simple search engine

Mesin pencari sederhana dengan Python 3

Proyek Mini ini akan mengimplementasikan mesin pencari sederhana menggunakan model ruang vektor. Data akan dirangkak dari berita harian Vietnam seperti VNExpress, Vietnamnet, Thanhnien dan Laodong.

Peralatan

• Pasang Python 3.5+ dan Pip jika tidak diinstal.

• Gunakan pip untuk menginstal paket berikut:

  • requests (untuk membuat permintaan HTTP).
  • underthesea (Toolkit NLP Vietnam).
  • beautifulsoup4 (untuk parsing html dan xml).

  $ pip install requests underthesea beautifulsoup4

• (Opsional) Pasang pytest untuk menjalankan tes unit:

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

• Instal git dan klon proyek ini ke mesin lokal:

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

  Catatan: Jika Anda menjalankan proyek ini di Windows, Anda harus checkout ke windows Branch. Ini karena masalah lintas platform dari modul Shelve di Python (lihat masalah ini):

  $ git checkout windows

Penggunaan

• Jalankan skrip index.py untuk melakukan data pengindeksan. Data yang diindeks akan dibuat (jika tidak ada) atau diperbarui dan disimpan dalam db/ Direktori.

  $ python index.py

• Jalankan skrip search.py ​​dan berikan string kueri untuk itu.

  $ python search.py " Your query string here "

  Misalnya:

  $ 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
  ...

  Hasil kueri di atas dapat diubah karena data yang diindeks dapat diperbarui. Untuk mendapatkan indeks yang diperbarui, jalankan perintah git pull origin master .