10分钟教你搭建一个好玩的Python全文搜索引擎

Posted 2021-11-23 Monster_起飞

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

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

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

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

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  
    qqkey = 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 

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。