手把手教你使用Flask搭建ES搜索引擎(预备篇)

那么如何实现 Elasticsearch和 Python 的对接成为我们所关心的问题了 (怎么什么都要和 Python 关联啊)。

2 Python 交互

所以，Python 也就提供了可以对接 Elasticsearch的依赖库。

pip install elasticsearch 

初始化连接一个 Elasticsearch 操作对象。

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 

默认端口 9200，初始化前请确保本地已搭建好 Elasticsearch的所属环境。

根据 ID 获取文档数据

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

插入文档数据

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) 

搜索文档数据

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: 返回的数据大小 
    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 

删除文档数据

def delete_index(self): 
    try: 
        self.es.indices.delete(index=self.index_name) 
    except: 
        pass 

好啊，封装 search 类也是为了方便调用，整体贴一下。

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 

尝试一下把 Mongodb 中的数据插入到 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，启动 elasticsearch-head 插件。

如果是 npm 安装的那么 cd 到根目录之后直接 npm run start 就跑起来了。

本地访问 http://localhost:9100/

发现新加的 spider 数据文档确实已经进去了。

3 爬虫入库

要想实现 ES 搜索，首先要有数据支持，而海量的数据往往来自爬虫。

为了节省时间，编写一个最简单的爬虫，抓取 百度百科。

简单粗暴一点，先 递归获取 很多很多的 url 链接

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('.*?]*?)".*?', html) 
        return link_lists 
    except Exception as e: 
        pass 
    finally: 
        exist_urls.append(url) 
 
 
# 当爬取深度小于10层时，递归调用主函数，继续爬取第二层的所有链接 
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，然后启动任务。

# parse.py 
from 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 飞起来

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() 

黑窗口键入

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

哦豁 !! 你居然使用了 Celery 任务队列，gevent 模式，-c 就是10个线程刷刷刷就干起来了，速度杠杠的 !!

啥?分布式? 那就加多几台机器啦，直接把代码拷贝到目标服务器，通过 redis 共享队列协同多机抓取。

这里是先将数据存储到了 MongoDB 上(个人习惯)，你也可以直接存到 ES 中，但是单条单条的插入速度堪忧(接下来会讲到优化，哈哈)。

使用前面的例子将 Mongo 中的数据批量导入到 ES 中，OK !!!

到这一个简单的数据抓取就已经完毕了。

好啦，现在 ES 中已经有了数据啦，接下来就应该是 Flask web 的操作啦，当然，Django，FastAPI 也很优秀。嘿嘿，你喜欢 !!