一种多模数据库查询方法技术

本申请公开了一种多模数据库查询方法

【技术实现步骤摘要】
一种多模数据库查询方法、装置、电子设备及存储介质


[0001]本申请涉及互联网
，尤其涉及一种多模数据库查询方法
、
装置
、
电子设备及存储介质
。

技术介绍

[0002]随着人工智能和大模型的快速发展，对数据的处理能力要求大大提升
。
与此同时，数据的查询请求也越来越多
。
[0003]然而，现有技术的跨数据模型的查询过程繁琐，不利于提高查询效率
。
其原因在于，现有的服务端设备无法使用统一的查询接口进行跨数据模型的查询，而数据模型很多，不同的数据模型对应不同的查询接口，如果采用人工的方式，通过不同的查询接口进行数据查询，数据查询的工作量将会十分巨大，且数据查询的时间长，耗费了人力资源和时间资源，因此，现有技术的跨数据模型的查询过程繁琐，不利于提高查询效率
。

技术实现思路

[0004]本申请实施例提供一种多模数据库查询方法
、
装置
、
电子设备及存储介质，以解决上述现有技术的跨数据模型的查询过程繁琐，不利于提高查询效率的技术问题
。
[0005]第一方面，本申请实施例提供了一种多模数据库查询方法应用于服务端设备，所述服务端设备连接多模数据库，所述多模数据库查询方法包括：所述服务端设备获取所述多模数据库的多个数据模型，确定多个所述数据模型各自对应的存储引擎，确定所述存储引擎对应的人工智能模型标识，每个所述人工智能模型标识对应一个人工智能模型，不同的所述人工智能模型标识对应不同的所述人工智能模型；获取所述数据模型的待存储数据，当所述待存储数据的数据标识为所述人工智能模型标识时，通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的多个存储节点上；将多种所述数据模型的访问接口设置为统一的查询接口，通过所述查询接口接收客户端设备发送的跨数据模型查询请求，所述跨数据模型查询请求为需要多个所述数据模型共同完成的查询请求；确定所述跨数据模型查询请求中的各个目标引擎，所述目标引擎为所述跨数据模型查询请求中需要查询的所述数据模型对应的存储引擎；将所述跨数据模型查询请求转换成各个所述目标引擎的查询操作，向各个所述目标引擎发送所述查询操作；接收各个目标引擎执行所述查询操作后查询到的数据；对各个目标引擎执行所述查询操作后查询到的所述数据进行整合，生成所述跨数据模型查询请求的查询结果
。
[0006]作为一个可选的实施方式，所述获取所述数据模型的待存储数据，当所述待存储
数据的数据标识为所述人工智能模型标识时，通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的多个存储节点上，包括：获取所述数据模型的待存储数据，所述待存储数据携带有数据标识和数据格式；判断所述数据标识是否为所述人工智能模型标识，同时判断所述数据格式是否为预设格式；如果所述数据标识为所述人工智能模型标识且所述数据格式为所述预设格式，就根据预先建立的所述人工智能模型标识和所述多个存储节点的对应关系，将通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的所述多个存储节点上
。
[0007]作为一个可选的实施方式，所述人工智能模型标识包括文本生成模型标识
、
图像生成模型标识和音频生成模型标识，所述人工智能模型包括文本生成模型
、
图像生成模型和音频生成模型；所述服务端设备获取所述多模数据库的多个数据模型，确定多个所述数据模型各自对应的存储引擎，确定所述存储引擎对应的人工智能模型标识，包括：所述服务端设备获取所述多模数据库的多个数据模型，所述多个数据模型包括关系型数据
、
时空数据
、
时序数据
、
文档数据
、
向量数据；确定所述关系型数据对应的存储引擎为关系型数据库引擎，确定所述时空数据对应的存储引擎为时空数据库引擎，确定所述时序数据对应的存储引擎为时序数据库引擎，确定所述文档数据对应的存储引擎为文档数据库引擎，确定所述向量数据对应的存储引擎为向量数据库引擎；确定所述关系型数据库引擎
、
所述时空数据库引擎和所述文档数据库引擎对应的所述人工智能模型标识为所述文本生成模型标识，确定所述向量数据库引擎对应的所述人工智能模型标识为所述图像生成模型标识，确定所述时序数据库引擎对应的所述人工智能模型标识为所述音频生成模型标识
。
[0008]作为一个可选的实施方式，所述获取所述数据模型的待存储数据，当所述待存储数据的数据标识为所述人工智能模型标识时，通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的多个存储节点上，包括：获取所述数据模型的待存储数据，所述待存储数据携带有数据标识和数据格式；判断所述数据标识是否为所述人工智能模型标识，同时判断所述数据格式是否为预设格式；如果所述数据标识为所述人工智能模型标识且所述数据格式为所述预设格式，就根据预先建立的所述人工智能模型标识和所述多个存储节点的对应关系，将通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的所述多个存储节点上
。
[0009]作为一个可选的实施方式，所述确定所述跨数据模型查询请求中的各个目标引擎，包括：获取所述跨数据模型查询请求中的关键词
、
操作符和语法规则；根据所述关键词
、
所述操作符和所述语法规则，确定所述跨数据模型查询请求中的各个所述目标引擎
。
[0010]作为一个可选的实施方式，所述对各个目标引擎执行所述查询操作后查询到的所述数据进行整合，生成所述跨数据模型查询请求的查询结果，包括：
对各个目标引擎执行所述查询操作后查询到的所述数据进行整合，生成所述跨数据模型查询请求的初始的所述查询结果；对初始的所述查询结果进行预处理，生成所述跨数据模型查询请求的最终的所述查询结果
。
[0011]作为一个可选的实施方式，在所述对各个目标引擎执行所述查询操作后查询到的所述数据进行整合，生成所述跨数据模型查询请求的查询结果之后，所述多模数据库查询方法包括：获取所述查询操作中的指定格式，输出符合所述指定格式的所述查询结果
。
[0012]作为一个可选的实施方式，所述待存储数据包括结构化数据
、
非结构化数据
、
向量数据中的其中一种或其组合
。
[0013]第二方面，本申请实施例还提供了一种多模数据库查询装置，所述多模数据库查询装置包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行上述的多模数据库查询方法
。
[0014]第三方面，本申请实施例还提供了一种电子设备，所述电子设备包括如上述的多模数据库查询装置
。
[0015]第四方面，本申请实施例还提供了一种存储介质，所述存储介质用于存储计算机程序，所述计算机程序被处理器执行时使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种多模数据库查询方法，其特征在于，应用于服务端设备，所述服务端设备连接多模数据库，所述多模数据库查询方法包括：所述服务端设备获取所述多模数据库的多个数据模型，确定多个所述数据模型各自对应的存储引擎，确定所述存储引擎对应的人工智能模型标识，每个所述人工智能模型标识对应一个人工智能模型，不同的所述人工智能模型标识对应不同的所述人工智能模型；获取所述数据模型的待存储数据，当所述待存储数据的数据标识为所述人工智能模型标识时，通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的多个存储节点上；将多种所述数据模型的访问接口设置为统一的查询接口，通过所述查询接口接收客户端设备发送的跨数据模型查询请求，所述跨数据模型查询请求为需要多个所述数据模型共同完成的查询请求；确定所述跨数据模型查询请求中的各个目标引擎，所述目标引擎为所述跨数据模型查询请求中需要查询的所述数据模型对应的存储引擎；将所述跨数据模型查询请求转换成各个所述目标引擎的查询操作，向各个所述目标引擎发送所述查询操作；接收各个目标引擎执行所述查询操作后查询到的数据；对各个目标引擎执行所述查询操作后查询到的所述数据进行整合，生成所述跨数据模型查询请求的查询结果
。2.
根据权利要求1所述的多模数据库查询方法，其特征在于，所述人工智能模型标识包括文本生成模型标识
、
图像生成模型标识和音频生成模型标识，所述人工智能模型包括文本生成模型
、
图像生成模型和音频生成模型；所述服务端设备获取所述多模数据库的多个数据模型，确定多个所述数据模型各自对应的存储引擎，确定所述存储引擎对应的人工智能模型标识，包括：所述服务端设备获取所述多模数据库的多个数据模型，所述多个数据模型包括关系型数据
、
时空数据
、
时序数据
、
文档数据
、
向量数据；确定所述关系型数据对应的存储引擎为关系型数据库引擎，确定所述时空数据对应的存储引擎为时空数据库引擎，确定所述时序数据对应的存储引擎为时序数据库引擎，确定所述文档数据对应的存储引擎为文档数据库引擎，确定所述向量数据对应的存储引擎为向量数据库引擎；确定所述关系型数据库引擎
、
所述时空数据库引擎和所述文档数据库引擎对应的所述人工智能模型标识为所述文本生成模型标识，确定所述向量数据库引擎对应的所述人工智能模型标识为所述图像生成模型标识，确定所述时序数据库引擎对应的所述人工智能模型标识为所述音频生成模型标识
。3.
根据权利要求1所述的多模数据库查询方法，其特征在于，所述获取所述数据模型的待存储数据，当所述待存储数据的数据标识为所...

【专利技术属性】
技术研发人员：曾焱，方跃坚，苗旭成，
申请(专利权)人：深圳九有数据库有限公司，
类型：发明
国别省市：