在云服务器ECS上用Python写一个搜索引擎

首页
python
正文

本文介绍: 本文介绍如何利用PageRank算法，使用Python在云服务器ECS上搭建一个简易版的搜索引擎。

在云服务器ECS上用Python写一个搜索引擎

一、场景介绍
二、搜索引擎的组成
- 2.1 网页的爬取及排序
- 2.2 用户使用搜索引擎进行搜索
三、操作步骤
四、常见问题
- 4.1 运行setup.py时可能的问题
- 4.2 如何使搜索引擎一直在线

一、场景介绍

一台阿里云ECS云服务器就是一台带有公网IP地址的计算机。用户可以通过远程登录使用这台计算机；同时，由于带有公网IP，用户在ECS云服务器上部署的网站、APP、小程序等，可以被其他人通过互联网访问。

本实验应用PageRank算法，使用Python，在一台ECS云服务器上搭建了一个简易版的搜索引擎。可以用单个英文词语作为搜索词，搜索相关的网页。实现的效果如下图所示。在搜索框中，输入搜索词，例如”universe”，单击搜索，搜索引擎即会按相关度从高到低，列出相关的网页。

二、搜索引擎的组成

本案例中的搜索引擎由两部分组成：网页的爬取及排序，以及用户使用搜索引擎进行搜索。

2.1 网页的爬取及排序

首先，搜索引擎需要从互联网上爬取网页。爬取到网页后，做两方面的工作：

获取网页间的超链接关系，使用PageRank算法对网页进行排序。PageRank算法的基本原理是，被引用越多的网页（即获取的超链接越多），重要性越高，类似于被引用次数越多的学术论文重要性越高的原理。对算法的说明可参考下面这本书：Google’s PageRank and Beyond: The Science of Search Engine Rankings。
编制搜索词的索引。从网页中提取词语，分析这些词语出现在哪些网页。

2.2 用户使用搜索引擎进行搜索

用户搜索某个词（例如 computer）时，搜索引擎首先从搜索词的索引中，找到这个词出现在哪些网页。然后，获取这些网页的PageRank值，按照值的大小，由高至低排序，呈现给用户。

本案例中，数据存储做了简化处理，采用了txt文档存储数据，没有使用数据库。Web页面采用Streamlit生成。

三、操作步骤

3.1 环境准备

创建用于运行搜索引擎的ECS实例。ECS实例建议配置如下：
- 实例规格：选择2vCPU 2 GiB的实例规格
- 系统盘：40 GiB
- 公网IP：选中分配公网 IPv4 地址并选择1M。
- 镜像：选择Linux系统的镜像，本实验中选取Alibaba Cloud Linux，版本为Alibaba Cloud Linux 3.2104 LTS 64位。当您选择其他Linux系统时，运行命令与本文有所不同。
实例安全组的入方向规则，放行22、80、443、8501端口（Streamlit默认使用8501端口）。

3.2 安装Anaconda

Anaconda中包含了Python、NumPy等本项目中需要的依赖项。

远程连接ECS实例。
更新操作系统。
```
sudo yum update -y
sudo yum upgrade -y
```

下载Anaconda安装包。

wget https://repo.anaconda.com/archive/Anaconda3-2023.09-0-Linux-x86_64.sh

安装Anaconda。
```
bash Anaconda3-2023.09-0-Linux-x86_64.sh
```
1. 当出现下图所示信息时，单击Enter，继续安装过程。
2. 出现下面的界面后，连续多次单击Enter。**在这里需要注意，此处安装软件是在显示它的授权协议，让用户阅读。不要一直按住Enter，而是建议一下一下地点击Enter，后续会出现****Do you accept the license terms?**的提示（紧接着一个步骤）。默认的选项是no，如果一直按住Enter，安装过程会中止。
3. 出现Do you accept the license terms? [yes|no]时，输入yes，单击Enter继续安装。
4. 出现如下提示，单击Enter继续，等待Anaconda完成安装。
5. 出现如下提示时，输入yes，单击Enter继续安装。
  
  出现如下图所示信息时，说明Anaconda已安装完成。
单击页面右上角的图标，打开一个新终端。

当出现(base)字样，表示Anaconda已启动。

说明

在实际开发过程中，通常需要通过conda安装虚拟环境，在虚拟环境中继续后续操作。本实验中略去此步骤。

3.3 安装Streamlit

Streamlit用于展示Web页面。

pip install streamlit

3.4 下载搜索引擎代码

搜索引擎能搜索到哪些网页，取决于搜索引擎通过爬虫获得了哪些网页。本实验中，以Introduction to Programming in Python网页为起始网页，爬取了总计322个网页。因此，搜索的结果限于这322个网页。用户可以通过在web_graph.py中添加新的起始网页，爬取新的网页。

下载搜索引擎代码压缩包。

wget https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/en-US/20231011/uhsy/search_engine_demo_aliyun.zip

解压缩搜索引擎代码压缩包。

yum install unzip
unzip search_engine_demo_aliyun.zip

切换到search_engine_demo_aliyun目录。
```
cd search_engine_demo_aliyun
```
search_engine_demo_aliyun目录下的文件结构如下所示：
- **search.py：**运行该程序，可以启动搜索引擎网页，供用户使用。
- pageranking：包含爬取网页、计算PageRank值、生成词的索引所需要的程序。
  - web_graph.py：爬取网页，生成网页间的关系图（graph）；
  - page_indexer.py：对使用web_graph.py爬取到的网页做编号，以方便使用PageRank算法时做矩阵运算；
  - pagerank.py：使用PageRank算法计算网页的重要性；
  - word_indexer.py：对爬取到的网页中的词进行分析，确定每一个词分别出现在了哪些网页；
  - get_html.py：获取网页的hmtl内容，web_graph.py和word_indexer.py都会调用这个程序；
  - setup.py：用于同时运行web_graph.py, page_indexer.py, pagerank.py, word_indexer.py，并存储数据。
- **data：**用于存储运行./pageranking/setup.py后生成的数据。
  - web_graph.txt: 用于存储网页间的关联关系，本质上是一个有向图。采用字典的方式存储数据，key为一个网页，value为这个网页上超链接指向的网页组成的数组；
  - page_indexer.txt: 爬取到的网页的编号。这里的网页经过了去重。采用字典的方式存储数据，key为一个网页，value为网页的编号；
  - pagerank_of_pages.txt：采用PageRank算法计算出的各个网页的PageRank值，即重要性。采用字典的方式存储数据，key为一个网页，value为这个网页的PageRank值；
  - word_index.txt：词的索引，即词会出现在哪些网页。采用字典的方式存储数据，key为一个词，value为出现了这个词的网页的数组。

3.5 运行搜索引擎

启动搜索引擎。
```
streamlit run search.py
```
当显示如下信息时，说明Streamlit已启动。
复制External URL显示的公网IP地址输入到浏览器，就可以访问并使用搜索引擎。
修改网页的爬取及排序。

本实验中，以Introduction to Programming in Python这个网页为起始网页，爬取了总计322个网页。因此，搜索的结果限于这322个网页。

您可以通过在web_graph.py中添加新的起始网页，爬取新的网页。例如，如果要增加以Algorithms这个网页为起始网页，做爬虫，让搜索引擎能搜到更多的网页。可以按如下步骤操作：
1. 切换到pageranking目录。
```
cd /root/search_engine_demo_aliyun/pageranking
```
2. 打开web_graph.py文件。
```
vim web_graph.py
```
3. 按i键进入编辑模式。
4. 在seed_urls数组中，增加https://algs4.cs.princeton.edu/home/。
5. 按Esc键，输入**:wq**，按Enter键，输入并保存文件。
执行如下命令，开始更新data文件夹中的数据。

其中，web_graph.txt、word_index.txt的生成需要较长的时间（约10分钟）。运行完毕后，搜索引擎即可覆盖更多的网页。
```
python setup.py
```

四、常见问题

4.1 运行setup.py时可能的问题

运行python setup.py做新的爬虫任务时，耗时较长，任务可能被中断。如果被中断，可以尝试重新运行。

4.2 如何使搜索引擎一直在线

在云服务器ECS上运行搜索引擎时，如果远程连接中断，search.py文件也会中止运行，导致搜索引擎无法使用。可以采用screen命令，解决这个问题。

执行ctrl+z终止search.py程序。
查看占用8501端口的进程。
```
lsof -i:8501
```
例如，占用该端口的PID位41644，输入下列命令中止该进程，释放8501端口。
```
kill -9 41644
```
执行以下命令，使用screen新建一个窗口。
```
screen -S search
```
在新生成的窗口里，运行下列命令，启动搜索引擎。
```
streamlit run search.py
```
按住ctrl+A，再按D，出现下列提示（detached from …）后，说明detach成功。

这样，即使远程连接中断、退出登录ECS实例，搜索引擎仍然将正常工作。