当前位置: 首页 > news >正文

廊坊网站建设-纵横网络 网站文创产品设计公司

廊坊网站建设-纵横网络 网站,文创产品设计公司,营销型网站建设怎么收费,电商首页设计规范把一篇pdf论文解析后,放入es数据库中,建立倒排索引表,并实现简单搜索。 1、pdf论文解析(英文) 安装pdf解析包 pip install pdfminer.sixdef extract_text_from_pdf(filename, page_numbersNone, min_line_length1):从pdf文件中提取文字:pa…

把一篇pdf论文解析后,放入es数据库中,建立倒排索引表,并实现简单搜索。

1、pdf论文解析(英文)

安装pdf解析包

pip install pdfminer.six
def extract_text_from_pdf(filename, page_numbers=None, min_line_length=1):'''从pdf文件中提取文字:param filename: pdf文件:param page_numbers: 指定页码,list:param min_line_length: 文本最小分隔长度:return:'''paragraphs = []buffer = ''full_text = ''# 提取全部文本for i, page_layout in enumerate(extract_pages(filename)):if page_numbers is not None and i not in page_numbers:continuefor element in page_layout:if isinstance(element, LTTextContainer):full_text += element.get_text() + '\n'# 按空行分隔,将文本重新组织成段落lines = full_text.split('\n')for text in lines:if len(text) >= min_line_length:buffer += (' ' + text) if not text.endswith('-') else text.strip('-')elif buffer:paragraphs.append(buffer)buffer = ''if buffer:paragraphs.append(buffer)return paragraphs

2、关键字提取

nltk安装见nltk安装与使用

import re
from nltk.stem import PorterStemmer
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwordsdef keywords(text):'''提取文本关键字(简化版):param text: 一段字符串:return:'''# 提取所有字母数字,并替换所有非字母数字的字符为空格no_symbols = re.sub(r'[^a-zA-Z0-9\s]', ' ', text)# 分词word_tokens = word_tokenize(no_symbols)# 去停用词stop_words = set(stopwords.words('english'))filtered_words = [w for w in word_tokens if not w.lower() in stop_words]# 取词根ps = PorterStemmer()key_words = [ps.stem(w) for w in filtered_words]return ' '.join(key_words)

3、创建Elasticsearch连接,注意添加证书

Elasticsearch安装见elasticsearch安装与使用(1)-使用docker安装Elasticsearch

from elasticsearch import Elasticsearch, helpers
# 创建Elasticsearch连接
es = Elasticsearch(hosts=['https://localhost:9200'],  # 服务地址与端口basic_auth=("elastic", "N-sf6R*O0Ur344otTfzc"),  # 用户名,密码ca_certs="/Users/sunwenjun/data/elastic8/http_ca.crt"  # 证书
)

4、建立倒排索引库

def add_data_to_es(index_name="test_index", text_list=["text1","text2"]):'''建立索引,并往索引里添加数据:param index_name: 定义索引名称param paragraphs: 需要检索的文本列表  :return:'''# 如果索引已存在,删除它if es.indices.exists(index=index_name):es.indices.delete(index=index_name)# 创建索引es.indices.create(index=index_name)# 灌库指令actions = []for text in text_list:action = {"_index": index_name,"_source": {"keywords": keywords(text),"text": text}}actions.append(action)# 文本灌库res = helpers.bulk(es, actions)return res# 往es里添加数据
index_name = "index_test"
add_data_to_es(index_name, paragraphs)

索引库可视化见elasticsearch安装与使用(3)-索引库可视化

5、实现搜索

def search(index_name, query, top_n=3):'''查询:param index_name::param query::param top_n::return:'''search_query = {"match":{"keywords": keywords(query)}}search_res = es.search(index=index_name, query=search_query, size=top_n)results = [hit["_source"]["text"] for hit in search_res["hits"]["hits"]]return resultsquery = "retrieval "
results = search(index_name, query, 5)
for res in results:print(res)

5、完整代码

esdemo-01

参考

无需重新学习,使用 Kibana 查询/可视化 SLS 数据

http://www.yayakq.cn/news/352092/

相关文章:

  • 优化seo网站百度网盘下载慢怎么解决
  • 网站数据库头条短链接生成短网址生成
  • 凡科网怎么建网站西宁网站建设报价cu君博規范
  • 关于1-6月网站建设工作通报河南搜索引擎优化
  • 东莞建设网站培训域名买了怎么做网站
  • 天柱建设局网站网站网络优化服务
  • 做推广必须知道的网站吗站酷网素材图库
  • php开发手机端网站开发济宁网站建设推荐
  • 郑州网站开发与建设上海发布首页
  • 用linux做网站网站建设与管理名词解释
  • 企业网站成品源码北京seo排名技术
  • 做网站的公司赚钱吗网页设计常见的布局形式
  • 如何做好网站优化网站风格趋势
  • 网站多大需要服务器涂料厂做网站有用吗
  • 地税网站如何做税种确认优秀网站案列
  • 数字营销的优势有哪些英文谷歌seo
  • 郑州网站高端设计商业网站建设案例教程
  • 电子商务网站建设与管理理解商城小程序价格
  • 网站怎么添加百度地图成年人正能量入口
  • 一元云购网站建设教程大型公司办公室设计
  • 网站后台重置密码怎么做网站内的新闻怎样做链接
  • 洛阳市住房和城乡建设网站郑州男科哪家比较正规医院
  • 音乐网站设计素材肇庆软件建网站公司
  • 外贸网站建设需求做算命网站赚钱吗
  • 企业网站开发与管理网站报备查询
  • 虚拟主机网站网站首页快照更新快
  • 深圳宝安网站制作公司网站如何提高流量
  • 关键词网站排名查询小企业网站建设价格
  • 哪些网站怎么进网站设计风格有哪些
  • 浙江手机版建站系统哪个好网站搭建原理