lucene网页搜索html,用Lucene构造垂直搜索引擎

Lucene是用于全文检索的开源库，Apache软件基金会提供支持。它由Java语言开发，也提供Python接口调用。

本文介绍使用开源项目Lupyne构建垂直搜索引擎，搜索本地网页中的内容。它使用Python语言编写，搜索功能用Lucene引擎实现，使用html2text从本地网页中提取数据，实现对网页中文本的搜索，前端调用CherryPy框架(flask的web server常用作开发测试。而cherrypy的web server常用于生产环境)，提供网页搜索功能。

运行文中实例需要匹配Java，Python，Lucene等各个软件版本，环境配置比较复杂，因而基于Lucene提供的docker image环境构建。

Lucene元素

使用Lucene之前，先来了解一些相关概念。

Directory：指定如何保存构建的索引，测试时常保存在内存中，实际应用中，一般将其保存在文件系统中，本例将索引保存在/tmp/a目录下。

Analyzer：分析器，用于处理文本，如分词，去停用词等。

IndexWriter：对索引进行增删查改的工具，一般的操作都围绕IndexWriter展开。

Document：构造搜索的基本单位，一般是网页、文档、邮件等。

Field：一个Document可能包含多个域Field，比如标题、正文、作者等。

实例

下面介绍垂直搜索引擎的具体构建方法。

下载Lupyne源码

$ git clone [https://github.com/coady/lupyne](https://github.com/coady/lupyne)

下载docker镜像(在Linux系统中运行) $ docker pull coady/pylucene # 约2.52G

运行镜像

$ docker run --rm -v /exports:/exports --net=host -it coady/pylucene bash

启动docker时使用了--net=host，使docker内外使用相同端口号访问，-v将宿主机目录映射到镜像内部目录。

在镜像内安装支持软件

$ cd /exports/xxx # 切换到lupyne源码所在目录

$ python setup.py install

$ pip install cherrypy

$ pip install pytest

$ pip install clients

$ pip install jupyter # 供进一步开发使用

$ pip install html2text # 解析html内容

运行jupyter开发环境：

$ jupyter notebook --allow-root -y --no-browser --ip=0.0.0.0

在docker之外的浏览器中访问示例文件：http://localhost:8888/notebooks/docs/examples.ipynb，其中对比使用lupyne封装与直接使用pylucene分别建立索引、查询、检索、排序和分组的不同代码，可直接运行。

读取目录下的网页内容，写入索引数据：

import lucene

from lupyne import engine

from org.apache.lucene import analysis, document, index, queryparser, search, store

import os

import html2text

def parse_html(root_dir, path, indexer, debug=False):

f = open(path,"r")

content = f.read()

text = html2text.html2text(content)

strings = [i for i in text.split("\n") if len(i) > 0]

for i in strings:

if debug:

print(len(strings), "insert", i)

path = path.replace(root_dir, "http://localhost:8080/")

indexer.add(content=i, path=path)

indexer.commit()

def insert_dir(root_dir, book_dir):

html_dir = os.path.join(root_dir, book_dir)

for root, dirs, files in os.walk(html_dir):

for f in files:

if f.endswith("html") or f.endswith("htm"):

path = os.path.join(root, f)

print(path)

parse_html(root_dir, path, indexer)

def search(keyword):

hits = indexer.search(keyword, field='content')

for hit in hits:

print(hit)

if __name__ == '__main__':

BOOK_ROOTDIR = '/exports/books/contents/' # 数据根目录，与Lucene中配置文件一致

assert lucene.getVMEnv() or lucene.initVM()

indexer = engine.Indexer(directory="/tmp/a/") # 数据存储目录

indexer.set('content', engine.Field.Text, stored=True)

indexer.set('path', engine.Field.Text, stored=True)

# 插入

insert_dir(BOOK_ROOTDIR, '知识图谱/text')

# 搜索

search('Lucene')

indexer.close()

设置Lupyne的配置文件：

[global]

tools.staticdir.on=True

tools.staticdir.dir='/exports/books/contents/'

tools.staticdir.section=''

启动Lupyne服务

$ python -m lupyne.server /tmp/a -c a.cfg

打开被搜索网页： http://localhost:8080/知识图谱/text/part0013_split_006.html

此时，就实现了搜索本地网页的最简版本垂直搜索引擎，尽管网页还比较简陋。

扩展

Elasticsearch (ES)是一个开源的搜索引擎，建立在Lucene基础之上。 Lucene可能是目前存在的，不论开源还是私有的，拥有最先进，高性能和全功能搜索引擎功能的库。但是 Lucene 仅仅只是一个库，相对来说ES+Kibana更像是一套相对成熟的方案。它提供Web服务，客户端可通过Http请求或者API接口增删查改，它相对于Lupyne更复杂，功能也更多。当然无论使用何种底层库，都需要自己解释和插入数据。