python 搭建一个简单的 搜索引擎

我把代码和爬好的数据放在了git上，欢迎大家来参考

https://github.com/linyi0604/linyiSearcher

我是在 manjaro linux下做的， 使用python3 语言， 爬虫部分涉及到 安装ChromeDriver 可以参考我之前写的博文。

建立索引部分参考： https://baijiahao.baidu.com/s?id=1597426056496128414&wfr=spider&for=pc

检索过程，衡量文档相似度使用了余弦相似度，参考：https://www.cnblogs.com/liangjf/p/8283519.html

为了完成我的信息检索选修课大作业，写下了这个简单的小项目。
 
这里是一个python3 实现的简易的搜索引擎
 
我把它取名叫linyiSearcher
 
--------
 
所需要的python依赖包在requirements.txt中
可以使用 pip install -r requirements.txt 一次性安装全部
 
--------
 
一共分成3部分完成（后面有稍微详细点的解读）
 
1_spider.py 是一个爬虫， 爬取搜索引擎的语料库
 
2_clean_data_and_make_index  是对爬下来的数据 进行一些清晰工作，并且将数据存入数据库，建立索引
 
    这里使用了 sqlite数据库，为了方便数据和项目一同携带
 
3_searcher.py 简易的web后端， 实现了 
 
    1 在网页输入搜索关键字， 在后端接收到关键字
 
    2 对关键字进行分词
 
    3 在索引中查找和关键字有关的文档
 
    4 按照余弦相似度 对文档进行排序
 
    5 把相近的文档展示出来
 
--------
 
自己的知识储备和代码能力都捉襟见肘。
 
大神来看，还望海涵～欢迎大家批评指正共同学习
 
--------
 
1 爬虫：
 
    因为没有数据，只能写爬虫来做，　又只有自己的笔记本来跑，所以数据量也做不到非常大
 
    在这里　写了１程序　爬了百度贴吧 娱乐明星分类下面的所有1级页面帖子的标题 当做语料库
 
    爬取下来的数据存在了 ./data/database.csv 下
 
        数据有2列 分别是  title 和url
 
2 数据清洗 并 建立索引：
 
    database.db  是一个sqlite数据库文件
 
    首先将每个文档存到了数据库当中  
 
    数据库表为 page_info(id,keyword, title, url)
 
        id 自增主键 
 
        keyword: 存了该文档文字用jieba分词打散后的词汇列表（用空格隔开所有词语的字符串）
 
        title: 文档的文字内容 
 
        url: 该文档的网页链接
 
    然后 把每个文档 使用jieba分词工具， 打散成词语，把所有词语放到一个集合中（集合能去重）
 
        把所有词 存入数据库 建立索引  
 
        索引这样理解：
 
            关键词:  你好  包含关键词的文档： <1,2,6,8,9>
 
        表为 page_index(id, word, page_id)
 
            id: 自增 主键
 
            word: 当前关键词
 
            page_id: 包含该关键词的文档id 也就是page_info.id
 
3 实现检索：
 
    首先 使用了bottle框架，是一个非常轻巧的web后端框架，实现了一个简单的web后端
 
    前端页面使用了bootstrap 的css样式，，毕竟自己什么垃圾的一p
 
    检索的实现过程：
 
        1 后端拿到检索的关键词，用jieba分词 把拿到的语句打散成词汇 形成关键词keyword_list
 
        2 在建立的索引表page_index中，搜关keyword_list中出现的词汇的page_id
 
        3 在包含所有keyword的文档上 计算和keyword的余弦相似度，然后降序排列
 
        4 返回给前端显示搜索结果
 
看看检索结果：

 
1_spider.py  爬虫的代码

 import requests
 from lxml import etree
 import random
 import COMMON
 import os
 from selenium import webdriver
 import pandas as pd
 """
 这里是建立搜索引擎的第一步
 """
 
 class Spider_BaiduTieba(object):
 
     def __init__(self):
         self.start_url = "/f/index/forumpark?pcn=娱乐明星&pci=0&ct=1&rn=20&pn=1"
         self.base_url = "http://tieba.baidu.com"
         self.headers = COMMON.HEADERS
         self.driver = webdriver.Chrome()
         self.urlset = set()
         self.titleset = set()
 
     def get(self, url):
         header = random.choice(self.headers)
         response = requests.get(url=url, headers=header, timeout=10)
         return response.content
 
     def parse_url(self, url):
         """通过url 拿到xpath对象"""
         print(url)
         header = random.choice(self.headers)
         response = requests.get(url=url, headers=header, timeout=10)
         # 如果获取的状态码不是200 则抛出异常
         assert response.status_code == 200
         xhtml = etree.HTML(response.content)
         return xhtml
 
     def get_base_url_list(self):
         """获得第一层url列表"""
         if os.path.exists(COMMON.BASE_URL_LIST_FILE):
             li = self.read_base_url_list()
             return li
         next_page = [self.start_url]
         url_list = []
         while next_page:
             next_page = next_page[0]
             xhtml = self.parse_url(self.base_url + next_page)
             tmp_list = xhtml.xpath('//div[@id="ba_list"]/div/a/@href')
             url_list += tmp_list
             next_page = xhtml.xpath('//div[@class="pagination"]/a[@class="next"]/@href')
             print(next_page)
         self.save_base_url_list(url_list)
         return url_list
 
     def save_base_url_list(self, base_url_list):
         with open(COMMON.BASE_URL_LIST_FILE, "w") as f:
             for u in base_url_list:
                 f.write(self.base_url + u + "\n")
 
     def read_base_url_list(self):
         with open(COMMON.BASE_URL_LIST_FILE, "r") as f:
             line = f.readlines()
         li = [s.strip() for s in line]
         return li
 
     def driver_get(self, url):
         try:
             self.driver.set_script_timeout(5)
             self.driver.get(url)
         except:
             self.driver_get(url)
     def run(self):
         """爬虫程序入口"""
         # 爬取根网页地址
         base_url_list = self.get_base_url_list()
         data_list = []
         for url in base_url_list:
             self.driver_get(url)
             html = self.driver.page_source
             xhtml = etree.HTML(html)
             a_list = xhtml.xpath('//ul[@id="thread_list"]//a[@rel="noreferrer"]')
             for a in a_list:
                 title = a.xpath(".//@title")
                 url = a.xpath(".//@href")
                 if not url or not title or title[0]=="点击隐藏本贴":
                     continue
                 url = self.base_url + url[0]
                 title = title[0]
 
                 if url in self.urlset:
                     continue
 
                 data_list.append([title, url])
                 self.urlset.add(url)
                 data = pd.DataFrame(data_list, columns=["title,", "url"])
                 data.to_csv("./data/database.csv")
 
 if __name__ == '__main__':
     s = Spider_BaiduTieba()
     s.run()

2 清晰数据 和 建立索引部分代码  这里是notebook 完成的， 所以看起来有点奇怪

 #%%
 import pandas as pd
 import sqlite3
 import jieba
 #%%
 data = pd.read_csv("./data/database.csv")
 #%%
 def check_contain_chinese(check_str):
     for ch in check_str:
         if u'\u4e00' <= ch <= u'\u9fff':
             return True
         if "a" <= ch <= "z" or "A" <= ch <= "X":
             return True
         if "" <= ch <= "":
             return True
     return False
 #%%
 data2 = []
 for d in data.itertuples():
     title = d[1]
     url = d[2]
     cut = jieba.cut(title)
     keyword = ""
     for c in cut:
         if check_contain_chinese(c):
             keyword += " " + c
     keyword = keyword.strip()
     data2.append([title, keyword, url])
 #%%
 data3 = pd.DataFrame(data2, columns=["title", "keyword", "url"])
 data3
 #%%
 data3.to_csv("./data/cleaned_database.csv", index=False)
 #%%
 for line in data3.itertuples():
     title, keyword, url = line[1],line[2],line[3]
     print(title)
     print(keyword)
     print(url)
     break
 
 #%%
 conn = sqlite3.connect("./data/database.db")
 c = conn.cursor()
 
 # 创建数据库
 sql = "drop table page_info;"
 c.execute(sql)
 conn.commit()
 
 sql = """
     create table page_info(
         id INTEGER PRIMARY KEY,
         keyword text not null,
         url text not null
     );
 """
 c.execute(sql)
 conn.commit()
 
 # 创建索引表
 sql = """
     create table page_index(
         id INTEGER PRIMARY KEY,
         keyword text not null,
         page_id INTEGER not null
     );
 """
 c.execute(sql)
 conn.commit()
 #%%
 sql = "delete from page_info;"
 c.execute(sql)
 conn.commit()
 
 # 插入到数据库
 i = 0
 for line in data3.itertuples():
     title, keyword, url = line[1],line[2],line[3]
     sql = """
         insert into page_info (url, keyword)
         values('%s', '%s')
     """ % (url, keyword)
     c.execute(sql)
     conn.commit()
     i += 1
     if i % 50 == 0:
         print(i, len(data3))
 
 sql = "delete from page_index;"
 c.execute(sql)
 conn.commit()
 
 sql = "select * from page_info;"
 res = c.execute(sql)
 res = list(res)
 length = len(res)
 
 i = 0
 for line in res:
     pid, words, url = line[0], line[1], line[2]
     words = words.split(" ")
     for w in words:
         sql = """
         insert into page_index (keyword, page_id)
         values('%s', '%s')
         """ % (w, pid)
         c.execute(sql)
         conn.commit()
     i += 1
     if i % 100 == 0:
         print(i, length)
 #%%
 
 #%%
 
 #%%
 titles = list(words)
 colums = ["title", "url"] + titles
 word_vector = pd.DataFrame(columns=colums)
 word_vector
 #%%
 
 #%%
 data = pd.read_csv("./data/database.csv")
 #%%
 data
 #%%
 sql = "alter table page_info add title text;"
 conn = sqlite3.connect("./data/database.db")
 c = conn.cursor()
 c.execute(sql)
 conn.commit()
 #%%
 conn = sqlite3.connect("./data/database.db")
 c = conn.cursor()
 length = len(data)
 i = 0
 for line in data.itertuples():
     pid = line[0]+1
     title = line[1]
     sql = "UPDATE page_info SET title = '%s' WHERE id = %s "%(title,pid)
     try:
         c.execute(sql)
         conn.commit()
     except:
         continue
     i += 1
     if i % 50 == 0:
         print(i, length)
 
 #%%
 
 #%%

3 web后端 完成检索功能代码

 # coding=utf-8
 import jieba
 import sqlite3
 from bottle import route, run, template, request, static_file, redirect
 
 @route('/static/<filename>')
 def server_static(filename):
     if filename == "jquery.min.js":
         return static_file("jquery.min.js", root='./data/front/js/')
     elif filename == "bootstrap.min.js":
         return static_file("bootstrap.js", root='./data/front/js/')
     elif filename == "bootstrap.min.css":
         return static_file("bootstrap.css", root='./data/front/css/')
 
 @route('/')
 def index():
     return redirect("/hello/")
 
 @route('/hello/')
 def index():
     form = request.GET.decode("utf-8")
     keyword = form.get("keyword", "")
     cut = list(jieba.cut(keyword))
     # 根据索引查询包含关键词的网页编号
     page_id_list = get_page_id_list_from_key_word_cut(cut)
     # 根据网页编号 查询网页具体内容
     page_list = get_page_list_from_page_id_list(page_id_list)
     # 根据查询关键字和网页包含的关键字，进行相关度排序 余弦相似度
     page_list = sort_page_list(page_list, cut)
     context = {
         "page_list": page_list[:20],
         "keyword": keyword
     }
     return template("./data/front/searcher.html", context)
 
 # 计算page_list中每个page 和 cut的余弦相似度
 def sort_page_list(page_list, cut):
     con_list = []
     for page in page_list:
         url = page[2]
         words = page[1]
         title = page[3]
         vector = words.split(" ")
         same = 0
         for i in vector:
             if i in cut:
                 same += 1
         cos = same / (len(vector)*len(cut))
         con_list.append([cos, url, words, title])
     con_list = sorted(con_list, key=lambda i: i[0], reverse=True)
     return con_list
 
 # 根据网页id列表获取网页详细内容列表
 def get_page_list_from_page_id_list(page_id_list):
     id_list = "("
     for k in page_id_list:
         id_list += "%s,"%k
     id_list = id_list.strip(",") + ")"
     conn = sqlite3.connect("./data/database.db")
     c = conn.cursor()
     sql = "select * " \
           + "from page_info  " \
           + "where id in " + id_list + ";"
     res = c.execute(sql)
     res = [r for r in res]
     return res
 
 # 根据关键词在索引中获取网页编号
 def get_page_id_list_from_key_word_cut(cut):
     keyword = "("
     for k in cut:
         if k == " ":
             continue
         keyword += "'%s',"%k
     keyword = keyword.strip(",") + ")"
     conn = sqlite3.connect("./data/database.db")
     c = conn.cursor()
     sql = "select page_id " \
             + "from page_index  " \
             + "where keyword in " + keyword + ";"
     res = c.execute(sql)
     res = [r[0] for r in res]
     return res
 
 if __name__ == '__main__':
     run(host='localhost', port=8080)