simple search engine

Moteur de recherche simple avec Python 3

Ce mini projet implémentera un moteur de recherche simple à l'aide du modèle d'espace vectoriel. Les données seront rampantes à partir de nouvelles quotidiennes vietnamiennes telles que VNExpress, Vietnamnet, Thanhien et Laodong.

Outils

• Installez Python 3.5+ et PIP si ce n'est pas installé.

• Utilisez pip pour installer les packages suivants:

  • requests (pour faire des demandes HTTP).
  • underthesea (boîte à outils NLP vietnamienne).
  • beautifulsoup4 (pour analyser HTML et XML).

  $ pip install requests underthesea beautifulsoup4

• (Facultatif) Installez pytest pour exécuter des tests unitaires:

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

• Installez GIT et clonez ce projet dans la machine locale:

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

  Remarque: Si vous exécutez ce projet sous Windows, vous devez passer à la branche windows . Cela est dû aux problèmes multiplateformes du module d'étagère dans Python (voir ce problème):

  $ git checkout windows

Usage

• Exécutez le script index.py pour effectuer des données d'indexation. Les données indexées seront créées (si elles ne sont pas existantes) ou mises à jour et stockées dans db/ Directory.

  $ python index.py

• Exécutez le script search.py ​​et passez une chaîne de requête pour cela.

  $ python search.py " Your query string here "

  Par exemple:

  $ 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
  ...

  Les résultats de requête ci-dessus peuvent être modifiés car les données indexées peuvent être mises à jour. Pour obtenir l'index mis à jour, exécutez la commande git pull origin master .