simple search engine

带Python的简单搜索引擎3

这个迷你项目将使用向量空间模型实现简单的搜索引擎。这些数据将从越南每日新闻（例如Vnexpress，越南人，Thanhnien和Laodong）中爬网。

工具

• 安装Python 3.5+，如果未安装PIP。

• 使用pip安装以下软件包：

  • requests （用于提出HTTP请求）。
  • underthesea （越南NLP工具包）。
  • beautifulsoup4 （用于解析HTML和XML）。

  $ pip install requests underthesea beautifulsoup4

• （可选）安装pytest进行单元测试：

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

• 安装git并克隆该项目到本地机器：

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

  注意：如果您在Windows上运行此项目，则必须检查windows分支。这是由于Python中搁架模块的跨平台问题（请参阅此问题）：

  $ git checkout windows

用法

• 运行index.py脚本以执行索引数据。将创建索引数据（如果不存在）或更新并存储在db/ Directory中。

  $ python index.py

• 运行search.py​​脚本并传递查询字符串。

  $ python search.py " Your query string here "

  例如：

  $ 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
  ...

  上述查询结果可能会更改，因为可以更新索引数据。要获取更新索引，请运行git pull origin master命令。