Python學(xué)習(xí)教程：手把手教你使用Flask搭建ES搜索引擎

Elasticsearch 是一個(gè)開(kāi)源的搜索引擎，建立在一個(gè)全文搜索引擎庫(kù)Apache Lucene? 基礎(chǔ)之上。

那么如何實(shí)現(xiàn) Elasticsearch和 Python 的對(duì)接成為我們所關(guān)心的問(wèn)題了 (怎么什么都要和 Python 關(guān)聯(lián)啊)。視頻教程文末也整理好了！

/Python 交互/

所以，Python 也就提供了可以對(duì)接 Elasticsearch的依賴庫(kù)。

def __init__(
self, index_type: 
str, index_name: 
str, ip=
"127.0.0.1"):



    # 
self.es = Elasticsearch([ip], http_auth=(
'username', 
'password'), port=
9200)

    
self.es = Elasticsearch(
"localhost:9200")

    
self.index_type = index_type

    
self.index_name = index_name

初始化連接一個(gè) Elasticsearch 操作對(duì)象。

def __init__(
self, index_type: 
str, index_name: 
str, ip=
"127.0.0.1"):



    # 
self.es = Elasticsearch([ip], http_auth=(
'username', 
'password'), port=
9200)

    
self.es = Elasticsearch(
"localhost:9200")

    
self.index_type = index_type

    
self.index_name = index_name

默認(rèn)端口 9200，初始化前請(qǐng)確保本地已搭建好 Elasticsearch的所屬環(huán)境。

根據(jù) ID 獲取文檔數(shù)據(jù)

def 
insert_one
(
self, 
doc: dict):

    
self.es.index(index=
self.index_name, doc_type=
self.index_type, body=doc)





def 
insert_array
(
self, 
docs: list):

    
for doc 
in 
docs:

        
self.es.index(index=
self.index_name, doc_type=
self.index_type, body=doc)

插入文檔數(shù)據(jù)

def 
insert_one
(
self, 
doc: dict):

    
self.es.index(index=
self.index_name, doc_type=
self.index_type, body=doc)





def 
insert_array
(
self, 
docs: list):

    
for doc 
in 
docs:

        
self.es.index(index=
self.index_name, doc_type=
self.index_type, body=doc)

搜索文檔數(shù)據(jù)

def search(
self, query, 
count: int = 
30):

    dsl = {

        
"query": {

            
"multi_match": {

                
"query": query,

                
"fields": [
"title", 
"content", 
"link"]

            }

        },

        
"highlight": {

            
"fields": {

                
"title": {}

            }

        }

    }

    match_data = 
self.es.search(index=
self.index_name, body=dsl, size=
count)

    
return match_data



def __search(
self, query: dict, 
count: int = 
20): # 
count: 返回的數(shù)據(jù)大小

    results = []

    params = {

        'size': 
count

    }

    match_data = 
self.es.search(index=
self.index_name, body=query, params=params)

    
for hit 
in match_data['hits']['hits']:

        results.append(hit['_source'])



    
return results

刪除文檔數(shù)據(jù)

def 
delete_index
(self):

    
try:

        self.es.indices.delete(index=self.index_name)

    
except:

        
pass

好啊，封裝 search 類也是為了方便調(diào)用，整體貼一下。

from elasticsearch import Elasticsearch
class elasticSearch():



    def __init__(
self, index_type: 
str, index_name: 
str, ip=
"127.0.0.1"):



        # 
self.es = Elasticsearch([ip], http_auth=(
'elastic', 
'password'), port=
9200)

        
self.es = Elasticsearch(
"localhost:9200")

        
self.index_type = index_type

        
self.index_name = index_name



    def create_index(
self):

        
if 
self.es.indices.exists(index=
self.index_name) is True:

            
self.es.indices.delete(index=
self.index_name)

        
self.es.indices.create(index=
self.index_name, ignore=
400)



    def delete_index(
self):

        
try:

            
self.es.indices.delete(index=
self.index_name)

        except:

            pass



    def get_doc(
self, uid):

        
return 
self.es.get(index=
self.index_name, id=uid)



    def insert_one(
self, doc: dict):

        
self.es.index(index=
self.index_name, doc_type=
self.index_type, body=doc)



    def insert_array(
self, docs: list):

        
for doc 
in docs:

            
self.es.index(index=
self.index_name, doc_type=
self.index_type, body=doc)



    def search(
self, query, count: int = 
30):

        dsl = {

            
"query": {

                
"multi_match": {

                    
"query": query,

                    
"fields": [
"title", 
"content", 
"link"]

                }

            },

            
"highlight": {

                
"fields": {

                    
"title": {}

                }

            }

        }

        match_data = 
self.es.search(index=
self.index_name, body=dsl, size=count)

        
return match_data

嘗試一下把 Mongodb 中的數(shù)據(jù)插入到 ES 中。

import json

from datetime 
import datetime

import pymongo

from app.elasticsearchClass 
import elasticSearch



client = pymongo.MongoClient(
'127.0.0.1', 
27017)

db = client[
'spider']

sheet = db.get_collection(
'Spider').find({}, {
'_id': 
0, })



es = elasticSearch(index_type=
"spider_data",index_name=
"spider")

es.create_index()




for i 
in sheet:

    
data = {

            
'title': i[
"title"],

            
'content':i[
"data"],

            
'link': i[
"link"],

            
'create_time':datetime.now()

        }



    es.insert_one(doc=
data)

到ES中查看一下，啟動(dòng) elasticsearch-head 插件。

如果是 npm 安裝的那么cd到根目錄之后直接npm run start就跑起來(lái)了。

發(fā)現(xiàn)新加的 spider 數(shù)據(jù)文檔確實(shí)已經(jīng)進(jìn)去了。

/爬蟲(chóng)入庫(kù)/

要想實(shí)現(xiàn) ES 搜索，首先要有數(shù)據(jù)支持，而海量的數(shù)據(jù)往往來(lái)自爬蟲(chóng)。

為了節(jié)省時(shí)間，編寫(xiě)一個(gè)最簡(jiǎn)單的爬蟲(chóng)，抓取 百度百科。

簡(jiǎn)單粗暴一點(diǎn)，先 遞歸獲取 很多很多的 url 鏈接

import requests

import re

import time



exist_urls = []

headers = {

    
'User-Agent': 
'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36',

}



def get_link(url):

    
try:

        response = requests.
get(url=url, headers=headers)

        response.encoding = 
'UTF-8'

        html = response.text

        link_lists = re.findall(
'.*?<a target=_blank href="/item/([^:#=<>]*?)".*?</a>', html)

        
return link_lists

    except Exception 
as e:

        pass

    
finally:

        exist_urls.append(url)
# 當(dāng)爬取深度小于
10層時(shí)，遞歸調(diào)用主函數(shù)，繼續(xù)爬取第二層的所有鏈接

def main(start_url, depth=
1):

    link_lists = get_link(start_url)

    
if link_lists:

        unique_lists = list(
set(link_lists) - 
set(exist_urls))

        
for unique_url 
in unique_lists:

            unique_url = 
'https://baike.baidu.com/item/' + unique_url



            with 
open(
'url.txt', 
'a+') 
as f:

                f.write(unique_url + 
'\n')

                f.close()

        
if depth < 
10:

            main(unique_url, depth + 
1)




if __name__ == 
'__main__':

    start_url = 
'https://baike.baidu.com/item/%E7%99%BE%E5%BA%A6%E7%99%BE%E7%A7%91'

    main(start_url)

把全部 url 存到 url.txt 文件中之后，然后啟動(dòng)任務(wù)。

# parse.pyfrom celery 
import Celery

import requests

from lxml 
import etree

import pymongo

app = Celery(
'tasks', broker=
'redis://localhost:6379/2')

client = pymongo.MongoClient(
'localhost',
27017)

db = client[
'baike']

@app.task

def get_url(link):

    item = {}

    headers = {
'User-Agent':
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1847.131 Safari/537.36'}

    res = requests.get(link,headers=headers)

    res.encoding = 
'UTF-8'

    doc = etree.HTML(res.text)

    content = doc.xpath(
"//div[@class='lemma-summary']/div[@class='para']//text()")

    
print(res.status_code)

    
print(link,
'\t',
'++++++++++++++++++++')

    item[
'link'] = link

    data = 
''.join(content).replace(
' ', 
'').replace(
'\t', 
'').replace(
'\n', 
'').replace(
'\r', 
'')

    item[
'data'] = data

    
if db[
'Baike'].insert(dict(item)):

        
print(
"is OK ...")

    
else:

        
print(
'Fail')

run.py 飛起來(lái)

from parse import get_url




def 
main(
url):


    result = get_url.delay(url)

    
return 
result




def 
run(
):


    with 
open(

'./url.txt', 
'r') 
as f:


        
for url 
in f.
readlines(
):


            
main(
url.strip(
'\n'))





if __name__ == 
'__main__':

    run()

黑窗口鍵入

celery -A parse worker -l info -P gevent -c 10

哦 !! 你居然使用了 Celery 任務(wù)隊(duì)列，gevent 模式，-c 就是10個(gè)線程刷刷刷就干起來(lái)了，速度杠杠的 ?。?/p>

啥？分布式？ 那就加多幾臺(tái)機(jī)器啦，直接把代碼拷貝到目標(biāo)服務(wù)器，通過(guò)redis 共享隊(duì)列協(xié)同多機(jī)抓取。

這里是先將數(shù)據(jù)存儲(chǔ)到了 MongoDB 上(個(gè)人習(xí)慣)，你也可以直接存到 ES 中，但是單條單條的插入速度堪憂(接下來(lái)會(huì)講到優(yōu)化，哈哈)。

使用前面的例子將 Mongo 中的數(shù)據(jù)批量導(dǎo)入到 ES 中，OK !!!

到這一個(gè)簡(jiǎn)單的數(shù)據(jù)抓取就已經(jīng)完畢了。

同學(xué)們不清楚的地方，可以留言，更多的教程，也會(huì)繼續(xù)更新，感謝大家一直以來(lái)的支持！

應(yīng)伙伴們的要求，嘔心瀝血整理了 900集的全套Python學(xué)習(xí)視頻教程：Python 900集全套視頻教程（全家桶）
https://pan.baidu.com/s/1cU5lDWq9gh0cQ7hCnXUiGA

要學(xué)習(xí)的伙伴們，可以回復(fù)：“Python視頻教程”，即可領(lǐng)??！