Spanner는 무제한 확장성과 보조 인덱스, 강력한 일관성, 스키마, SQL과 같은 관계형 의미론을 결합하여 하나의 쉬운 솔루션으로 99.999%의 가용성을 제공하는 고도로 확장 가능한 데이터베이스입니다.
이 노트북은 SpannerVectorStore 클래스를 사용하여 Vector Search를 위해 Spanner를 사용하는 방법을 다룹니다. GitHub에서 패키지에 대해 자세히 알아보세요. Open In Colab

​
시작하기 전에

이 노트북을 실행하려면 다음을 수행해야 합니다:

​
🦜🔗 라이브러리 설치

이 통합은 자체 langchain-google-spanner 패키지에 있으므로 설치해야 합니다. 
pip install -qU langchain-google-spanner langchain-google-vertexai

Note: you may need to restart the kernel to use updated packages.
Colab 전용: 다음 셀의 주석을 해제하여 커널을 재시작하거나 버튼을 사용하여 커널을 재시작하세요. Vertex AI Workbench의 경우 상단의 버튼을 사용하여 터미널을 재시작할 수 있습니다. 
# # Automatically restart kernel after installs so that your environment can access the new packages
# import IPython

# app = IPython.Application.instance()
# app.kernel.do_shutdown(True)

​
🔐 인증

이 노트북에 로그인한 IAM 사용자로 Google Cloud에 인증하여 Google Cloud Project에 액세스하세요.
  • Colab을 사용하여 이 노트북을 실행하는 경우 아래 셀을 사용하고 계속하세요.
  • Vertex AI Workbench를 사용하는 경우 여기에서 설정 지침을 확인하세요.
from google.colab import auth

auth.authenticate_user()

​
☁ Google Cloud Project 설정

이 노트북 내에서 Google Cloud 리소스를 활용할 수 있도록 Google Cloud 프로젝트를 설정하세요. 프로젝트 ID를 모르는 경우 다음을 시도해보세요:
  • gcloud config list를 실행하세요.
  • gcloud projects list를 실행하세요.
  • 지원 페이지를 참조하세요: 프로젝트 ID 찾기.
# @markdown Please fill in the value below with your Google Cloud project ID and then run the cell.

PROJECT_ID = "my-project-id"  # @param {type:"string"}

# Set the project id
!gcloud config set project {PROJECT_ID}
%env GOOGLE_CLOUD_PROJECT={PROJECT_ID}

​
💡 API 활성화

langchain-google-spanner 패키지를 사용하려면 Google Cloud Project에서 Spanner API를 활성화해야 합니다. 
# enable Spanner API
!gcloud services enable spanner.googleapis.com

​
기본 사용법

​
Spanner 데이터베이스 값 설정

Spanner Instances 페이지에서 데이터베이스 값을 찾으세요. 
# @title Set Your Values Here { display-mode: "form" }
INSTANCE = "my-instance"  # @param {type: "string"}
DATABASE = "my-database"  # @param {type: "string"}
TABLE_NAME = "vectors_search_data"  # @param {type: "string"}

​
테이블 초기화

SpannerVectorStore 클래스 인스턴스는 id, content 및 embeddings 열이 있는 데이터베이스 테이블이 필요합니다. 적절한 스키마로 테이블을 생성하는 데 사용할 수 있는 헬퍼 메서드 init_vector_store_table()이 있습니다. 
from langchain_google_spanner import SecondaryIndex, SpannerVectorStore, TableColumn

SpannerVectorStore.init_vector_store_table(
    instance_id=INSTANCE,
    database_id=DATABASE,
    table_name=TABLE_NAME,
    # Customize the table creation
    # id_column="row_id",
    # content_column="content_column",
    # metadata_columns=[
    #     TableColumn(name="metadata", type="JSON", is_null=True),
    #     TableColumn(name="title", type="STRING(MAX)", is_null=False),
    # ],
    # secondary_indexes=[
    #     SecondaryIndex(index_name="row_id_and_title", columns=["row_id", "title"])
    # ],
)

​
embedding 클래스 인스턴스 생성

모든 LangChain embeddings model을 사용할 수 있습니다. VertexAIEmbeddings를 사용하려면 Vertex AI API를 활성화해야 할 수 있습니다. 프로덕션 환경에서는 embedding 모델의 버전을 설정하는 것이 좋으며, Text embeddings models에 대해 자세히 알아보세요. 
# enable Vertex AI API
!gcloud services enable aiplatform.googleapis.com

from langchain_google_vertexai import VertexAIEmbeddings

embeddings = VertexAIEmbeddings(
    model_name="textembedding-gecko@latest", project=PROJECT_ID
)

​
SpannerVectorStore

SpannerVectorStore 클래스를 초기화하려면 4개의 필수 인수를 제공해야 하며, 다른 인수는 선택 사항이며 기본값과 다른 경우에만 전달하면 됩니다.
  1. instance_id - Spanner 인스턴스의 이름
  2. database_id - Spanner 데이터베이스의 이름
  3. table_name - 문서와 해당 embeddings를 저장할 데이터베이스 내 테이블의 이름
  4. embedding_service - embeddings를 생성하는 데 사용되는 Embeddings 구현
db = SpannerVectorStore(
    instance_id=INSTANCE,
    database_id=DATABASE,
    table_name=TABLE_NAME,
    embedding_service=embeddings,
    # Connect to a custom vector store table
    # id_column="row_id",
    # content_column="content",
    # metadata_columns=["metadata", "title"],
)

​
Document 추가

vector store에 문서를 추가합니다. 
import uuid

from langchain_community.document_loaders import HNLoader

loader = HNLoader("https://news.ycombinator.com/item?id=34817881")

documents = loader.load()
ids = [str(uuid.uuid4()) for _ in range(len(documents))]
db.add_documents(documents, ids)

​
Document 검색

유사도 검색으로 vector store에서 문서를 검색합니다. 
db.similarity_search(query="Explain me vector store?", k=3)

​
Document 검색

최대 한계 관련성 검색으로 vector store에서 문서를 검색합니다. 
db.max_marginal_relevance_search("Testing the langchain integration with spanner", k=3)

​
Document 삭제

vector store에서 문서를 제거하려면 VectorStore를 초기화할 때 row_id 열의 값에 해당하는 ID를 사용하세요. 
db.delete(ids=["id1", "id2"])

​
Document 삭제

vector store에서 문서를 제거하려면 문서 자체를 활용할 수 있습니다. VectorStore 초기화 중에 제공된 content 열과 metadata 열이 문서에 해당하는 행을 찾는 데 사용됩니다. 일치하는 행은 삭제됩니다. 
db.delete(documents=[documents[0], documents[1]])
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.
⌘I