Langchain 与 Elasticsearch：创新数据检索的融合实战

原创铭毅天下铭毅天下Elasticsearch

1、简介

在信息爆炸的时代，有效地检索和处理数据变得至关重要。Langchain 和 Elasticsearch 的结合，为我们提供了一个强大的工具，以更智能的方式进行数据检索和分析。

作为一名拥有多年 Elasticsearch 实战经验的技术博主，我将在本文中详细介绍这两种技术的整合应用。

2、LangChain 简介

Langchain是一个旨在简化自然语言处理任务的库。它允许开发者轻松地集成和使用各种 AI 模型，如 GPT-3，来处理复杂的语言任务。

3、Elasticsearch 简介

Elasticsearch 是一个高度可扩展的开源全文搜索和分析引擎。它允许用户快速、实时地进行和分析大量数据。

4、LangChain 与 Elasticsearch 的整合

结合 Langchain和 Elasticsearch，我们可以利用 AI 模型的强大语言处理能力，与 Elasticsearch 的高效数据检索功能，实现智能化的搜索解决方案。

4.1 案例1：Langchain 连接 Elasticsearch

以下是一个实际的代码示例，展示了如何使用 Langchain与 Elasticsearch 进行数据检索：

python
Copy code
import ssl
import openai
from elasticsearch import Elasticsearch
from langchain_community.vectorstores import ElasticsearchStore
from langchain_openai import OpenAIEmbeddings

from langchain.text_splitter import CharacterTextSplitter
from langchain_community.document_loaders import TextLoader

# 设置代理访问 API
os.environ["HTTP_PROXY"] = "http://127.0.0.1:33210"
os.environ["HTTPS_PROXY"] = "http://127.0.0.1:33210"
os.environ["ALL_PROXY"] = "socks5://127.0.0.1:33211"

# 加载文档
file_path = 'conf/state_of_the_union.txt'
encoding = 'utf-8'
loader = TextLoader(file_path, encoding=encoding)
documents = loader.load()

# 文档分割
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

# 连接 Elasticsearch
conn = Elasticsearch(
    "https://127.0.0.1:9200",
    ca_certs = "certs/http_ca.crt",
    basic_auth = ("elastic", "changeme"),
    verify_certs=False
)

# 创建索引并进行检索
embeddings = OpenAIEmbeddings()
db = ElasticsearchStore.from_documents(docs, embeddings, index_name="test_index", es_connection=conn)
db.client.indices.refresh(index="test_index")
query = "What did the president say about Ketanji Brown Jackson"
results = db.similarity_search(query)
print(results)

这段代码展示了如何加载、处理文档，并通过 Langchain 结合 Elasticsearch 进行智能检索。

执行结果：

4.2 案例2：精细化处理

进一步，我们可以为文档添加更丰富的元数据，并利用这些元数据进行更精细化的搜索：

# 添加元数据
for i, doc in enumerate(docs):
    doc.metadata["date"] = f"{range(2010, 2020)[i % 10]}-01-01"
    doc.metadata["rating"] = range(1, 6)[i % 5]
    doc.metadata["author"] = ["John Doe", "Jane Doe"][i % 2]

# 再次连接 Elasticsearch
conn = Elasticsearch(
    "https://127.0.0.1:9200",
    ca_certs = "certs/http_ca.crt",
    basic_auth = ("elastic", "changeme"),
    verify_certs=False
)

# 创建带有元数据的索引
db = ElasticsearchStore.from_documents(docs, embeddings, index_name="test-metadata", es_connection=conn)

# 执行检索
query = "What did the president say about Ketanji Brown Jackson"
docs = db.similarity_search(query)
print(docs[0].metadata)

# 应用过滤条件
docs = db.similarity_search(query, filter=[{"term": {"metadata.author.keyword": "John Doe"}}])
print(docs[0].metadata)

执行结果：

1、写入 Elasticsearch 索引，效果图：

2、执行检索效果：

在这个案例中，我们通过添加元数据来增强文档的描述性，使得检索结果更加精确和有用。

5、问题解决

在实际应用中，我们可能会遇到各种问题，例如网络连接问题、配置错误或代码逻辑问题。

在这种情况下，确保你的环境设置正确，并且仔细检查代码中的每个步骤，以确保所有操作按预期进行。

6、总结

通过结合 Langchain 和 Elasticsearch，我们可以构建一个强大的数据检索系统，不仅能处理大量数据，还能以智能和高效的方式进行搜索和分析。

官网代码都不能跑起来，需要自己摸索好长时间！

这种技术的融合，为处理复杂的信息检索任务提供了新的可能。

希望这篇博客能够帮助读者更好地理解 Langchain和 Elasticsearch 如何结合，以及如何在实际项目中应用这些技术。这种整合为数据检索和自然语言处理的未来发展开辟了新的道路。

7、参考资料

Langchain 官方文档：

https://python.langchain.com/docs/integrations/vectorstores/elasticsearch