# insert_data.py
import random

from pymilvus import FieldSchema, DataType

from WxMini.Milvus.Utils.MilvusCollectionManager import MilvusCollectionManager
from WxMini.Milvus.Utils.MilvusConnectionPool import *
from WxMini.Milvus.Config.MulvusConfig import *

# 1. 使用连接池管理 Milvus 连接
milvus_pool = MilvusConnectionPool(host=MS_HOST, port=MS_PORT, max_connections=MS_MAX_CONNECTIONS)

# 2. 从连接池中获取一个连接
connection = milvus_pool.get_connection()

# 3. 初始化集合管理器
collection_name = MS_COLLECTION_NAME
collection_manager = MilvusCollectionManager(collection_name)

# 4. 插入数据
data = [
    [random.random() for _ in range(128)],  # 第一个 128 维向量
    [random.random() for _ in range(128)],  # 第二个 128 维向量
    [random.random() for _ in range(128)]   # 第三个 128 维向量
]
entities = [data]  # 插入的数据
collection_manager.insert_data(entities)

# 5. 创建索引
index_params = {
    "index_type": "IVF_FLAT",  # 使用 IVF_FLAT 索引类型
    "metric_type": "L2",       # 使用 L2 距离度量方式
    "params": {"nlist": 128}   # 设置 IVF_FLAT 的 nlist 参数
}
collection_manager.create_index("embedding", index_params)

# 6. 加载集合到内存
collection_manager.load_collection()

# 7. 查询数据，验证插入是否成功
query_vector = [random.random() for _ in range(128)]  # 随机生成一个查询向量
search_params = {
    "metric_type": "L2",       # 使用 L2 距离度量方式
    "params": {"nprobe": 10}   # 设置 IVF_FLAT 的 nprobe 参数
}
results = collection_manager.search(query_vector, search_params, limit=2)
print("查询结果：")
for hits in results:
    for hit in hits:
        print(f"ID: {hit.id}, Distance: {hit.distance}")

# 8. 释放连接
milvus_pool.release_connection(connection)

# 9. 关闭连接池
milvus_pool.close()