Merge pull request #928 from milvus-io/fix/docs-cn

fix: zh docs

localization/v2.4.x/site/zh/about/overview.md

@@ -6,6 +6,7 @@ summary: >-
   Milvus
   是一个高性能、高度可扩展的向量数据库，可在从笔记本电脑到大型分布式系统等各种环境中高效运行。它既可以开源软件的形式提供，也可以云服务的形式提供。
 ---
+
 <h1 id="What-is-Milvus" class="common-anchor-header">Milvus 是什么？<button data-href="#What-is-Milvus" class="anchor-icon" translate="no">
       <svg translate="no"
         aria-hidden="true"
@@ -152,10 +153,10 @@ summary: >-
 </ul>
 <h3 id="Acceleration" class="common-anchor-header">加速</h3><ul>
 <li><p>搜索算法 Milvus 支持一系列可调整的索引和搜索算法。有关详情，请参阅<a href="/docs/zh/index.md">内存索引</a>、<a href="/docs/zh/disk_index.md">磁盘索引</a>和<a href="/docs/zh/gpu_index.md">GPU 索引</a>。</p></li>
-<li><p>分区和分区键分区是 Milvus 集合的子分区。可以选择标量字段作为分区键，以提高搜索性能。有关详情，请参阅<a href="/docs/zh/manage-partitions.md">管理分区</a>和<a href="/docs/zh/use-partition-key.md">使用分区密钥</a>。</p></li>
+<li><p>分区和分区键分区是 Milvus 集合的子分区。可以选择标量字段作为分区键，以提高搜索性能。有关详情，请参阅<a href="/docs/zh/manage-partitions.md">管理分区</a>和<a href="/docs/zh/use-partition-key.md">使用Partition Key</a>。</p></li>
 <li><p>可调一致性模型 一致性可确保每个 Milvus 节点或副本在给定时间写入或读取数据时拥有相同的数据视图。在 Milvus 中进行 ANN 搜索时，可以轻松调整一致性级别。有关详细信息，请参阅<a href="/docs/zh/consistency.md">一致性</a>。</p></li>
 <li><p>高通量数据导入 要将大量数据导入 Milvus，而不是一个接一个地插入，可以考虑使用我们的高通量数据导入工具。有关详情，请参阅<a href="/docs/zh/prepare-source-data.md">准备源数据</a>和<a href="/docs/zh/import-data.md">导入数据</a>。</p></li>
-<li><p>多租户支持 Milvus 实现了许多面向多租户场景的功能，包括分区密钥、集群密钥等。有关详情，请参阅<a href="/docs/zh/multi_tenancy.md">多租户策略</a>。</p></li>
+<li><p>多租户支持 Milvus 实现了许多面向多租户场景的功能，包括Partition Key、集群密钥等。有关详情，请参阅<a href="/docs/zh/multi_tenancy.md">多租户策略</a>。</p></li>
 </ul>
 <h3 id="Security-and-Authorization" class="common-anchor-header">安全和授权</h3><ul>
 <li><p>可调一致性模型 一致性可确保每个 Milvus 节点或副本在给定时间写入或读取数据时具有相同的数据视图。在 Milvus 中进行 ANN 搜索时，您可以轻松调整一致性级别。有关详细信息，请参阅<a href="/docs/zh/consistency.md">一致性</a>。</p></li>

localization/v2.4.x/site/zh/getstarted/install-overview.md

@@ -132,7 +132,7 @@ title: Milvus 部署选项概览
 <tr><td>数据类型</td><td>密集向量<br/>稀疏向量<br/>二进制向量<br/>布尔型<br/>整数<br/>浮点型<br/>VarChar<br/>数组<br/>JSON</td><td>密集向量<br/>稀疏向量<br/>二进制向量<br/>布尔型<br/>整数<br/>浮点型<br/>VarChar<br/>数组<br/>JSON</td><td>密集向量<br/>稀疏向量<br/>二进制向量<br/>布尔值<br/>整数<br/>浮点<br/>VarChar<br/>数组<br/>JSON</td></tr>
 <tr><td>搜索功能</td><td>向量搜索（ANN 搜索）<br/>元数据过滤<br/>范围搜索<br/>标量查询<br/>通过主键获取实体<br/>混合搜索</td><td>向量搜索（ANN 搜索）<br/>元数据过滤<br/>范围搜索<br/>标量查询<br/>通过主键获取实体<br/>混合搜索</td><td>向量搜索（ANN 搜索）<br/>元数据过滤<br/>范围搜索<br/>标量查询<br/>通过主键获取实体<br/>混合搜索</td></tr>
 <tr><td>CRUD 操作</td><td>✔️</td><td>✔️</td><td>✔️</td></tr>
-<tr><td>高级数据管理</td><td>不适用</td><td>访问控制<br/>分区<br/>分区密钥</td><td>访问控制<br/>分区<br/>分区密钥<br/>物理资源分组</td></tr>
+<tr><td>高级数据管理</td><td>不适用</td><td>访问控制<br/>分区<br/>Partition Key</td><td>访问控制<br/>分区<br/>Partition Key<br/>物理资源分组</td></tr>
 <tr><td>一致性级别</td><td>强</td><td>强<br/>有界停滞<br/>会话<br/>最终</td><td>强<br/>有界稳定性<br/>会话<br/>最终</td></tr>
 </tbody>
 </table>

localization/v2.4.x/site/zh/integrations/integrate_with_bentoml.md

@@ -215,7 +215,7 @@ connections.<span class="hljs-title function_">connect</span>(uri=<span class="h
           d="M4 9h1v1H4c-1.5 0-3-1.69-3-3.5S2.55 3 4 3h4c1.45 0 3 1.69 3 3.5 0 1.41-.91 2.72-2 3.25V8.59c.58-.45 1-1.27 1-2.09C10 5.22 8.98 4 8 4H4c-.98 0-2 1.22-2 2.5S3 9 4 9zm9-3h-1v1h1c1 0 2 1.22 2 2.5S13.98 12 13 12H9c-.98 0-2-1.22-2-2.5 0-.83.42-1.64 1-2.09V6.25c-1.09.53-2 1.84-2 3.25C6 11.31 7.55 13 9 13h4c1.45 0 3-1.69 3-3.5S14.5 6 13 6z"
         ></path>
       </svg>
-    </button></h2><p>使用 Milvus Lite 创建集合包括两个步骤：首先是定义模式，其次是定义索引。在本节中，我们需要一个模块：DataType 告诉我们字段中的数据类型。我们还需要使用两个函数来创建模式和添加字段：create_schema()：创建一个集合模式；add_field()：在集合模式中添加一个字段。</p>
+    </button></h2><p>使用 Milvus Lite 创建集合包括两个步骤：首先是定义模式，其次是定义索引。在本节中，我们需要一个模块：DataType 告诉我们字段中的数据类型。我们还需要使用两个函数来创建模式和添加字段：create_schema()：创建一个Collection Schema ；add_field()：在Collection Schema 中添加一个字段。</p>
 <pre><code translate="no" class="language-python"><span class="hljs-keyword">from</span> pymilvus <span class="hljs-keyword">import</span> MilvusClient, DataType, Collection
 
 <span class="hljs-comment"># Create schema</span>

localization/v2.4.x/site/zh/integrations/integrate_with_spark.md

@@ -179,7 +179,7 @@ object Hello <span class="hljs-keyword">extends</span> <span class="hljs-title c
 <li><code translate="no">milvusbinlog</code>:用于读取 Milvus 内置 binlog 数据的 Milvus 数据格式。</li>
 <li><code translate="no">mjson</code>:用于向 Milvus 批量插入数据的 Milvus JSON 格式。</li>
 </ul>
-<h3 id="milvus" class="common-anchor-header">Milvus</h3><p>在<a href="#Quick-start">快速入门</a>中，我们使用<strong>milvus</strong>格式将样本数据写入 Milvus 集群。<strong>milvus</strong>格式是一种新的数据格式，支持将 Spark DataFrame 数据无缝写入 Milvus 集合。这是通过批量调用 Milvus SDK 的插入 API 来实现的。如果 Milvus 中不存在集合，则会根据数据帧的模式创建新的集合。不过，自动创建的集合可能不支持集合模式的所有功能。因此，建议先通过 SDK 创建一个集合，然后再使用 spark-milvus 进行编写。有关详细信息，请参阅<a href="https://github.com/zilliztech/spark-milvus/blob/main/examples/src/main/scala/InsertDemo.scala">演示</a>。</p>
+<h3 id="milvus" class="common-anchor-header">Milvus</h3><p>在<a href="#Quick-start">快速入门</a>中，我们使用<strong>milvus</strong>格式将样本数据写入 Milvus 集群。<strong>milvus</strong>格式是一种新的数据格式，支持将 Spark DataFrame 数据无缝写入 Milvus 集合。这是通过批量调用 Milvus SDK 的插入 API 来实现的。如果 Milvus 中不存在集合，则会根据数据帧的模式创建新的集合。不过，自动创建的集合可能不支持Collection Schema 的所有功能。因此，建议先通过 SDK 创建一个集合，然后再使用 spark-milvus 进行编写。有关详细信息，请参阅<a href="https://github.com/zilliztech/spark-milvus/blob/main/examples/src/main/scala/InsertDemo.scala">演示</a>。</p>
 <h3 id="milvusbinlog" class="common-anchor-header">milvusbinlog</h3><p>新数据格式<strong>milvusbinlog</strong>用于读取 Milvus 内置的 binlog 数据。Binlog 是 Milvus 基于 parquet 的内部数据存储格式。除非你熟悉<strong>Milvus</strong>内部存储的细节，否则不建议直接使用<strong>milvusbinlog</strong>。我们建议使用下一节将介绍的<a href="#MilvusUtils">MilvusUtils</a>函数。</p>
 <pre><code translate="no" class="language-scalar">val df = spark.read
   .<span class="hljs-built_in">format</span>(<span class="hljs-string">&quot;milvusbinlog&quot;</span>)