10 分鐘 純 Python 搭建全文搜索引擎
有一個(gè)群友在群里問個(gè)如何快速搭建一個(gè)搜索引擎，在搜索之后我看到了這個(gè)
代碼所在
Git:https://github.com/asciimoo/searx
官方很貼心，很方便的是已經(jīng)提供了docker 鏡像，基本pull下來就可以很方便的使用了，執(zhí)行命令
cid=$(sudo docker ps -a | grep searx | awk '{print $1}')
echo searx cid is $cid
if [ "$cid" != "" ];then
sudo docker stop $cid
sudo docker rm $cid
fi
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的狀態(tài)，就可以正常的使用了
思考
怎么樣，是不是很方便，我們先看看源碼是怎么樣實(shí)現(xiàn)的
我們打開里面的代碼，其實(shí)本質(zhì)就是將request之后的結(jié)果做一個(gè)大的聚合，至于數(shù)據(jù)來源，我們可以是來于DB,或者文件，我們可以看一下他的核心代碼
from urllib import urlencode
from json import loads
from collections import Iterable
search_url = None
url_query = None
content_query = None
title_query = None
suggestion_query = ''
results_query = ''
# parameters for engines with paging support
#
# number of results on each page
# (only needed if the site requires not a page number, but an offset)
page_size = 1
# number of the first page (usually 0 or 1)
first_page_num = 1
def iterate(iterable):
if type(iterable) == dict:
it = iterable.iteritems()
else:
it = enumerate(iterable)
for index, value in it:
yield str(index), value
def is_iterable(obj):
if type(obj) == str:
return False
if type(obj) == unicode:
return False
return isinstance(obj, Iterable)
def parse(query):
q = []
for part in query.split('/'):
if part == '':
continue
else:
q.append(part)
return q
def do_query(data, q):
ret = []
if not q:
return ret
qkey = q[0]
for key, value in iterate(data):
if len(q) == 1:
if key == qkey:
ret.append(value)
elif is_iterable(value):
ret.extend(do_query(value, q))
else:
if not is_iterable(value):
continue
if key == qkey:
ret.extend(do_query(value, q[1:]))
else:
ret.extend(do_query(value, q))
return ret
def query(data, query_string):
q = parse(query_string)
return do_query(data, q)
def request(query, params):
query = urlencode({'q': query})[2:]
fp = {'query': query}
if paging and search_url.find('{pageno}') >= 0:
fp['pageno'] = (params['pageno'] - 1) * page_size + first_page_num
params['url'] = search_url.format(**fp)
params['query'] = query
return params
def response(resp):
results = []
json = loads(resp.text)
if results_query:
for result in query(json, results_query)[0]:
url = query(result, url_query)[0]
title = query(result, title_query)[0]
content = query(result, content_query)[0]
results.append({'url': url, 'title': title, 'content': content})
else:
for url, title, content in zip(
query(json, url_query),
query(json, title_query),
query(json, content_query)
):
results.append({'url': url, 'title': title, 'content': content})
if not suggestion_query:
return results
for suggestion in query(json, suggestion_query):
results.append({'suggestion': suggestion})
return results
結(jié)果
每個(gè)response的時(shí)候我們都要以輕松的定制返回的數(shù)據(jù)（可以是網(wǎng)絡(luò)，可以是數(shù)據(jù)庫，可以是文件），那我們進(jìn)一步想一下，如果我們可以hack response 結(jié)果，那我們完全可以將自己爬來的數(shù)據(jù)做為返回結(jié)果。如果是1024之類的，完全可以打造自己的“愛好”小引擎，代碼我就不貼了，大家可以自己動(dòng)手自己玩玩。結(jié)合jieba分詞，可以更好玩一點(diǎn)。
原文鏈接：https://brucedone.com/archives/838
- EOF -
回復(fù)關(guān)鍵字“簡(jiǎn)明python ”，立即獲取入門必備書籍《簡(jiǎn)明python教程》電子版
回復(fù)關(guān)鍵字“爬蟲”，立即獲取爬蟲學(xué)習(xí)資料
推薦
評(píng)論
圖片
表情