在flask中使用es查询向量

在 Flask 中使用 Elasticsearch 进行向量查询，可以借助 Elasticsearch 官方提供的 elasticsearch-dsl 库。

以下是一个简单的示例，展示如何在 Flask 中使用 Elasticsearch 进行向量查询：

from flask import Flask, request, jsonify
from elasticsearch import Elasticsearch
from elasticsearch_dsl import Search, Q

app = Flask(__name__)

es = Elasticsearch()

@app.route('/search', methods=['POST'])
def search():
    # 获取查询向量
    query_vector = request.json['vector']

    # 构建 Elasticsearch 查询
    s = Search(using=es, index='index_name')
    s = s.query(Q({"script_score": {"query": {"match_all": {}}, "script": {"source": "cosineSimilarity(params.query_vector, 'vector_field')", "params": {"query_vector": query_vector}}}}))

    # 执行查询
    response = s.execute()

    # 处理查询结果
    results = []
    for hit in response.hits:
        results.append({
            'id': hit.meta.id,
            'score': hit.meta.score,
            'source': hit.to_dict()
        })

    return jsonify(results)

在上面的示例中，我们首先从请求中获取查询向量，然后使用 Elasticsearch DSL 构建一个 Elasticsearch 查询。这个查询使用脚本评分（`script_score`）来计算查询向量和文档向量之间的余弦相似度（`cosineSimilarity`），然后将得分作为文档的评分。

最后，我们执行查询，将查询结果转换为 JSON 格式，并返回给客户端。

注意，在上面的示例中，我们使用了 `request.json` 来获取请求中的 JSON 数据。这需要在 Flask 中启用 JSON 请求支持，可以使用以下代码实现：

from flask import Flask, request

app = Flask(__name__)

@app.before_request
def before_request():
    if request.method == 'POST' and request.is_json:
        request.json = request.get_json()

在上面的示例中，我们使用 Flask 的 `before_request` 钩子函数，在每个请求到来之前，检查请求是否是 JSON 请求，如果是，则将请求中的 JSON 数据解析为 Python 对象，并将其设置为 `request.json` 属性。这样，在后续的请求处理中，我们就可以方便地使用 `request.json` 来获取请求中的 JSON 数据了。