simple search engine

Einfache Suchmaschine mit Python 3

In diesem Mini -Projekt wird eine einfache Suchmaschine mit dem Vektorraummodell implementiert. Die Daten werden aus vietnamesischen täglichen Nachrichten wie VNexpress, Vietnamnet, Thishnien und Laodong gekratzt.

Werkzeuge

• Installieren Sie Python 3.5+ und PIP, wenn nicht installiert.

• Verwenden Sie pip , um die folgenden Pakete zu installieren:

  • requests (zur Erstellung von HTTP -Anfragen).
  • underthesea (vietnamesisches NLP -Toolkit).
  • beautifulsoup4 (zum Analysen von HTML und XML).

  $ pip install requests underthesea beautifulsoup4

• (Optional) pytest installieren, um Unit -Tests auszuführen:

  $ pip install pytest
  $ cd /path/to/project
  $ pytest

• Installieren Sie Git und klonen Sie dieses Projekt in die lokale Maschine:

  $ git clone https://github.com/vancanhuit/simple-search-engine.git
  $ cd simple-search-engine

  HINWEIS: Wenn Sie dieses Projekt unter Windows ausführen, müssen Sie zu windows Branch überprüft. Dies ist auf plattformübergreifende Probleme des Regalmoduls in Python zurückzuführen (siehe dieses Problem):

  $ git checkout windows

Verwendung

• Führen Sie das Skript index.py aus, um Indexierungsdaten auszuführen. Die indizierten Daten werden erstellt (falls nicht existieren) oder aktualisiert und im db/ Verzeichnis gespeichert.

  $ python index.py

• Führen Sie search.py ​​-Skript aus und geben Sie eine Abfragebarstellung dafür weiter.

  $ python search.py " Your query string here "

  Zum Beispiel:

  $ python search.py " Trump Trieu Tien "
  https://vnexpress.net/tin-tuc/the-gioi/trump-noi-cuoc-gap-voi-kim-jong-un-van-co-the-dien-ra-vao-12-6-3754763.html - 0.32331036424704196
  https://vnexpress.net/tin-tuc/the-gioi/trump-huy-cuoc-gap-voi-lanh-dao-trieu-tien-3754245.html - 0.3158077661308892
  https://vnexpress.net/tin-tuc/the-gioi/trump-thuc-giuc-trung-quoc-that-chat-bien-gioi-voi-trieu-tien-3752746.html - 0.3017484484730665
  https://vnexpress.net/tin-tuc/the-gioi/abe-noi-se-gap-trump-truoc-cuoc-hop-thuong-dinh-my-trieu-3755808.html - 0.30059730510834515
  http://vietnamnet.vn/vn/the-gioi/binh-luan-quoc-te/nhung-nga-re-chop-nhoang-kho-luong-cua-thuong-dinh-trump-kim-453759.html - 0.2990576238183994
  https://vnexpress.net/tin-tuc/the-gioi/ngoai-truong-my-giai-thich-ly-do-cuoc-gap-trump-kim-bi-huy-3754252.html - 0.2807074203562179
  https://vnexpress.net/tin-tuc/the-gioi/han-quoc-hop-khan-sau-khi-trump-tuyen-bo-huy-gap-kim-jong-un-3754256.html - 0.24340889391647347
  https://vnexpress.net/tin-tuc/the-gioi/my-canh-bao-trieu-tien-co-the-chiu-chung-so-phan-nhu-libya-3753226.html - 0.24232103427164864
  ...

  Die obigen Abfrageergebnisse können geändert werden, da indizierte Daten aktualisiert werden können. Um einen aktualisierten Index zu erhalten, führen Sie git pull origin master -Befehl aus.