当前位置:   article > 正文

10 分钟 纯 Python 搭建全文搜索引擎

10 分钟 纯 Python 搭建全文搜索引擎

大家好,我是辰哥~

有一个群友在群里问个如何快速搭建一个搜索引擎,在搜索之后我看到了这个

bc7a8e73e2b0e3be89963f6d9228f473.png

代码所在

  • Git:https://github.com/asciimoo/searx

官方很贴心,很方便的是已经提供了docker 镜像,基本pull下来就可以很方便的使用了,执行命令

  1. cid=$(sudo docker ps -a | grep searx | awk '{print $1}')
  2. echo searx  cid is $cid
  3. if [ "$cid" != "" ];then
  4.     sudo docker stop $cid
  5.     sudo docker rm $cid
  6. fi
  7. sudo docker run -d --name searx -e IMAGE_PROXY=True -e BASE_URL=http://yourdomain.com  -p 7777:8888 wonderfall/searx

然后就可以使用了,正常查看docker的状态,就可以正常的使用了

思考

怎么样,是不是很方便,我们先看看源码是怎么样实现的

4714348873cef6c3d9eec953affda1e6.png

我们打开里面的代码,其实本质就是将request之后的结果做一个大的聚合,至于数据来源,我们可以是来于DB,或者文件,我们可以看一下他的核心代码

  1. from urllib import urlencode
  2. from json import loads
  3. from collections import Iterable
  4. search_url = None
  5. url_query = None
  6. content_query = None
  7. title_query = None
  8. suggestion_query = ''
  9. results_query = ''
  10. # parameters for engines with paging support
  11. #
  12. # number of results on each page
  13. # (only needed if the site requires not a page number, but an offset)
  14. page_size = 1
  15. # number of the first page (usually 0 or 1)
  16. first_page_num = 1
  17. def iterate(iterable):
  18.     if type(iterable) == dict:
  19.         it = iterable.iteritems()
  20.     else:
  21.         it = enumerate(iterable)
  22.     for index, value in it:
  23.         yield str(index), value
  24. def is_iterable(obj):
  25.     if type(obj) == str:
  26.         return False
  27.     if type(obj) == unicode:
  28.         return False
  29.     return isinstance(obj, Iterable)
  30. def parse(query):
  31.     q = []
  32.     for part in query.split('/'):
  33.         if part == '':
  34.             continue
  35.         else:
  36.             q.append(part)
  37.     return q
  38. def do_query(data, q):
  39.     ret = []
  40.     if not q:
  41.         return ret
  42.     qkey = q[0]
  43.     for key, value in iterate(data):
  44.         if len(q) == 1:
  45.             if key == qkey:
  46.                 ret.append(value)
  47.             elif is_iterable(value):
  48.                 ret.extend(do_query(value, q))
  49.         else:
  50.             if not is_iterable(value):
  51.                 continue
  52.             if key == qkey:
  53.                 ret.extend(do_query(value, q[1:]))
  54.             else:
  55.                 ret.extend(do_query(value, q))
  56.     return ret
  57. def query(data, query_string):
  58.     q = parse(query_string)
  59.     return do_query(data, q)
  60. def request(query, params):
  61.     query = urlencode({'q': query})[2:]
  62.     fp = {'query': query}
  63.     if paging and search_url.find('{pageno}') >= 0:
  64.         fp['pageno'] = (params['pageno'] - 1) * page_size + first_page_num
  65.     params['url'] = search_url.format(**fp)
  66.     params['query'] = query
  67.     return params
  68. def response(resp):
  69.     results = []
  70.     json = loads(resp.text)
  71.     if results_query:
  72.         for result in query(json, results_query)[0]:
  73.             url = query(result, url_query)[0]
  74.             title = query(result, title_query)[0]
  75.             content = query(result, content_query)[0]
  76.             results.append({'url': url, 'title': title, 'content': content})
  77.     else:
  78.         for url, title, content in zip(
  79.             query(json, url_query),
  80.             query(json, title_query),
  81.             query(json, content_query)
  82.         ):
  83.             results.append({'url': url, 'title': title, 'content': content})
  84.     if not suggestion_query:
  85.         return results
  86.     for suggestion in query(json, suggestion_query):
  87.         results.append({'suggestion': suggestion})
  88.     return results

结果

每个response的时候我们都要以轻松的定制返回的数据(可以是网络,可以是数据库,可以是文件),那我们进一步想一下,如果我们可以hack response 结果,那我们完全可以将自己爬来的数据做为返回结果。如果是1024之类的,完全可以打造自己的“爱好”小引擎,代码我就不贴了,大家可以自己动手自己玩玩。结合jieba分词,可以更好玩一点。

原文链接:https://brucedone.com/archives/838

最后

f466e0a5cebc1d6ea5bef0ab3ca1cdd1.png

常用正则表达式速查手册,建议收藏!


aec30351cbf01729ec4a8afc44d23d7a.png

零代码爬虫神器 -- Web Scraper 的使用


2fedc37cf94b14ebee4642f3cd2c4b4f.png

机器学习中常见的六种分类算法(附Python源码+数据集)

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/不正经/article/detail/608093
推荐阅读
相关标签
  

闽ICP备14008679号