results=3
)

# 打印檢索結(jié)果
print("\n服務(wù)器模式檢索結(jié)果：")
for i, doc in enumerate(results["documents"][0]):
    print(f"\n相似文檔 {i+1}：{doc}")
    print(f"相似度分?jǐn)?shù)：{results['distances'][0][i]}")
    print(f"元數(shù)據(jù)：{results['metadatas'][0][i]}")

chroma_client = chromadb.HttpClient(  # 創(chuàng)建連接
            host=CHROMA_HOST, # IP
            port=CHROMA_PORT, # 端口
            settings=Settings(
                anonymized_telemetry=False  # 關(guān)閉自動上報
            )
        )


face_collection = chroma_client.get_or_create_collection(
            name=FACE_TABEL_NAME,  # 庫名
            metadata={"description": "人臉向量和id",  # 庫的描述
                      "hnsw:space": "cosine"}  # 指定距離函數(shù)為余弦距離
        )  # 指向人臉庫

face_vector = face.embedding.tolist()  # 人臉向量數(shù)據(jù)

metadata = {
            "face_id": face_id,  # id
            "people_type": people_type,  # 人員類別
        }
try:
    face_collection.add(
        ids=[face_id],  # 用傳入的 face_id 作為唯一標(biāo)識
        embeddings=[face_vector],  # 新向量（存在則覆蓋）
        metadatas=[metadata]  # 新元數(shù)據(jù)（存在則覆蓋）
     )
            
 except Exception as e:
     pass

face_collection.get(ids=['21121'], include=["embeddings", 'metadatas'])  # 不指定不返回向量數(shù)據(jù)
# all_data = r.face_collection.get() 不指定就是查詢?nèi)?

all_data = r.face_collection.get(include=[])  # include=[] 表示只返回 ids 查全部數(shù)據(jù)
all_ids = all_data["ids"]
r.face_collection.delete(ids=all_ids)

r.chroma_client.delete_collection(name='face')  

# 1. 查詢元數(shù)據(jù)中 people_type=0（訪客）的所有記錄
result = face_collection.get(
    where={"people_type": 0},  # 元數(shù)據(jù)過濾條件
    include=["ids", "metadatas", "embeddings"]  # 指定返回的內(nèi)容（可選）
)

# 返回結(jié)果解析
print("符合條件的ID：", result["ids"])  # 子ID列表，如["1_aug0", "2_front"]
print("符合條件的元數(shù)據(jù)：", result["metadatas"])  # 對應(yīng)的元數(shù)據(jù)列表
print("符合條件的向量：", result["embeddings"])  # 對應(yīng)的向量列表（若include包含）

# 查詢 main_face_id="user_001" 的所有記錄
face_collection.get(where={"main_face_id": "user_001"})

# 查詢 people_type 不是員工（!=1）的記錄
face_collection.get(where={"people_type": {"$ne": 1}})

# 查詢自定義數(shù)值型元數(shù)據(jù)（如 score）大于0.8的記錄
face_collection.get(where={"score": {"$gt": 0.8}})

# 查詢 pose_type 是正面或側(cè)面的記錄
face_collection.get(where={"pose_type": {"$in": ["front", "left_side"]}})