Clever Geek Handbook

Como pesquisar arquivos em 104 linhas de código em python

Continuando com o tema de roteiros curtos e úteis, gostaria de dar a conhecer aos leitores a possibilidade de construir uma busca pelo conteúdo de arquivos e imagens em 104 linhas. Essa certamente não será uma solução incompreensível - mas funcionará para necessidades simples. Além disso, o artigo não vai inventar nada - todos os pacotes são de código aberto.



E sim - linhas em branco no código também são contadas. Uma pequena demonstração do trabalho é dada no final do artigo.



Precisamos do python3 , baixado pelo Tesseract 5, e do modelo distiluse-base-multilíngue-cased do pacote Sentença-Transformers . Quem já entende o que vai acontecer a seguir não vai se interessar.



Nesse ínterim, tudo o que precisamos será semelhante a:



Primeiras 18 linhas 
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')




Será necessário, como você pode ver, decentemente, e tudo parece estar pronto, mas não dá para ficar sem um arquivo. Em particular, textract (não da Amazon, que é pago), de alguma forma não funciona bem com pdfs russos, pois você pode usar o pdfplumber . Além disso, dividir o texto em frases é uma tarefa difícil e, neste caso, razdel faz um excelente trabalho com a língua russa .



Aqueles que nunca ouviram falar sobre scikit-learn - eu invejo que, em suma, o algoritmo NearestNeighbors se lembre dos vetores e dê os mais próximos. Em vez de scikit-learn, você pode usar faiss ou irritar ou até mesmo elasticsearch, por exemplo .



O principal é transformar o texto de (qualquer) arquivo em um vetor, que é o que eles fazem:



próximas 36 linhas de código 
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
        )]
    }




Bem, então resta uma questão de técnica - percorrer todos os arquivos, extrair os vetores e encontrar o mais próximo da consulta pela distância do cosseno.



Código restante 
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(' : ')




Você pode executar todo o código assim: 



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


É assim com o código.



E aqui está a demonstração prometida.



Peguei duas notícias de "Lenta.ru", e coloquei uma em um arquivo gif através do notório paint, e a outra apenas em um arquivo de texto.



Arquivo First.gif




Segundo arquivo .txt
, . .



, - . , , , . . , .



, , , . . .



, - - .



, №71 , , , . 10 , . — .



E aqui está uma animação GIF de como funciona. Com a GPU, é claro, tudo funciona melhor.



Demonstração, melhor clicar na imagem






Obrigado por ler! Ainda espero que esse método seja útil para alguém.


More articles:


All Articles