1 前言
Elasticsearch 是一个开源的搜索引擎，建立在一个全文搜索引擎库 Apache Lucene™ 基础之上。
那么如何实现 Elasticsearch和 Python 的对接成为我们所关心的问题了 (怎么什么都要和 Python 关联啊)。
2 Python 交互
所以，Python 也就提供了可以对接 Elasticsearch的依赖库。
- pip install elasticsearch
初始化连接一个 Elasticsearch 操作对象。
- def __init__(self, index_type: str, index_name: str, ip="127.0.0.1"):
- # self.es = Elasticsearch([ip], http_auth=('username', 'password'), port=9200)
- self.es = Elasticsearch("localhost:9200")
- self.index_type = index_type
- self.index_name = index_name
默认端口 9200，初始化前请确保本地已搭建好 Elasticsearch的所属环境。
根据 ID 获取文档数据
- def get_doc(self, uid):
- return self.es.get(index=self.index_name, id=uid)
插入文档数据
- def insert_one(self, doc: dict):
- self.es.index(index=self.index_name, doc_type=self.index_type, body=doc)
- def insert_array(self, docs: list):
- for doc in docs:
- self.es.index(index=self.index_name, doc_type=self.index_type, body=doc)
搜索文档数据
- def search(self, query, count: int = 30):
- dsl = {
- "query": {
- "multi_match": {
- "query": query,
- "fields": ["title", "content", "link"]
- }
- },
- "highlight": {
- "fields": {
- "title": {}
- }
- }
- }
- match_data = self.es.search(index=self.index_name, body=dsl, size=count)
- return match_data
- def __search(self, query: dict, count: int = 20): # count: 返回的数据大小
- results = []
- params = {
- 'size': count
- }
- match_data = self.es.search(index=self.index_name, body=query, params=params)
- for hit in match_data['hits']['hits']:
- results.append(hit['_source'])
- return results
删除文档数据
- def delete_index(self):
- try:
- self.es.indices.delete(index=self.index_name)
- except:
- pass
好啊，封装 search 类也是为了方便调用，整体贴一下。
- from elasticsearch import Elasticsearch
- class elasticSearch():
- def __init__(self, index_type: str, index_name: str, ip="127.0.0.1"):
- # self.es = Elasticsearch([ip], http_auth=('elastic', 'password'), port=9200)
- self.es = Elasticsearch("localhost:9200")
- self.index_type = index_type
- self.index_name = index_name
- def create_index(self):
- if self.es.indices.exists(index=self.index_name) is True:
- self.es.indices.delete(index=self.index_name)
- self.es.indices.create(index=self.index_name, ignore=400)
- def delete_index(self):
- try:
- self.es.indices.delete(index=self.index_name)
- except:
- pass
- def get_doc(self, uid):
- return self.es.get(index=self.index_name, id=uid)
- def insert_one(self, doc: dict):
- self.es.index(index=self.index_name, doc_type=self.index_type, body=doc)
- def insert_array(self, docs: list):
- for doc in docs:
- self.es.index(index=self.index_name, doc_type=self.index_type, body=doc)
- def search(self, query, count: int = 30):
- dsl = {
- "query": {
- "multi_match": {
- "query": query,
- "fields": ["title", "content", "link"]
- }
- },
- "highlight": {
- "fields": {
- "title": {}
- }
- }
- }
- match_data = self.es.search(index=self.index_name, body=dsl, size=count)
- return match_data
尝试一下把 Mongodb 中的数据插入到 ES 中。
- import json
- from datetime import datetime
- import pymongo
- from app.elasticsearchClass import elasticSearch
- client = pymongo.MongoClient('127.0.0.1', 27017)
- db = client['spider']
- sheet = db.get_collection('Spider').find({}, {'_id': 0, })
- es = elasticSearch(index_type="spider_data",index_name="spider")
- es.create_index()
- for i in sheet:
- data = {
- 'title': i["title"],
- 'content':i["data"],
- 'link': i["link"],
- 'create_time':datetime.now()
- }
- es.insert_one(doc=data)
到 ES 中查看一下，启动 elasticsearch-head 插件。
如果是 npm 安装的那么 cd 到根目录之后直接 npm run start 就跑起来了。
本地访问 http://localhost:9100/
发现新加的 spider 数据文档确实已经进去了。
3 爬虫入库
要想实现 ES 搜索，首先要有数据支持，而海量的数据往往来自爬虫。
为了节省时间，编写一个最简单的爬虫，抓取 百度百科。
简单粗暴一点，先 递归获取 很多很多的 url 链接
- import requests
- import re
- import time
- exist_urls = []
- headers = {
- 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36',
- }
- def get_link(url):
- try:
- response = requests.get(url=url, headers=headers)
- response.encoding = 'UTF-8'
- html = response.text
- link_lists = re.findall('.*?<a target=_blank href="/item/([^:#=<>]*?)".*?</a>', html)
- return link_lists
- except Exception as e:
- pass
- finally:
- exist_urls.append(url)
- # 当爬取深度小于10层时，递归调用主函数，继续爬取第二层的所有链接
- def main(start_url, depth=1):
- link_lists = get_link(start_url)
- if link_lists:
- unique_lists = list(set(link_lists) - set(exist_urls))
- for unique_url in unique_lists:
- unique_url = 'https://baike.baidu.com/item/' + unique_url
- with open('url.txt', 'a+') as f:
- f.write(unique_url + '\n')
- f.close()
- if depth < 10:
- main(unique_url, depth + 1)
- if __name__ == '__main__':
- start_url = 'https://baike.baidu.com/item/%E7%99%BE%E5%BA%A6%E7%99%BE%E7%A7%91'
- main(start_url)
把全部 url 存到 url.txt 文件中之后，然后启动任务。
- # parse.py
- from celery import Celery
- import requests
- from lxml import etree
- import pymongo
- app = Celery('tasks', broker='redis://localhost:6379/2')
- client = pymongo.MongoClient('localhost',27017)
- db = client['baike']
- @app.task
- def get_url(link):
- item = {}
- headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1847.131 Safari/537.36'}
- res = requests.get(link,headers=headers)
- res.encoding = 'UTF-8'
- doc = etree.HTML(res.text)
- content = doc.xpath("//div[@class='lemma-summary']/div[@class='para']//text()")
- print(res.status_code)
- print(link,'\t','++++++++++++++++++++')
- item['link'] = link
- data = ''.join(content).replace(' ', '').replace('\t', '').replace('\n', '').replace('\r', '')
- item['data'] = data
- if db['Baike'].insert(dict(item)):
- print("is OK ...")
- else:
- print('Fail')
run.py 飞起来
- from parse import get_url
- def main(url):
- result = get_url.delay(url)
- return result
- def run():
- with open('./url.txt', 'r') as f:
- for url in f.readlines():
- main(url.strip('\n'))
- if __name__ == '__main__':
- run()
黑窗口键入
- celery -A parse worker -l info -P gevent -c 10
哦豁 !! 你居然使用了 Celery 任务队列，gevent 模式，-c 就是10个线程刷刷刷就干起来了，速度杠杠的 !!
啥?分布式? 那就加多几台机器啦，直接把代码拷贝到目标服务器，通过 redis 共享队列协同多机抓取。
这里是先将数据存储到了 MongoDB 上(个人习惯)，你也可以直接存到 ES 中，但是单条单条的插入速度堪忧(接下来会讲到优化，哈哈)。
使用前面的例子将 Mongo 中的数据批量导入到 ES 中，OK !!!
到这一个简单的数据抓取就已经完毕了。
好啦，现在 ES 中已经有了数据啦，接下来就应该是 Flask web 的操作啦，当然，Django，FastAPI 也很优秀。嘿嘿，你喜欢 !!
