1.项目简介
1.1背景
《信息内容安全》网络信息内容获取技术课程项目设计
- 一个至少能支持10个以上网站的爬虫程序,且支持增量式数据采集;并至少采集10000个实际网页;
- 针对采集回来的网页内容, 能够实现网页文本的分类;
- 可进行重复或冗余网页的去重过滤;
- 对经去冗以后的内容建立倒排索引;
- 采用pagerank算法实现搜索结果的排序;
- 支持自然语言的模糊检索;
- 可实现搜索结果的可视化呈现。
- 可以在线记录每次检索的日志,井可对日志数据进统计分析和关联挖掘。
1.2运行环境
- 平台:全平台
- jdk 1.8.0
- elasticsearch 7.4.0
- python 3.6 及以上
安装依赖模块
- pagerank算法、ai文本分类与上传
> pip install paddlepaddle numpy elasticsearch
- 数据的爬取与预处理
> pip install requests bs4
1.3运行步骤
安装配置elasticsearch并启动
- 下载 并解压elasticsearch,详细步骤自行搜索
- 可以从 apt 和 yum 的软件仓库安装,也可以使用 windows msi 安装包安装
- 安装 ik 中文分词器,详细步骤自行搜索
- 创建索引
put http://127.0.0.1/page { "settings": { "number_of_shards": "5", "number_of_replicas": "0" }, "mappings": { "properties": { "title": { "type": "text", "analyzer": "ik_max_word" }, "weight": { "type": "double" }, "content" : { "type" : "text", "analyzer": "ik_max_word" }, "content_type": { "type": "text" }, "url": { "type": "text", "analyzer": "ik_max_word" }, "update_date": { "type": "date", "format": "yyyy-mm-dd hh:mm:ss||yyyy-mm-dd||epoch_millis" } } } }
- 启动 elasticsearch ,在 bash 中执行
bin/elasticsearch
或者在 windows 的 cmd、powershell 执行bin\elasticsearch.bat
启动web服务
> cd webapp > java -jar *.jar
数据的爬取与预处理
> cd datacrawler > python crawler.py
计算pagerank值
> cd dataprocess > python pagerank.py
利用ai进行文本分类并上传至es
> cd dataprocess/text_classification > python classify.py
2.需求分析
2.1数据描述
2.1.1 静态数据
变量名 | 描述 |
| 线程个数 |
| 种子页面 |
2.1.2 动态数据
变量名 | 描述 | 类型 |
| 限定域名 | 列表 |
| 禁止域名 | 列表 |
| 线程个数 | 整型 |
| 限定页面个数 | 整型 |
2.1.3索引数据字典
页面(page)信息索引:
数据项名称 | 含义 | 别名 | 类型 | 备注 |
| 网站标题 |
| 使用 | |
| pagerank值 | pr值,pr值 |
| |
| 网站中的内容 |
| 使用 分词 | |
| 网站中的内容分类 |
| 文化, 娱乐, 体育, 财经, 房产, 汽车, 教育, 科技, 国际, 证券 | |
| 网站的链接 |
| 使用 分词 | |
| 数据更新的时间 |
|
|| || |
2.2. 数据采集
种子 url 数据从 init_url 列表中选取,并按照顺序,依次以各个 url 为起点进行递归的数据采集
爬取数据的url需要限制在 restricted_url 列表里面
2.3功能需求
2.3.1 数据爬取与预处理功能
利用python爬虫,执行以下步骤:
- 开始
- 选取一个链接作为起点
- 如果爬取的网页总数达到要求,则结束,否则执行第 4 步
- 爬取指定链接的相关信息,并获取当前网站中的所有链接
- 对 4 中获取的网站中的所有链接中的每一条数据,执行过程3
爬取网站如下信息,
- title
- content
- content_type
- update_date
- url
- link(当前网站中包含的所有链接,用于计算pr值)
2.3.2. 计算 pagerank 功能
根据link
计算爬取下来的每个网站的pagerank值,迭代次数为50次。解决pr值呈周期性变化的问题。将pr值作为网站重要程度的指标,并补充到网站信息中
2.3.3. ai 文本分类并提交到 es 功能
利用深度学习,分析每个页面的content的类别。将类别补充到网站信息中,同时删除网站信息中不再使用的link
项,形成最终数据,并上传至es,供用户交互功能调用。
2.3.4. 用户交互功能
设计webapp,用户通过浏览器访问页面。用户提交搜索信息后,判断合法性,不合法则返回error界面提示用户。如果合法,则后端代码从本地 es 中查询数据,处理后将结果分条显示到前端。同时通过限制单个ip每分钟的访问次数来简单防御用户恶意搜索。
2.4. 性能需求
2.4.1. 数据精确度
对数据精确度要求不高,主要数据为:
项目 | 限制 |
爬取的数据总量 | 每小时查询一下数据总量 |
查询结果数量 | 匹配的所有结果数 |
数据更新日期 | 精确到分钟即可 |
2.4.2. 时间特性
项目 | 限制 |
每爬取 1 万个网页耗时 | 30 分钟以内 |
计算 1 万个网页的pr值耗时 | 10 分钟以内 |
对 1 万个网页内容进行ai 进行文本分类并上传至es耗时 | 10 分钟以内 |
web 首页打开耗时 | 5 秒以内 |
查询结果页面打开耗时 | 5 秒以内 |
2.5. 运行需求
2.5.1. 用户界面
用户通过浏览器访问,有两个页面,一个是主页,只有简单的输入框提供用户搜索;另一个是一般界面,提供高级搜索功能,并显示搜索结果。
2.5.2. 主页
控件 | 作用 | 布局 |
图标 | 显示logo | 居中 |
|输入框|接收用户输入的关键字|logo图标下偏左
|按钮|提交用户输入的关键字,并返回搜索结果|输入框右|
2.5.3. 搜索结果界面
该界面分为三个部分,导航条、搜索结果、信息展示。这三个部分布局如下
部分 | 位置 | height | width |
导航条 | 顶部 | 50px | 100% |
搜索结果 | 导航条左下部 | auto | 70% |
信息展示 | 导航条右下部 | auto | 30% |
导航条部分
以下控件从左向右依次(顺序可以任意)在导航条中排列
控件 | 作用 |
输入框 | 接收用户输入的关键字 |
输入框 | 可以输入域名,将搜索结果限制在该域名内 |
数字输入框 | 查询结果分页显示,该框指示跳转到指定的搜索结果页 |
选择框 | 允许用户选择匹配方式:标题和内容(默认)、仅标题、仅内容 |
选择框 | 选择搜索结果的排序方式:倒排索引(默认)、 pagerank 排序 |
按钮 | 提交用户输入的所有数据,并返回搜索结果 |
搜索结果部分
将搜索结果以list的形式展示出来,每个list item显示匹配的网站的如下数据
- 标题
- 内容
- url
- 类别
- pagerank值
- 更新时间
在list结尾,显示分页组件,使用户可以点击跳转,样式如下:
< | 1 | 2 | 3 | 4 | 5 | 6 | > |
信息展示部分
展示一些必要信息,如:
- 本次查询耗时
- 查询结果数
- 数据库中的数据总数
- 等等
2.5.4 软件接口
接口名 | 描述 | 所在模块 | 调用方式 |
| 初次启动调用此接口 |
| 内部调用 |
| 得到目标 url 的页面 |
| 内部调用 |
| 爬虫线程 |
| 内部调用 |
| 主任务执行线程 |
|
|
| 去掉所有未在 url 中出现的 link 及错误文件 |
| 内部调用 |
| 计算pagerank |
| 内部调用 |
| 程序运行方法 |
|
|
| 获取已爬取数据 |
| 内部调用 |
| 利用ai进行文本分类 |
|
|
2.5.5. 故障处理
各个功能模块如果出问题,会出现以下情况:
模块 | 出故障后 | 简单排查 |
爬虫 | 数据不再更新 | 检查网络,检查内存资源是否不足 |
pagerank计算 | 数据不再更新 | 检查内存资源和cpu资源是否不足 |
ai 文本分类 | 数据不再更新 | 检查内存资源和cpu资源是否不足 |
elasticsearch | 前端无法获取查询结果 | 问题比较复杂 |
webapp | 无法访问网站 | 问题比较复杂 |
其中,后两个模块出问题会造成严重问题,如果重启不能解决问题的话,采用如下措施
模块 | 故障排除 | 终极方法 |
elasticsearch | ①java环境是否正确 | 在其他机器上部署,并修改webapp使其到该机器上获取服务 |
webapp | ①端口是否被占用 | 在其他机器上部署,并修改域名解析,将域名解析到新机器上 |
2.6. 其他需求
2.6.1. 可维护性
- 网络爬虫设置了黑名单和白名单,可以限制爬取的范围。
- 各个功能分离开,协同工作。同时,只要不修改数据格式,各个模块的修改不会影响其他模块
2.6.2. 可移植性
- webapp 使用 spring boot 框架开发,打包后只有一个jar包,可以在任何有java环境的机器上部署
- 其他功能都用python实现,可以部署在任何有python环境的机器上
- elasticsearch 支持分布式部署,可以部署在任意平台
2.6.3. 数据完整性
- elasticsearch 支持分布式,会自动将数据备份在不同节点。如果某个节点出了故障,不会破坏数据,也不会影响程序的查询结果
3.代码展示
import os import sys import json import numpy as np import time import codecs dir_path = os.path.split(os.path.realpath(sys.argv[0]))[0] + '/../rawdata' print(dir_path) vexname = list(os.listdir(dir_path)) vexnum = len(vexname) epoch = 50 # 初始化,去掉所有未在url中出现的link以及错误文件 def init(): global vexnum falsefiles={} idx=0 start = time.perf_counter() for file in vexname: if idx % 100 == 0: a = '=' * int(idx / vexnum * 100) b = ' ' * (100 - int(idx / vexnum * 100)) c = int(idx / vexnum * 100) dur = time.perf_counter() - start sys.stdout.write("\r{:^3.0f}%[{}=>{}]{:.2f}s".format(c, a, b, dur)) sys.stdout.flush() with codecs.open(os.path.join(dir_path, file), 'r', encoding='utf-8') as load_f: try: text = json.load(load_f) except: falsefiles[file]=vexname.index(file)-len(falsefiles) continue try: links = [] for link in text['link']: if link+'.json' in vexname: links.append(link) text['link'] = links.copy() except: pass finally: if 'link' in text: text['link'].clear() else: text['link'] = [] with codecs.open(os.path.join(dir_path, file), 'w', encoding='utf-8') as dump_f: json.dump(text, dump_f, ensure_ascii=false,indent=4) idx += 1 print('正在删除错误文件及链接...') vexnum -= len(falsefiles) checknum=0 checkfalse=0 for file in list(falsefiles.keys()): os.remove(os.path.join(dir_path,file)) vexname.remove(file) for i in range(checknum,falsefiles[file]): with codecs.open(os.path.join(dir_path, vexname[i]), 'r', encoding='utf-8') as load_f: text = json.load(load_f) try: for falsefile in list(falsefiles.keys())[checkfalse:]: if falsefile in text['link']: text['link'].remove(falsefile) except: text['link'].clear() with codecs.open(os.path.join(dir_path, vexname[i]), 'w', encoding='utf-8') as dump_f: json.dump(text, dump_f, ensure_ascii=false,indent=4) checknum += falsefiles[file] checkfalse += 1 # 计算pagerank def rank(value, start): newvalue=np.zeros(vexnum,dtype=np.double) for iter in range(1,epoch): a = '=' * int(iter / epoch * 100) b = ' ' * (100 - int(iter / epoch * 100)) c = int(iter / epoch * 100) dur = time.perf_counter() - start sys.stdout.write("\r{:^3.0f}%[{}=>{}]{:.2f}s".format(c, a, b, dur)) sys.stdout.flush() for i in range(vexnum): with open(os.path.join(dir_path, vexname[i]), 'r', encoding='utf-8') as load_f: text = json.load(load_f) count = len(text['link']) if count == 0: newvalue[i] = value[i] continue for link in text['link']: link += '.json' newvalue[vexname.index(link)] += value[i] / count for i in range(vexnum): newvalue[i] = newvalue[i] / (iter + 1) + value[i] * (iter / (iter + 1)) value=newvalue.copy() return value def run(): print('开始计算pagerank...') print('数据初始化...') init() value = np.ones(len(vexname),dtype=np.double)*(1000.0/vexnum) print('错误文件删除完毕!') print('正在计算pagerank(迭代次数{})...'.format(epoch)) start = time.perf_counter() value = rank(value, start) a = '=' * 100 b = ' ' * 0 c = 100 dur = time.perf_counter() - start sys.stdout.write("\r{:^3.0f}%[{}=>{}]{:.2f}s".format(c, a, b, dur)) sys.stdout.flush() print('\npagerank计算完毕,正在往json中写入数据...') max = {} for file in vexname: # 将pagerank写入json with open(os.path.join(dir_path, file), 'r', encoding='utf-8') as load_f: text = json.load(load_f) with open(os.path.join(dir_path, file), 'w', encoding='utf-8') as dump_f: text['weight'] = value[vexname.index(file)] max[file] = text['weight'] json.dump(text, dump_f, ensure_ascii=false,indent=4) print('数据写入完毕...') if __name__ == '__main__': run()
# 导入必要的包 import json import os import sys import time import math import gc import elasticsearch import numpy as np import paddle.fluid as fluid dir_path = os.path.dirname(os.path.realpath(__file__)) # 用训练好的模型进行预测并输出预测结果 # 创建执行器 place = fluid.cpuplace() exe = fluid.executor(place) exe.run(fluid.default_startup_program()) save_path = os.path.join(dir_path, 'infer_model/') # 从模型中获取预测程序、输入数据名称列表、分类器 [infer_program, feeded_var_names, target_var] = fluid.io.load_inference_model(dirname=save_path, executor=exe) # 主机 host = "py7hon.com:9200" # 建立 elasticsearch 连接 try: es = elasticsearch.elasticsearch(hosts=host) except exception as e: print(e) exit() # 获取数据 def get_data(sentence): # 读取数据字典 with open(os.path.join(dir_path, 'dict_txt.txt'), 'r', encoding='utf-8') as f_data: dict_txt = eval(f_data.readlines()[0]) dict_txt = dict(dict_txt) # 把字符串数据转换成列表数据 keys = dict_txt.keys() data = [] for s in sentence: # 判断是否存在未知字符 if not s in keys: s = '<unk>' data.append((np.int64)(dict_txt[s])) return data def batch_reader(json_list,json_path): datas = [] gc.collect() json_files = [] falsefiles = [] datas.clear() falsefiles.clear() json_files.clear() start = time.perf_counter() i=0 scale = 100 for file in json_list: if i % 100 == 0: a = '=' * int(i / len(json_list) * 100) b = ' ' * (scale - int(i / len(json_list) * 100)) c = int(i / len(json_list) * 100) dur = time.perf_counter() - start sys.stdout.write("\r{:^3.0f}%[{}=>{}]{:.2f}s".format(c, a, b, dur)) sys.stdout.flush() i+=1 with open(os.path.join(json_path, file), "r", encoding='utf-8') as f: try: text = json.load(f) except: falsefiles.append(file) continue json_files.append(os.path.join(json_path, file)) json_text = text['content'] data = get_data(json_text) datas.append(data) for file in falsefiles: os.remove(os.path.join(dir_path, file)) file_count = len(json_list) - len(falsefiles) a = '=' * 100 b = ' ' * 0 c = 100 dur = time.perf_counter() - start sys.stdout.write("\r{:^3.0f}%[{}=>{}]{:.2f}s".format(c, a, b, dur)) sys.stdout.flush() print('\n文本数据获取完毕,共计{0}条文本数据,有效数据{2}条,无效数据{1}条(已删除)!'.format(len(json_list),len(falsefiles),file_count)) print('ai正在加载分类模型...') # 获取每句话的单词数量 base_shape = [[len(c) for c in datas]] # 生成预测数据 tensor_words = fluid.create_lod_tensor(datas, base_shape, place) # 执行预测 result = exe.run(program=infer_program, feed={feeded_var_names[0]: tensor_words}, fetch_list=target_var) print('模型加载完毕!') # 分类名称 names = ['文化', '娱乐', '体育', '财经', '房产', '汽车', '教育', '科技', '国际', '证券'] count = np.zeros(10) print('ai正在对文本数据进行分类并上传至es:') # 获取结果概率最大的label start = time.perf_counter() for i in range(file_count): if i % 100 == 0: a = '=' * int(i / file_count * 100) b = ' ' * (scale - int(i / file_count * 100)) c = int(i / file_count * 100) dur = time.perf_counter() - start sys.stdout.write("\r{:^3.0f}%[{}=>{}]{:.2f}s".format(c, a, b, dur)) sys.stdout.flush() lab = np.argsort(result)[0][i][-1] # print('预测结果标签为:%d, 名称为:%s, 概率为:%f' % (lab, names[lab], result[0][i][lab])) count[lab] += 1 with open(json_files[i], 'r', encoding='utf-8') as load_f: try: text = json.load(load_f) except: continue text['content_type'] = names[lab] id = json_files[i].split('\\')[-1].split('.')[0] #try: del text['link'] response = es.index(index='page', doc_type='_doc', id=id, body=text) #except exception: # print("\n" + "数据 " + id + " 插入失败,错误信息:" + response) # with open(os.path.join(json_path,json_files[i].split('\\')[-1]),'w') as dump_f: # json.dump(text,dump_f) a = '=' * 100 b = ' ' * 0 c = 100 dur = time.perf_counter() - start sys.stdout.write("\r{:^3.0f}%[{}=>{}]{:.2f}s".format(c, a, b, dur)) sys.stdout.flush() print("\n" + "%d条文本数据分类结束!已全部上传至es" % (file_count)) def run(): # 获取图片数据 print('ai正在获取文本数据...') json_path = os.path.realpath(__file__) + '/../../../rawdata' json_list = os.listdir(json_path) batch_size=500 if len(json_list)>batch_size: json_batch=0 print('当前文本数量为{0}条,正在分批处理...'.format(len(json_list))) for batch_id in range(math.ceil(len(json_list)/batch_size)): a=(batch_size if batch_size<(len(json_list)-json_batch) else len(json_list)-json_batch) print('正在处理第{0}批,数量为{1}...'.format(batch_id+1,a)) batch_reader(json_list[json_batch:json_batch+a],json_path) json_batch += a else: batch_reader(json_list,json_path) if __name__ == '__main__': run()
4.系统展示
以上就是基于python实现的通用小规模搜索引擎的详细内容,更多关于python小规模搜索引擎的资料请关注代码网其它相关文章!
发表评论