copilot: #file:foodies_restaurants.py の実装で repositories モジュールを利用するように実装修正して。

ks6088ts · ks6088ts · commit 4f09ca5619c0 · 2025-07-05T11:22:17.000+09:00
diff --git a/docs/index.md b/docs/index.md
@@ -27,6 +27,8 @@
 ### Azure Cosmos DB
 
 - [VectorDistance() を使用したクエリによるベクトル検索を実行する](https://learn.microsoft.com/ja-jp/azure/cosmos-db/nosql/vector-search#perform-vector-search-with-queries-using-vectordistance)
+- [Azure Cosmos DB for NoSQL での改ページ](https://learn.microsoft.com/ja-jp/azure/cosmos-db/nosql/query/pagination)
+- [OFFSET LIMIT (NoSQL クエリ)](https://learn.microsoft.com/ja-jp/azure/cosmos-db/nosql/query/offset-limit)
 - [LangChain / Azure Cosmos DB No SQL](https://python.langchain.com/docs/integrations/vectorstores/azure_cosmos_db_no_sql/)
 
 ```shell
diff --git a/scripts/foodies_restaurants.py b/scripts/foodies_restaurants.py
@@ -1,122 +1,63 @@
 #!/usr/bin/env python
-# filepath: /Users/ks6088ts/src/github.com/ks6088ts-labs/template-fastapi/scripts/foodies_restaurant.py
+# filepath: /Users/ks6088ts/src/github.com/ks6088ts-labs/template-fastapi/scripts/foodies_restaurants.py
 
 import csv
 
 import typer
-from azure.cosmos import CosmosClient, PartitionKey
-from langchain_core.documents import Document
-from langchain_openai import AzureOpenAIEmbeddings
 from rich.console import Console
 
-from template_fastapi.settings.azure_cosmosdb import get_azure_cosmosdb_settings
-from template_fastapi.settings.azure_openai import get_azure_openai_settings
+from template_fastapi.models.restaurant import Restaurant
+from template_fastapi.repositories.restaurants import RestaurantRepository
 
 app = typer.Typer()
 console = Console()
+restaurant_repo = RestaurantRepository()
 
 
-def read_csv_data(file_path: str) -> list[dict]:
+def read_csv_data(file_path: str) -> list[Restaurant]:
     """CSVファイルからレストランデータを読み込む"""
     restaurants = []
     with open(file_path, encoding="utf-8") as csvfile:
         csv_reader = csv.DictReader(csvfile)
         for row in csv_reader:
             # タグをリストに変換
-            tags = row["tags"].strip('"').split(",")
-            restaurant = {
-                "id": row["id"],
-                "name": row["name"],
-                "description": row["description"],
-                "price": int(row["price"]),
-                "location": {
-                    "type": "Point",
-                    "coordinates": [float(row["longitude"]), float(row["latitude"])],
-                },
-                "tags": tags,
-            }
+            tags = row["tags"].strip('"').split(",") if row["tags"] else []
+            restaurant = Restaurant(
+                id=row["id"],
+                name=row["name"],
+                description=row["description"],
+                price=float(row["price"]),
+                latitude=float(row["latitude"]) if row["latitude"] else None,
+                longitude=float(row["longitude"]) if row["longitude"] else None,
+                tags=tags,
+            )
             restaurants.append(restaurant)
     return restaurants
 
 
-def get_embeddings(texts: list[str]) -> list[list[float]]:
-    """Azure OpenAIを使用してテキストのベクトル埋め込みを生成する"""
-    settings = get_azure_openai_settings()
-    embedding_model = AzureOpenAIEmbeddings(
-        azure_endpoint=settings.azure_openai_endpoint,
-        api_key=settings.azure_openai_api_key,
-        azure_deployment=settings.azure_openai_model_embedding,
-        api_version=settings.azure_openai_api_version,
-    )
-
-    documents = [Document(page_content=text) for text in texts]
-    embeddings = embedding_model.embed_documents([doc.page_content for doc in documents])
-    return embeddings
-
-
-def setup_cosmos_db():
-    """Azure Cosmos DBのセットアップと接続"""
-    settings = get_azure_cosmosdb_settings()
-    client = CosmosClient.from_connection_string(settings.azure_cosmosdb_connection_string)
-
-    # データベースが存在しなければ作成
-    db = client.create_database_if_not_exists(id=settings.azure_cosmosdb_database_name)
-
-    # コンテナが存在しなければ作成（ベクトル検索用インデックスポリシー付き）
-    indexing_policy = {
-        "indexingMode": "consistent",
-        "includedPaths": [{"path": "/*"}],
-        "excludedPaths": [{"path": "/vector/*"}],
-        "vectorIndexes": [
-            {
-                "path": "/vector",
-                "type": "cosine",
-                "numDimensions": 1536,  # OpenAI Embedding modelのデフォルトサイズ
-                "vectorSearchConfiguration": "vectorConfig",
-            }
-        ],
-    }
-
-    container = db.create_container_if_not_exists(
-        id=settings.azure_cosmosdb_container_name,
-        partition_key=PartitionKey(path="/id"),
-        indexing_policy=indexing_policy,
-    )
-
-    return container
-
-
 @app.command()
 def import_data(
     csv_file: str = typer.Option(..., "--csv-file", "-f", help="CSVファイルのパス"),
     batch_size: int = typer.Option(100, "--batch-size", "-b", help="一度に処理するバッチサイズ"),
 ):
-    """CSVからデータをCosmosDBにインポートしてベクトル検索を設定する"""
+    """CSVからデータをデータベースにインポートしてベクトル検索を設定する"""
     console.print(f"[bold green]CSVファイル[/bold green]: {csv_file}からデータを読み込みます")
 
     # CSVデータの読み込み
     restaurants = read_csv_data(csv_file)
     console.print(f"[bold blue]{len(restaurants)}件[/bold blue]のレストランデータを読み込みました")
 
-    # 説明文を抽出してベクトル埋め込みを生成
-    descriptions = [restaurant["description"] for restaurant in restaurants]
-    console.print("[bold yellow]説明文のベクトル埋め込みを生成しています...[/bold yellow]")
-    embeddings = get_embeddings(descriptions)
-
-    # Cosmos DBのセットアップ
-    container = setup_cosmos_db()
-    console.print(f"[bold green]Cosmos DBのコンテナ[/bold green]: {container.id}に接続しました")
-
     # データの登録
-    console.print("[bold yellow]レストランデータをCosmosDBに登録しています...[/bold yellow]")
-    for i, restaurant in enumerate(restaurants):
-        # ベクトルデータを追加
-        restaurant["vector"] = embeddings[i]
+    console.print("[bold yellow]レストランデータをデータベースに登録しています...[/bold yellow]")
 
-        # UpsertによりCosmosDBに登録
-        container.upsert_item(body=restaurant)
+    # バッチサイズごとに処理
+    for i in range(0, len(restaurants), batch_size):
+        batch = restaurants[i : i + batch_size]
+        for restaurant in batch:
+            created_restaurant = restaurant_repo.create_restaurant(restaurant)
+            console.print(f"ID: {created_restaurant.id} - {created_restaurant.name}を登録しました")
 
-        console.print(f"ID: {restaurant['id']} - {restaurant['name']}を登録しました")
+        console.print(f"[bold blue]{min(i + batch_size, len(restaurants))}/{len(restaurants)}件[/bold blue]処理完了")
 
     console.print("[bold green]すべてのデータが正常に登録されました！[/bold green]")
 
@@ -129,32 +70,102 @@ def search(
     """説明文のベクトル検索を実行する"""
     console.print(f"[bold green]クエリ[/bold green]: '{query}'で検索します")
 
-    # クエリテキストのベクトル埋め込みを生成
-    query_embedding = get_embeddings([query])[0]
+    # レポジトリを使用してベクトル検索を実行
+    results = restaurant_repo.search_restaurants(query=query, k=k)
+
+    # 結果の表示
+    console.print(f"\n[bold blue]{len(results)}件[/bold blue]の検索結果:")
+    for i, restaurant in enumerate(results):
+        console.print(f"\n[bold]{i + 1}. {restaurant.name}[/bold]")
+        console.print(f"   説明: {restaurant.description or '説明なし'}")
+        console.print(f"   価格: ¥{restaurant.price}")
+        console.print(f"   タグ: {', '.join(restaurant.tags)}")
+        if restaurant.latitude and restaurant.longitude:
+            console.print(f"   位置: 緯度 {restaurant.latitude}, 経度 {restaurant.longitude}")
 
-    # Cosmos DBに接続
-    container = setup_cosmos_db()
+    return results
 
-    # ベクトル検索クエリの実行
-    query_text = f"""
-    SELECT TOP {k} r.id, r.name, r.description, r.price, r.tags
-    FROM restaurants r
-    ORDER BY VectorDistance(r.vector, @queryVector)
-    """
 
-    parameters = [{"name": "@queryVector", "value": query_embedding}]
+@app.command()
+def find_nearby(
+    latitude: float = typer.Option(..., "--latitude", "-lat", help="緯度"),
+    longitude: float = typer.Option(..., "--longitude", "-lon", help="経度"),
+    distance_km: float = typer.Option(5.0, "--distance", "-d", help="検索半径（キロメートル）"),
+    limit: int = typer.Option(10, "--limit", "-l", help="取得する最大件数"),
+):
+    """位置情報に基づいて近くのレストランを検索する"""
+    console.print(f"[bold green]位置[/bold green]: 緯度 {latitude}, 経度 {longitude}の{distance_km}km圏内を検索します")
 
-    items = list(container.query_items(query=query_text, parameters=parameters, enable_cross_partition_query=True))
+    # レポジトリを使用して位置検索を実行
+    results = restaurant_repo.find_nearby_restaurants(
+        latitude=latitude, longitude=longitude, distance_km=distance_km, limit=limit
+    )
 
     # 結果の表示
-    console.print(f"\n[bold blue]{len(items)}件[/bold blue]の検索結果:")
-    for i, item in enumerate(items):
-        console.print(f"\n[bold]{i + 1}. {item['name']}[/bold]")
-        console.print(f"   説明: {item['description']}")
-        console.print(f"   価格: ¥{item['price']}")
-        console.print(f"   タグ: {', '.join(item['tags'])}")
-
-    return items
+    console.print(f"\n[bold blue]{len(results)}件[/bold blue]の検索結果:")
+    for i, restaurant in enumerate(results):
+        console.print(f"\n[bold]{i + 1}. {restaurant.name}[/bold]")
+        console.print(f"   説明: {restaurant.description or '説明なし'}")
+        console.print(f"   価格: ¥{restaurant.price}")
+        console.print(f"   タグ: {', '.join(restaurant.tags)}")
+        if restaurant.latitude and restaurant.longitude:
+            console.print(f"   位置: 緯度 {restaurant.latitude}, 経度 {restaurant.longitude}")
+
+    return results
+
+
+@app.command()
+def get_restaurant(
+    restaurant_id: str = typer.Option(..., "--id", "-i", help="レストランID"),
+):
+    """指定されたIDのレストラン情報を取得する"""
+    console.print(f"[bold green]レストランID[/bold green]: {restaurant_id}の情報を取得します")
+
+    try:
+        # レポジトリを使用してレストラン情報を取得
+        restaurant = restaurant_repo.get_restaurant(restaurant_id)
+
+        # 結果の表示
+        console.print("\n[bold blue]レストラン情報[/bold blue]:")
+        console.print(f"ID: {restaurant.id}")
+        console.print(f"名前: {restaurant.name}")
+        console.print(f"説明: {restaurant.description or '説明なし'}")
+        console.print(f"価格: ¥{restaurant.price}")
+        console.print(f"タグ: {', '.join(restaurant.tags)}")
+        if restaurant.latitude and restaurant.longitude:
+            console.print(f"位置: 緯度 {restaurant.latitude}, 経度 {restaurant.longitude}")
+
+        return restaurant
+    except Exception as e:
+        console.print(f"[bold red]エラー[/bold red]: {str(e)}")
+        return None
+
+
+@app.command()
+def delete_restaurant(
+    restaurant_id: str = typer.Option(..., "--id", "-i", help="削除するレストランID"),
+    force: bool = typer.Option(False, "--force", "-f", help="確認なしで削除する"),
+):
+    """指定されたIDのレストランを削除する"""
+    console.print(f"[bold green]レストランID[/bold green]: {restaurant_id}を削除します")
+
+    try:
+        # 削除前に確認
+        if not force:
+            restaurant = restaurant_repo.get_restaurant(restaurant_id)
+            console.print("以下のレストランを削除しようとしています：")
+            console.print(f"ID: {restaurant.id}")
+            console.print(f"名前: {restaurant.name}")
+
+            if not typer.confirm("削除してもよろしいですか？"):
+                console.print("[yellow]削除をキャンセルしました[/yellow]")
+                return
+
+        # レポジトリを使用してレストランを削除
+        restaurant_repo.delete_restaurant(restaurant_id)
+        console.print(f"[bold green]レストランID: {restaurant_id}を正常に削除しました[/bold green]")
+    except Exception as e:
+        console.print(f"[bold red]エラー[/bold red]: {str(e)}")
 
 
 if __name__ == "__main__":
diff --git a/template_fastapi/models/restaurant.py b/template_fastapi/models/restaurant.py
@@ -2,7 +2,7 @@
 
 
 class Restaurant(BaseModel):
-    id: int
+    id: str
     name: str
     description: str | None = None
     price: float
