索引存储

索引存储包含轻量级索引元数据（即在构建索引时创建的附加状态信息）。

查看 API 参考文档获取更多详情。

简单索引存储

默认情况下，LlamaIndex使用基于内存键值存储的简单索引存储。通过调用index_store.persist()（以及相应的SimpleIndexStore.from_persist_path(...)）可以将它们持久化到磁盘（或从磁盘加载）。

MongoDB 索引存储

与文档存储类似，我们也可以使用 MongoDB 作为索引存储的后端存储。

from llama_index.storage.index_store.mongodb import MongoIndexStore
from llama_index.core import VectorStoreIndex

# create (or load) index store
index_store = MongoIndexStore.from_uri(uri="<mongodb+srv://...>")

# create storage context
storage_context = StorageContext.from_defaults(index_store=index_store)

# build index
index = VectorStoreIndex(nodes, storage_context=storage_context)

# or alternatively, load index
from llama_index.core import load_index_from_storage

index = load_index_from_storage(storage_context)

在底层，MongoIndexStore 连接到一个固定的MongoDB数据库，并为您的索引元数据初始化新集合（或加载现有集合）。

注意：您可以在实例化 MongoIndexStore 时配置 db_name 和 namespace，否则它们默认为 db_name="db_docstore" 和 namespace="docstore"。

请注意，在使用 MongoIndexStore 时无需调用 storage_context.persist()（或 index_store.persist()），因为数据默认会被持久化。

你可以通过使用现有的 db_name 和 collection_name 重新初始化 MongoIndexStore，轻松重新连接到你的MongoDB集合并重新加载索引。

更完整的示例可在此处找到

Redis 索引存储

我们支持将Redis作为替代文档存储后端，在Node对象被摄取时持久化数据。

from llama_index.storage.index_store.redis import RedisIndexStore
from llama_index.core import VectorStoreIndex

# create (or load) docstore and add nodes
index_store = RedisIndexStore.from_host_and_port(
    host="127.0.0.1", port="6379", namespace="llama_index"
)

# create storage context
storage_context = StorageContext.from_defaults(index_store=index_store)

# build index
index = VectorStoreIndex(nodes, storage_context=storage_context)

# or alternatively, load index
from llama_index.core import load_index_from_storage

index = load_index_from_storage(storage_context)

在底层，RedisIndexStore 连接到 redis 数据库，并将您的节点添加到存储在 {namespace}/index 下的命名空间中。

注意：您可以在实例化 RedisIndexStore 时配置 namespace，否则默认使用 namespace="index_store"。

您可以通过使用现有的 host、port 和 namespace 重新初始化 RedisIndexStore，轻松重新连接到您的 Redis 客户端并重新加载索引。

更完整的示例可在此处找到

Couchbase 索引存储

Couchbase 可用作索引存储的存储后端。

from llama_index.storage.index_store.couchbase import CouchbaseIndexStore
from llama_index.core import VectorStoreIndex

from couchbase.cluster import Cluster
from couchbase.auth import PasswordAuthenticator
from couchbase.options import ClusterOptions
from datetime import timedelta

# create couchbase client
auth = PasswordAuthenticator("DB_USERNAME", "DB_PASSWORD")
options = ClusterOptions(authenticator=auth)

cluster = Cluster("couchbase://localhost", options)

# Wait until the cluster is ready for use.
cluster.wait_until_ready(timedelta(seconds=5))

# create (or load) docstore and add nodes
index_store = CouchbaseIndexStore.from_couchbase_client(
    client=cluster,
    bucket_name="llama-index",
    scope_name="_default",
    namespace="default",
)

# create storage context
storage_context = StorageContext.from_defaults(index_store=index_store)

# build index
index = VectorStoreIndex(nodes, storage_context=storage_context)

# or alternatively, load index
from llama_index.core import load_index_from_storage

index = load_index_from_storage(storage_context)

在底层，CouchbaseIndexStore 连接到 Couchbase 操作数据库，并将您的节点添加到指定 {bucket_name} 和 {scope_name} 中名为 {namespace}_index 的集合中。

注意：您可以在实例化 CouchbaseIndexStore 时配置 namespace、bucket 和 scope。默认情况下，使用的集合是 index_store_data。除了字母数字字符外，仅允许将 -、_ 和 % 作为集合名称的一部分。存储将自动将其他特殊字符转换为 _。

您可以通过使用现有的 client、bucket_name、scope_name 和 namespace 重新初始化 CouchbaseIndexStore，轻松重新连接到您的 Couchbase 客户端并重新加载索引。

Tablestore 索引存储

与文档存储类似，我们也可以使用 Tablestore 作为索引存储的后端存储。

from llama_index.storage.index_store.tablestore import TablestoreIndexStore
from llama_index.core import StorageContext, VectorStoreIndex

# create (or load) index store
index_store = TablestoreIndexStore.from_config(
    endpoint="<tablestore_end_point>",
    instance_name="<tablestore_instance_name>",
    access_key_id="<tablestore_access_key_id>",
    access_key_secret="<tablestore_access_key_secret>",
)

# create storage context
storage_context = StorageContext.from_defaults(index_store=index_store)

# build index
index = VectorStoreIndex(nodes, storage_context=storage_context)

# or alternatively, load index
from llama_index.core import load_index_from_storage

index = load_index_from_storage(storage_context)

在底层，TablestoreIndexStore 连接到 Tablestore 数据库，并将您的节点添加到名为 {namespace}_data 的表下。

注意：您可以在实例化 TablestoreIndexStore 时配置 namespace。

您可以通过使用现有的 endpoint、instance_name、access_key_id 和 access_key_secret 重新初始化 TablestoreIndexStore，轻松重新连接到您的表格存储数据库并重新加载索引。

更完整的示例可在此处找到

Google AlloyDB 索引存储

与文档存储类似，我们也可以使用 AlloyDB 作为索引存储的后端存储。本教程演示同步接口。所有同步方法都有对应的异步方法。

pip install llama-index
pip install llama-index-alloydb-pg
pip install llama-index-llms-vertex

from llama_index_alloydb_pg import AlloyDBEngine, AlloyDBIndexStore
from llama_index.core import StorageContext, VectorStoreIndex

# create an AlloyDB Engine for connection pool
engine = AlloyDBEngine.from_instance(
    project_id=PROJECT_ID,
    region=REGION,
    cluster=CLUSTER,
    instance=INSTANCE,
    database=DATABASE,
    user=USER,
    password=PASSWORD,
)

# initialize a new table in AlloyDB
engine.init_index_store_table(
    table_name=TABLE_NAME,
)

index_store = AlloyDBIndexStore.create_sync(
    engine=engine,
    table_name=TABLE_NAME,
)

# create storage context
storage_context = StorageContext.from_defaults(index_store=index_store)

# build index
index = VectorStoreIndex(nodes, storage_context=storage_context)

# or alternatively, load index
from llama_index.core import load_index_from_storage

index = load_index_from_storage(storage_context)

注意：在初始化新表格并实例化 AlloyDBIndexStore 时，您可以配置 schema_name 以及 table_name。默认情况下，schema_name 为 public。

在底层，AlloyDBIndexStore 连接到 Google Cloud 中的 alloydb 数据库，并将您的节点添加到 schema_name 下的一个表中。

您可以通过重新初始化一个带有AlloyDBEngine的AlloyDBIndexStore来轻松重新连接到您的AlloyDB数据库并重新加载索引，而无需初始化新表。

更详细的指南可在此处找到

Google Cloud SQL for PostgreSQL 索引存储

与文档存储类似，我们也可以使用 Cloud SQL for PostgreSQL 作为索引存储的后端存储。本教程演示同步接口。所有同步方法都有对应的异步方法。

pip install llama-index
pip install llama-index-cloud-sql-pg

from llama_index_cloud_sql_pg import PostgresEngine, PostgresIndexStore
from llama_index.core import StorageContext, VectorStoreIndex

# create an Postgres Engine for connection pool
engine = PostgresEngine.from_instance(
    project_id=PROJECT_ID,
    region=REGION,
    instance=INSTANCE,
    database=DATABASE,
    user=USER,
    password=PASSWORD,
)

# initialize a new table in cloud sql postgres
engine.init_index_store_table(
    table_name=TABLE_NAME,
)

index_store = PostgresIndexStore.create_sync(
    engine=engine,
    table_name=TABLE_NAME,
)

# create storage context
storage_context = StorageContext.from_defaults(index_store=index_store)

# build index
index = VectorStoreIndex(nodes, storage_context=storage_context)

# or alternatively, load index
from llama_index.core import load_index_from_storage

index = load_index_from_storage(storage_context)

注意：在初始化新表格并实例化 PostgresIndexStore 时，您可以配置 schema_name 以及 table_name。默认情况下，schema_name 为 public。

在底层，PostgresIndexStore 连接到 Google Cloud 中的云 SQL PostgreSQL 数据库，并将您的节点添加到 schema_name 下的一个表中。

你可以轻松地重新连接到你的云SQL PostgreSQL数据库，并通过重新初始化一个带有PostgresEngine的PostgresIndexStore来重新加载索引，而无需初始化新表。

更详细的指南可在此处找到