简体中文 | English

核心仓库
indexdoc-model-to-code（代码生成器 / CodeAsst）
indexdoc-ai-offline（本地文档AI助手）
indexdoc-converter（文档转换器）
indexdoc-editor（Markdown编辑器）
indexdoc-batch-generator（批量文档助手）

---

MemMapVector: 轻量级内存映射向量存储库

轻量级、线程安全的内存映射向量存储库，支持高效的余弦相似度搜索和向量管理。该工具库现已发布至 PyPI（Python Package Index），可通过 pip 包管理工具快速安装并投入使用。

✨ 核心特性

• 内存映射IO：基于 numpy.memmap 实现，支持TB级向量存储，内存占用极低
• 线程安全：内置公平可重入读写锁(RWLock)，支持高并发读写
• 高效搜索：支持全库余弦相似度搜索和指定ID范围搜索，批量处理优化
• 向量管理：完整的添加、删除、压缩、统计功能
• 零依赖核心：仅依赖NumPy，无需复杂的数据库部署

🌏 库的使用

#库安装
pip install -U indexdoc-vector #下载最新版本库

• 若使用该库 python版本最小应为 Python3.10
• 包目录结构

indexdoc-vector/          # 项目根目录
├── indexdoc_vector/      # 核心包目录
│   ├── __init__.py       # 核心代码
│   └── mem_map_vector.py

🚀 快速开始

基础使用示例

from indexdoc_vector.mem_map_vector import MemMapVector

# 初始化向量存储（维度默认512）
vec_db = MemMapVector("vectors.vec", dimension=512)

# 生成测试向量
vectors = np.random.rand(1000, 512).astype(np.float32)

# 添加向量
vector_ids = vec_db.add_vectors(vectors)
print(f"添加了 {len(vector_ids)} 个向量，ID范围: {vector_ids[0]} - {vector_ids[-1]}")

# 余弦相似度搜索
query = np.random.rand(512).astype(np.float32)
results = vec_db.cosine_search(query, top_k=10, min_score=0.5)
print("Top 10 搜索结果:", results)

# 标记向量为删除（置零）
delete_ids = [0, 5, 10]
deleted_count = vec_db.mark_deleted(delete_ids)
print(f"标记 {deleted_count} 个向量为删除")

# 压缩存储（移除零向量）
id_mapping = vec_db.compact()
print(f"压缩完成，新旧向量映射关系示例: {id_mapping[:5]}")

# 获取统计信息
stats = vec_db.stat()
print("存储统计信息:", stats)

📚 API 文档

核心类

MemMapVector(vec_file_path: str, dimension: int = 512)

初始化向量存储实例

• vec_file_path: 向量文件存储路径
• dimension: 向量维度，默认512

写操作

add_vectors(vectors: np.ndarray) -> List[int]

添加批量向量，返回分配的vector_id列表

• vectors: 二维float32数组，形状为(N, dimension)

add_vector_list(vector_list: List[np.ndarray]) -> List[int]

添加向量列表，内部会转换为数组后调用add_vectors

mark_deleted(vector_ids: List[int]) -> int

标记指定ID的向量为删除（置零向量），返回实际标记的数量

compact() -> List[Tuple[int, int]]

压缩向量文件，移除所有零向量，返回新旧ID映射关系

检索操作

cosine_search(query: np.ndarray, top_k: int = 10, min_score: float = 0.0, batch_size: int = 500_000) -> List[Tuple[int, float]]

全库余弦相似度搜索

• query: 查询向量（一维float32数组）
• top_k: 返回Top-K结果
• min_score: 最小相似度阈值
• batch_size: 批量处理大小，控制内存使用

读操作

cosine_search_in_vector_ids(query: np.ndarray, vector_ids: List[int], top_k: int = 10, min_score: float = 0.0, batch_size: int = 500_000) -> List[Tuple[int, float]]

在指定ID范围内进行余弦相似度搜索

get_vector_by_vector_id(vector_id: int) -> np.ndarray | None

根据ID获取单个向量，无效ID返回None

get_total_vectors() -> int

获取向量总数（包括已标记删除的向量）

stat() -> Dict

获取详细的存储统计信息，包括：

• 向量总数/有效数/删除数
• 文件大小和空间利用率
• 可回收空间大小
• 删除的向量ID列表等

⚡ 性能优化

1. 批量处理：搜索和统计功能均采用批量处理，避免一次性加载所有数据
2. 顺序IO：删除标记和压缩操作采用顺序写入，大幅提升磁盘IO效率
3. 内存管理：显式关闭memmap句柄，避免文件锁定和内存泄漏
4. 读写分离：读写锁机制保证读操作并发，写操作独占，最大化并发性能

🎯 适用场景

• 中小规模向量检索（百万至千万级）
• 嵌入式系统或资源受限环境
• 需要持久化存储但不想部署复杂数据库的场景
• 作为大型向量数据库的轻量级替代方案

🚨 注意事项

1. 向量维度在初始化时确定，无法动态修改
2. 删除操作只是置零向量，需要调用compact()才能回收磁盘空间
3. compact()操作会改变向量ID，需要维护ID映射关系

📊 性能参考

向量数量	搜索时间	内存占用	磁盘占用
100万	~0.5s	~100MB	~2GB
1000万	~5s	~100MB	~20GB
5000万	~25s	~100MB	~100GB

测试环境：Intel i7-12700H, 32GB RAM, NVMe SSD, 512维向量

---