如何在ChromaDB中检索特定PDF对应的嵌入ID与元数据

先排查元数据一致性 #

• 先确认存储时source字段的实际值：调用vectordb.get(limit=2)获取少量样本数据，查看source的格式——比如是否带完整路径（如./uploads/test.pdf）而非仅文件名（test.pdf），或者存在大小写差异（如Test.pdf vs test.pdf）。
• 打印pdf_file.filename的实际值，和存储的source做对比，确保两者完全匹配。

修正查询语法 #

LangChain封装的Chroma在使用get方法时，需注意查询条件的格式：

• 精确匹配场景（确认source就是纯文件名）：

  target_filename = pdf_file.filename
  results = vectordb.get(where={"source": target_filename})
  

• 模糊匹配场景（source带路径或存在大小写问题）：

  results = vectordb.get(where={"source": {"$contains": target_filename}})
  

验证存储过程正确性 #

检查嵌入存储代码，确保元数据正确关联到每个文档：

from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
from datetime import datetime

embeddings = OpenAIEmbeddings()
# docs为PDF解析后的文档对象列表
docs = ... 

# 给每个文档绑定自定义元数据
for doc in docs:
    doc.metadata = {
        "source": pdf_file.filename,
        "user": current_user_id,
        "created_at": datetime.now().isoformat()
    }

# 写入ChromaDB并持久化
vectordb = Chroma.from_documents(
    documents=docs,
    embedding=embeddings,
    persist_directory="./chroma_db",
    collection_name="pdf_embeddings"
)
vectordb.persist()

获取ID并删除对应嵌入 #

查询到结果后，直接提取ids字段执行删除：

if results["ids"]:
    vectordb.delete(ids=results["ids"])
    print(f"成功删除{len(results['ids'])}条来自{target_filename}的嵌入数据")
else:
    print("未找到对应PDF的嵌入数据")

额外排查点 #

• 确认persist_directory路径正确，避免操作了不同的数据库文件。
• 如果使用了自定义collection_name，查询时要确保指向同一个集合。

内容的提问来源于stack exchange，提问作者usama hussain