Consulta ao Cortex Search Service¶
Quando você cria um Cortex Search Service, um ponto de extremidade REST API é provisionado para atender consultas ao serviço. Você tem três opções para consultar um Cortex Search Service:
Use a Python API
Use a REST API
Usar a função SQL SEARCH_PREVIEW
Snowflake Python APIs¶
O Cortex Search Services pode ser consultado usando a versão 0.8.0 ou posterior do Snowflake Python APIs. Consulte Snowflake Python APIs: Gerenciamento de objetos Snowflake com Python para obter mais informações sobre o Snowflake Python APIs.
Instale a biblioteca Snowflake Python APIs.¶
Primeiro, instale a versão mais recente do pacote Snowflake Python APIs de PyPI. Consulte Instale a biblioteca Snowflake Python APIs. para obter instruções sobre como instalar este pacote do PyPI.
pip install snowflake -U
Conexão com o Snowflake¶
Conecte-se ao Snowflake usando uma Session
Snowpark ou um conector Python Connection
e crie um objeto Root
. Consulte Conexão ao Snowflake com o Snowflake Python APIs para obter mais instruções sobre como se conectar ao Snowflake. O exemplo a seguir usa o objeto Session
Snowpark e um dicionário Python para configuração.
import os
from snowflake.core import Root
from snowflake.snowpark import Session
CONNECTION_PARAMETERS = {
"account": os.environ["snowflake_account_demo"],
"user": os.environ["snowflake_user_demo"],
"password": os.environ["snowflake_password_demo"],
"role": "test_role",
"database": "test_database",
"warehouse": "test_warehouse",
"schema": "test_schema",
}
session = Session.builder.configs(CONNECTION_PARAMETERS).create()
root = Root(session)
Consulta ao serviço¶
Consulte o serviço usando a seguinte sintaxe:
# fetch service
my_service = (root
.databases["<service_database>"]
.schemas["<service_schema>"]
.cortex_search_services["<service_name>"]
)
# query service
resp = my_service.search(
query="<query>",
columns=["<col1>", "<col2>"],
filter={"@eq": {"<column>": "<value>"} },
limit=5
)
print(resp.to_json())
Nota
A versão 0.8.0 ou posterior da biblioteca Snowflake Python APIs é necessária para consultar um Cortex Search Service.
Rest API¶
O Cortex Search expõe um ponto de extremidade da API REST no conjunto de APIs REST do Snowflake. O ponto de extremidade REST gerado para um Cortex Search Service tem a seguinte estrutura:
https://<account_url>/api/v2/databases/<db_name>/schemas/<schema_name>/cortex-search-services/<service_name>:query
Onde:
<account_url>
: o URL de sua conta Snowflake. Consulte Como encontrar o nome da conta e organização de uma conta para obter instruções sobre como encontrar o URL da conta.<db_name>
: o banco de dados no qual o serviço reside.<schema_name>
: esquema no qual o serviço reside.<service_name>
: nome do serviço.:query
: o método a ser invocado no serviço. Neste caso, o métodoquery
.
Para obter detalhes adicionais, consulte a referência do RESTAPI do Cortex Search Service. A seguir, descrevemos os parâmetros e a sintaxe do filtro a serem usados ao consultar o serviço.
Parâmetros¶
Parâmetro |
Descrição |
---|---|
|
Sua consulta de pesquisa, para pesquisar na coluna de texto no serviço. |
|
Uma lista de colunas separadas por vírgulas a serem retornadas para cada resultado relevante na resposta. Essas colunas devem ser incluídas na consulta de origem do serviço. |
|
Um objeto de filtro para filtrar resultados com base nos dados nas colunas |
|
Número máximo de resultados a serem retornados na resposta.
O valor máximo aceito é 1000.
O valor padrão é 10.
|
Configuração de autenticação de RESTAPI¶
As Snowflake REST APIs oferecem suporte à autenticação por meio de tokens de acesso programático (PATs), autenticação de par de chaves usando tokens Web JSON (JWTs) e OAuth. Para obter mais detalhes, consulte Autenticando o Snowflake REST APIs com Snowflake.
Exemplo de consulta do serviço¶
Para consultar o serviço usando curl:
curl --location https://<ACCOUNT_URL>/api/v2/databases/<DB_NAME>/schemas/<SCHEMA_NAME>/cortex-search-services/<SERVICE_NAME>\:query \
--header 'Content-Type: application/json' \
--header 'Accept: application/json' \
--header "Authorization: Bearer $PAT" \
--data '{
"query": "<search_query>",
"columns": ["col1", "col2"],
"filter": <filter>
"limit": <limit>
}'
Nota
Ao consultar a REST API usando a autenticação JWT, a função padrão do usuário é usada. Portanto, a função padrão do usuário que consulta o serviço deve ter USAGE no banco de dados e no esquema em que o serviço reside, e no próprio serviço. A função de usuário que efetua a consulta não precisa necessariamente de privilégios nos dados na consulta de origem. Consulte Funções do usuário para obter mais detalhes sobre as funções de usuário.
Serviço de visualização com a função de sistema SQL¶
A função SNOWFLAKE.CORTEX.SEARCH_PREVIEW permite que você versão os resultados de consultas individuais em um Cortex Search Service de dentro de um ambiente SQL, como uma planilha ou uma célula do Snowflake Notebook. Essa função facilita a validação rápida de que um serviço está preenchido corretamente e gerando resultados razoáveis.
Exemplo¶
O exemplo a seguir visualiza o serviço com a cadeia de caracteres de consulta preview query
e analisa os resultados em um objeto VARIANT.
SELECT PARSE_JSON(
SNOWFLAKE.CORTEX.SEARCH_PREVIEW(
'my_search_service',
'{
"query": "preview query",
"columns":[
"col1",
"col2"
],
"filter": {"@eq": {"col1": "filter value"} },
"limit":10
}'
)
)['results'] as results;
Importante
Esta função só opera em consultas de literal de cadeia de caracteres. Ela não aceita um lote de dados de texto.
Essa função incorre em mais latência do que as APIs REST ou Python. Ela foi projetada apenas para fins de teste/validação. Não use essa função para atender a consultas de pesquisa em um aplicativo de usuário final que exija baixa latência.
Sintaxe do filtro¶
O Cortex Search oferece suporte à filtragem nas colunas ATTRIBUTES especificadas no comando CREATE CORTEX SEARCH SERVICE.
O Cortex Search oferece suporte a quatro operadores de correspondência:
ARRAY contém:
@contains
NUMERIC ou DATE/TIMESTAMP maior ou igual a:
@gte
NUMERIC ou DATE/TIMESTAMP menor ou igual a:
@lte
Esses operadores correspondentes podem ser compostos com vários operadores lógicos:
@and
@or
@not
As seguintes notas de uso se aplicam:
A correspondência com os valores
NaN
(“not a number”) na consulta de origem é tratada conforme descrito em Valores especiais.Os valores numéricos de ponto fixo com mais de 19 dígitos (não incluindo os zeros à esquerda) não funcionam com
@eq
,@gte
ou@lte
e não serão retornados por esses operadores (embora ainda possam ser retornados pela consulta geral com o uso de@not
).Os filtros
TIMESTAMP
eDATE
aceitam valores no formato:YYYY-MM-DD
e, para datas com reconhecimento de fuso horário:YYYY-MM-DD+HH:MM
. Se o deslocamento de fuso horário não for especificado, a data será interpretada em UTC.
Esses operadores podem ser combinados em um único objeto de filtro.
Exemplo¶
Filtro em linhas onde a coluna do tipo cadeia de caracteres
string_col
é igual ao valorvalue
.{ "@eq": { "string_col": "value" } }
Filtro em linhas onde a coluna ARRAY
array_col
contém o valorvalue
.{ "@contains": { "array_col": "arr_value" } }
Filtragem de linhas em que a coluna NUMERIC
numeric_col
está entre 10,5 e 12,5 (inclusive):{ "@and": [ { "@gte": { "numeric_col": 10.5 } }, { "@lte": { "numeric_col": 12.5 } } ]}
Filtragem de linhas em que a coluna TIMESTAMP
timestamp_col
está entre2024-11-19
e2024-12-19
(inclusive).{ "@and": [ { "@gte": { "timestamp_col": "2024-11-19" } }, { "@lte": { "timestamp_col": "2024-12-19" } } ]}
Composição de filtros com operadores lógicos:
// Rows where the "array_col" column contains "arr_value" and the "string_col" column equals "value": { "@and": [ { "@contains": { "array_col": "arr_value" } }, { "@eq": { "string_col": "value" } } ] } // Rows where the "string_col" column does not equal "value" { "@not": { "@eq": { "string_col": "value" } } } // Rows where the "array_col" column contains at least one of "val1", "val2", or "val3" { "@or": [ { "@contains": { "array_col": "val1" } }, { "@contains": { "array_col": "val1" } }, { "@contains": { "array_col": "val1" } } ] }
Aumentos numéricos e decréscimos de tempo¶
Você pode aumentar ou aplicar decréscimos nos resultados de pesquisa com base em metadados numéricos ou de carimbo de data/hora. Esse recurso é útil quando você tem metadados estruturados (por exemplo, sinais de popularidade ou recenticidade) por resultado que podem ajudar a determinar a relevância dos documentos no momento da consulta. Você pode especificar duas categorias de sinais de classificação ao fazer uma consulta:
Tipo |
Descrição |
Tipos de coluna aplicáveis |
Exemplo de campos de metadados (ilustrativo) |
---|---|---|---|
Aumento numérico |
Metadados numéricos que aumentam os resultados com mais atenção ou atividade. |
|
|
Decréscimo do tempo |
Metadados de data ou hora que aumentam os resultados mais recentes. A influência de sinais de recenticidade diminui com o tempo. |
|
Os metadados de impulso e decréscimo são provenientes de colunas na tabela de origem a partir da qual um Cortex Search Service é criado. Você especifica as colunas de metadados a serem usadas para aumentar ou diminuir quando faz a consulta, mas essas colunas devem ser incluídas ao criar o serviço Cortext Search.
Consulta de um serviço com sinais de aumento ou diminuição¶
Ao consultar um Cortex Search Service, especifique as colunas a serem usadas para aumento ou redução nos campos opcionais numeric_boosts
e time_decays
no campo scoring_config.functions
. Você também pode especificar o peso de cada aumento ou decréscimo.
{
"scoring_config": {
"functions": {
"numeric_boosts": [
{
"column": "<column_name>",
"weight": <weight>
},
// ...
],
"time_decays": [
{
"column": "<column_name>",
"weight": <weight>,
"limit_hours": <limit_hours>
},
// ...
]
}
}
}
Propriedades:
numeric_boosts
(matriz, opcional):<numeric_boost_object>
(objeto, opcional):column_name
(string): especifica a coluna numérica à qual o reforço deve ser aplicado.weight
(float): especifica o peso ou a importância atribuída à coluna impulsionada no processo de classificação. Quando várias colunas são especificadas, um peso maior aumenta a influência do campo.
time_decays
(matriz, opcional):<time_decay_object>
(objeto, opcional):column_name
(string): especifica a coluna de data ou hora à qual o decréscimo deve ser aplicado.weight
(float): especifica o peso ou a importância atribuída à coluna com decréscimo no processo de classificação. Quando várias colunas são especificadas, um peso maior aumenta a influência do campo.limit_hours
(float): define o limite após o qual o tempo começa a ter menos efeito sobre a relevância ou a importância do documento. Por exemplo, um valor de 240 emlimit_hours
indica que os documentos com carimbos de data/hora com mais de 240 horas (10 dias) no passado a partir do carimbo de data/horanow
não recebem um aumento significativo, enquanto os documentos com um carimbo de data/hora nas últimas 240 horas devem receber um aumento mais significativo.now
(cadeia de caracteres, opcional): carimbo de data/hora de referência opcional a partir do qual os decréscimos são calculados no formato ISO-8601yyyy-MM-dd'T'HH:mm:ss.SSSXXX
. Por exemplo,"2025-02-19T14:30:45.123-08:00"
. O padrão é o carimbo de data/hora atual, se não for especificado.
Nota
Os aumentos numéricos são aplicados como médias ponderadas aos campos retornados, enquanto os decréscimos utilizam uma função logarítmica suavizada para rebaixar os valores menos recentes.
Os pesos são relativos nos campos de impulso ou decréscimos especificados. Se apenas um único campo for fornecido em uma matriz boosts
ou decays
, o valor de seu peso será irrelevante.
Se mais de um campo for fornecido, os pesos serão aplicados em relação uns aos outros. Um campo com peso de 10, por exemplo, afeta a classificação do registro duas vezes mais do que um campo com peso de 5.
Exemplo¶
Criação de dados de amostra e o Cortex Search Service
Este exemplo usa uma tabela chamada business_documents
que tem duas colunas de carimbo de data/hora (last_modified
e created_timestamp
) e duas colunas de números inteiros (likes
e columns
) que podem ser usadas para aumentos e decréscimos nos resultados de pesquisa.
CREATE OR REPLACE TABLE business_documents (
document_contents VARCHAR,
last_modified_timestamp TIMESTAMP,
created_timestamp TIMESTAMP,
likes INT,
comments INT
);
INSERT INTO business_documents (document_contents, last_modified_timestamp, created_timestamp, likes, comments)
VALUES
('Quarterly financial report for Q1 2024: Revenue increased by 15%, with expenses stable. Highlights include strategic investments in marketing and technology.',
'2024-01-12 10:00:00', '2024-01-10 09:00:00', 10, 20),
('IT manual for employees: Instructions for usage of internal technologies, including hardware and software guides and commonly asked tech questions.',
'2024-02-10 15:00:00', '2024-02-05 14:30:00', 85, 10),
('Employee handbook 2024: Updated policies on remote work, health benefits, and company culture initiatives. Includes new guidelines on hybrid working models.',
'2024-02-10 15:00:00', '2024-02-05 14:30:00', 85, 10),
('Marketing strategy document: Target audience segmentation for upcoming product launch. Detailed plans for social media, influencer partnerships, and content creation.',
'2024-03-15 12:00:00', '2024-03-12 11:15:00', 150, 32),
('Product roadmap 2024: Key milestones for tech product development, including the launch of new features, bug fixes, and performance improvements.',
'2024-04-22 17:30:00', '2024-04-20 16:00:00', 200, 45),
('Annual performance review process guidelines: Procedures for managers to conduct employee evaluations, set goals, and provide constructive feedback.',
'2024-05-02 09:30:00', '2024-05-01 08:45:00', 60, 5);
Em seguida, crie um Cortex Search Service nomeado business_documents_css
na coluna document_contents
da tabela business_documents
.
CREATE OR REPLACE CORTEX SEARCH SERVICE business_documents_css
ON document_contents
WAREHOUSE = <warehouse_name>
TARGET_LAG = '1 minute'
AS SELECT * FROM business_documents;
Consulte o serviço com aumentos numéricos
A consulta abaixo aplica aumentos numéricos às colunas likes
e comments
, com o dobro do peso do reforço nos valores comments
em relação aos valores de likes
. A consulta usa a função SQL SEARCH_PREVIEW para pesquisar “technology”.
SELECT
index,
value['DOCUMENT_CONTENTS']::string as DOCUMENT_CONTENTS,
value['LIKES']::int as LIKES,
value['COMMENTS']::int as COMMENTS,
FROM TABLE(FLATTEN(PARSE_JSON(SNOWFLAKE.CORTEX.SEARCH_PREVIEW(
'business_documents_css',
'{
"query": "technology",
"columns": ["DOCUMENT_CONTENTS", "LIKES", "COMMENTS"],
"scoring_config": {
"functions": {
"numeric_boosts": [
{"column": "comments", "weight": 2},
{"column": "likes", "weight": 1}
]
}
}
}'
))['results'] ))
Nos resultados, observe:
Com os reforços, o documento
"Product roadmap 2024:..."
é o principal resultado devido ao seu grande número de curtidas e comentários, embora tenha uma relevância ligeiramente menor para a consulta"technology"
Sem nenhum reforço, o principal resultado para a consulta é
"IT manual for employees:..."
Consulta do serviço usando decréscimos de tempo
A consulta a seguir aplica decréscimos de tempo com base na coluna LAST_MODIFIED_TIMESTAMP
, onde:
Os documentos com valores
LAST_MODIFIED_TIMESTAMP
mais recentes, em relação ao carimbo de data/horanow
, são aumentadosOs documentos com um valor
LAST_MODIFIED_TIMESTAMP
superior a 240 horas a partir do carimbo de data/horanow
recebem pouco aumento
SELECT
value['DOCUMENT_CONTENTS']::string as DOCUMENT_CONTENTS,
value['LAST_MODIFIED_TIMESTAMP']::timestamp as LAST_MODIFIED_TIMESTAMP
FROM TABLE(FLATTEN(PARSE_JSON(SNOWFLAKE.CORTEX.SEARCH_PREVIEW(
'business_documents_css',
'{
"query": "technology",
"columns": ["DOCUMENT_CONTENTS", "LAST_MODIFIED_TIMESTAMP", "CREATED_TIMESTAMP", "LIKES", "COMMENTS"],
"scoring_config": {
"functions": {
"time_decays": [
{"column": "LAST_MODIFIED_TIMESTAMP", "weight": 1, "limit_hours": 240, "now": "2024-04-23T00:00:00.000-08:00"}
]
}
}
}'
))['results'] ));
Nos resultados, observe:
Com os decréscimos, o documento
"Product roadmap 2024:..."
é o principal resultado devido à sua recenticidade em relação ao carimbo de data/horanow
, embora tenha uma relevância ligeiramente inferior para a consulta de"technology"
Sem nenhum decréscimo, o principal resultado da consulta é
"IT manual for employees:..."
Reclassificação¶
Por padrão, as consultas ao Cortex Search Services utilizam semantic reranking para melhorar a relevância dos resultados de pesquisa. Embora a reclassificação possa aumentar de forma mensurável a relevância do resultado, ele também pode aumentar visivelmente a latência da consulta. Você pode desativar a reclassificação em qualquer consulta do Cortex Search se descobrir que o benefício de qualidade proporcionado pela reclassificação pode ser sacrificado por velocidades de consulta mais rápidas em seu caso de uso comercial.
Nota
A desativação da reclassificação reduz a latência da consulta em 100 a 300 ms, em média, mas a redução exata da latência, bem como a magnitude da degradação da qualidade, varia de acordo com as cargas de trabalho. Avalie os resultados lado a lado, com e sem reclassificação, antes de decidir desativá-la nas consultas.
Consulta a um Cortex Search Service sem o mecanismo de classificação¶
Você pode desativar o mecanismo de classificação para uma consulta individual no momento da consulta no campo scoring_config.reranker
no seguinte formato:
{
"scoring_config": {
"reranker": "none"
}
Propriedades:
reranker
(cadeia de caracteres, opcional): parâmetro que pode ser definido como “none” se o mecanismo de classificação for desativado. Se for excluído ou nulo, será usado o mecanismo de classificação padrão.
Exemplos¶
Consultando um serviço de pesquisa sem o mecanismo de classificação (Python)
O código a seguir consulta o serviço sem a etapa de reclassificação usando a Python API:
resp = business_documents_css.search(
query="technology",
columns=["DOCUMENT_CONTENTS", "LAST_MODIFIED_TIMESTAMP"],
limit=5,
scoring_config={
"reranker": "none"
}
)
Dica
Para consultar um serviço com o mecanismo de classificação, omita o parâmetro "reranker": "none"
do objeto scoring_config
, pois a reclassificação é o comportamento padrão.
Consulta a um serviço sem o mecanismo de classificação (SQL)
A instrução SQL a seguir consulta o serviço sem a etapa de reclassificação usando a função SEARCH_PREVIEW.
SELECT
value['DOCUMENT_CONTENTS'], value['LAST_MODIFIED_TIMESTAMP']
FROM TABLE(FLATTEN(PARSE_JSON(SNOWFLAKE.CORTEX.SEARCH_PREVIEW(
'business_documents_css',
'{
"query": "technology",
"columns": ["DOCUMENT_CONTENTS", "LAST_MODIFIED_TIMESTAMP"],
"scoring_config": {
"reranker": "none"
}
}'
))['results'] ));
Requisitos de controle de acesso¶
A função que está consultando o Cortex Search Service deve ter os seguintes privilégios para recuperar resultados:
Privilégio
Objeto
USAGE
O Cortex Search Service
USAGE
O banco de dados no qual o Cortex Search Service reside
USAGE
O esquema no qual o Cortex Search Service reside
Consulta com direitos de proprietário¶
O Cortex Search Services realiza buscas com os direitos do proprietário e seguem o mesmo modelo de segurança de outros objetos Snowflake executados com os direitos do proprietário.
Em particular, isso significa que qualquer função com privilégios suficientes para consultar um Cortex Search Service pode consultar qualquer dado que o serviço tenha indexado, independentemente dos privilégios dessa função nos objetos subjacentes (como tabelas e exibições) referenciados na consulta de origem do serviço.
Por exemplo, para um Cortex Search Service que faz referência a uma tabela com políticas de mascaramento em nível de linha, os usuários consultores desse serviço poderão ver os resultados da pesquisa de linhas nas quais a função do proprietário tem permissão de leitura, mesmo que a função do usuário consultor não possa ler essas linhas na tabela de origem.
Tenha cuidado, por exemplo, ao conceder uma função com privilégios USAGE em um Cortex Search Service a outro usuário do Snowflake.
Limitações conhecidas¶
A consulta a um Cortex Search Service está sujeita às seguintes limitações:
Tamanho da resposta: o tamanho total da carga útil da resposta retornada de uma consulta de pesquisa para um serviço Cortex Search Service não deve exceder os seguintes limites:
REST API e Python API: 10 megabytes (MB)
Função SQL SEARCH_PREVIEW: 300 kilobytes (KB)