pythonで104行のコードでファイルスワンプを検索する方法

短い便利なスクリプトのトピックを続けて、104行のファイルと画像のコンテンツで検索を構築する可能性を読者に知らせたいと思います。これは確かに気が遠くなるような解決策ではありませんが、単純なニーズには機能します。また、この記事は何も発明しません-すべてのパッケージはオープンソースです。



そして、はい-コード内の空白行もカウントされます。記事の最後に、作業の簡単なデモンストレーションがあります。



私たちは、必要のpython3でダウンロードし、たTesseract 5、及びdistiluse塩基多言語-ケース入りモデルから文-トランスフォーマーパッケージを次に何が起こるかをすでに理解している人は面白くないでしょう。



それまでの間、必要なものはすべて次のようになります。



最初の18行
import numpy as np
import os, sys, glob

os.environ['PATH'] += os.pathsep + os.path.join(os.getcwd(), 'Tesseract-OCR')
extensions = [
    '.xlsx', '.docx', '.pptx',
    '.pdf', '.txt', '.md', '.htm', 'html',
    '.jpg', '.jpeg', '.png', '.gif'
]

import warnings; warnings.filterwarnings('ignore')
import torch, textract, pdfplumber
from cleantext import clean
from razdel import sentenize
from sklearn.neighbors import NearestNeighbors
from sentence_transformers import SentenceTransformer
embedder = SentenceTransformer('./distillUSE')





ご覧のとおり、それはきちんと必要になり、すべての準備が整っているように見えますが、ファイルなしでは実行できません。特に、textract(有料のAmazonからではない)は、pdfplumberを使用できるため、ロシアのpdfではうまく機能しません。さらに、テキストを文に分割することは困難な作業であり、この場合、razdelはロシア語で優れた仕事をします



聞いたことがない人はscikit-学ぶ-私の羨望があることで、短い、NearestNeighborsは、アルゴリズム、それはベクトルを記憶し、最も近いものを配るに。代わりに、scikit-学ぶあなたが使用することができますfaissイライラ、あるいはelasticsearch例えば



主なことは、実際に(任意の)ファイルのテキストをベクトルに変換することです。これは、彼らが行うことです。



次の36行のコード
def processor(path, embedder):
    try:
        if path.lower().endswith('.pdf'):
            with pdfplumber.open(path) as pdf:
                if len(pdf.pages):
                    text = ' '.join([
                        page.extract_text() or '' for page in pdf.pages if page
                    ])
        elif path.lower().endswith('.md') or path.lower().endswith('.txt'):
            with open(path, 'r', encoding='UTF-8') as fd:
                text = fd.read()
        else:
            text = textract.process(path, language='rus+eng').decode('UTF-8')
        if path.lower()[-4:] in ['.jpg', 'jpeg', '.gif', '.png']:
            text = clean(
                text,
                fix_unicode=False, lang='ru', to_ascii=False, lower=False,
                no_line_breaks=True
            )
        else:
            text = clean(
                text,
                lang='ru', to_ascii=False, lower=False, no_line_breaks=True
            )
        sentences = list(map(lambda substring: substring.text, sentenize(text)))
    except Exception as exception:
        return None
    if not len(sentences):
        return None
    return {
        'filepath': [path] * len(sentences),
        'sentences': sentences,
        'vectors': [vector.astype(float).tolist() for vector in embedder.encode(
            sentences
        )]
    }





それでは、テクニックの問題が残っています。すべてのファイルを調べ、ベクトルを抽出し、余弦距離によってクエリに最も近いものを見つけることです。



残りのコード
def indexer(files, embedder):
    for file in files:
        processed = processor(file, embedder)
        if processed is not None:
            yield processed

def counter(path):
    if not os.path.exists(path):
        return None
    for file in glob.iglob(path + '/**', recursive=True):
        extension = os.path.splitext(file)[1].lower()
        if extension in extensions:
            yield file

def search(engine, text, sentences, files):
    indices = engine.kneighbors(
        embedder.encode([text])[0].astype(float).reshape(1, -1),
        return_distance=True
    )

    distance = indices[0][0][0]
    position = indices[1][0][0]

    print(
        ' "%.3f' % (1 - distance / 2),
        ': "%s",  "%s"' % (sentences[position], files[position])
    )

print('  "%s"' % sys.argv[1])
paths = list(counter(sys.argv[1]))

print(' "%s"' % sys.argv[1])
db = list(indexer(paths, embedder))

sentences, files, vectors = [], [], []
for item in db:
    sentences += item['sentences']
    files += item['filepath']
    vectors += item['vectors']

engine = NearestNeighbors(n_neighbors=1, metric='cosine').fit(
    np.array(vectors).reshape(len(vectors), -1)
)

query = input(' : ')
while query:
    search(engine, query, sentences, files)
    query = input(' : ')





次のようにすべてのコードを実行できます。



python3 app.py /path/to/your/files/


それがコードのやり方です。



そして、これが約束されたデモです。



「Lenta.ru」から2つのニュースを受け取り、1つを悪名高いペイントを介してgifファイルに入れ、もう1つをテキストファイルに入れました。



First.gifファイル




2番目の.txtファイル
, . .



, - . , , , . . , .



, , , . . .



, - - .



, №71 , , , . 10 , . — .



そして、これがどのように機能するかのgifアニメーションです。もちろん、GPUを使用すると、すべてがより明るく機能します。



デモンストレーション、画像をクリックしてください






読んでくれてありがとう!私はまだこの方法が誰かに役立つことを願っています。



All Articles