Python学习教程：手把手教你使用Flask搭建ES搜索引擎

Elasticsearch 是一个开源的搜索引擎，建立在一个全文搜索引擎库Apache Lucene™ 基础之上。

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)。视频教程文末也整理好了！

/Python 交互/

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

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 
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。

发现新加的 spider 数据文档确实已经进去了。

/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(
'.*?<a target=_blank href="/item/([^:#=<>]*?)".*?</a>', 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.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 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 !! 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。

同学们不清楚的地方，可以留言，更多的教程，也会继续更新，感谢大家一直以来的支持！

应伙伴们的要求，呕心沥血整理了 900集的全套Python学习视频教程：Python 900集全套视频教程（全家桶）
https://pan.baidu.com/s/1cU5lDWq9gh0cQ7hCnXUiGA

要学习的伙伴们，可以回复：“Python视频教程”，即可领取！