环境准备
启动 Easysearch 服务:
# Make sure your vm.max_map_count meets the requirement
sudo sysctl -w vm.max_map_count=262144
docker run -it --rm -p 9200:9200 \
-e "discovery.type=single-node" \
-e ES_JAVA_OPTS="-Xms512m -Xmx512m" \
infinilabs/easysearch:1.3.0-24 \
-E "security.enabled=false"
复制代码
安装 Python 依赖项:
pip install -r requirements.txt
复制代码
启动服务器:
ES_SERVER=http://localhost:9200 python main.py
复制代码
后端功能实现
我们实现的主要功能是接收用户上传的图片,然后将图片进行处理和向量化,利用 Easysearch 进行图像搜索,并将搜索结果渲染到模板页面上展示给用户。用户可以通过访问 /req
路由来上传图片,然后提交表单进行搜索。搜索结果将在模板页面 search.html 中展示。
本次服务,我们主要使用的是 Flask 和 Easysearch 这两个工具是 Flask 是一个流行的 Python Web 框架,它提供了简单而灵活的方式来构建 Web 应用程序。而 Easysearch 是一个分布式的搜索引擎,它具有强大的全文搜索和分析功能,并支持使用 kNN 检索 API 来进行向量查询。结合这两个工具,我们可以构建一个功能完善的图像搜索服务。
首先,我们使用 Flask 框架创建一个应用程序实例,并定义几个路由和视图函数。其中,/req
路由用于展示一个包含表单的页面,用户可以在该页面上上传图像。/search
路由用于处理图像搜索请求,并返回搜索结果。
在 /search
路由中,我们首先连接到 Easysearch 搜索引擎,然后获取用户上传的图像文件。接下来,我们对图像进行处理和向量化,以便能够在向量空间中进行相似度匹配。然后,我们构建一个查询体,使用 Easysearch 的查询语法来描述我们的搜索需求。通过调用 Easysearch 的 search 方法,我们可以执行搜索操作,并获取搜索结果。
在获取到搜索结果后,我们从中提取需要的字段,并将结果传递给模板进行渲染。我们使用 Flask 提供的 render_template 函数,将搜索结果传递给一个名为 search.html 的 HTML 模板。该模板可以根据搜索结果动态生成页面内容,并将结果展示给用户。
通过这个简单而高效的图像搜索服务,用户可以方便地上传图像,系统将快速地在图像库中进行搜索,并返回与上传图像相似的结果。
from PIL import Image
from elasticsearch import Elasticsearch
from flask import Flask, request, jsonify, render_template
from img2vec_pytorch import Img2Vec
import io
import os
DEFAULT_INDEX = "img-test"
app = Flask(__name__)
es = Elasticsearch(os.environ.get("ES_SERVER") or "http://localhost:9200")
def rgba2rgb(image_file):
# Open the image file
img = Image.open(image_file)
# Check if the image is in RGBA mode
if img.mode == "RGBA":
# Convert the image to RGB mode
img = img.convert("RGB")
# Create a BytesIO object and save the image to it
image_io = io.BytesIO()
img.save(image_io, format="JPEG")
# Seek to the beginning of the BytesIO object
image_io.seek(0)
return image_io
return image_file
def vectorize(input):
img2vec = Img2Vec()
try:
img = Image.open(input)
vec = img2vec.get_vec(img, tensor=True)
vec_np = vec.cpu().numpy().flatten().tolist()
return vec_np
except Exception as e:
print(f"Error processing image: {e}")
return None
def init_indicies(index: str):
if es.indices.exists(index):
return
# 初始化 kNN 索引
print(f"Initializing {index}")
es.indices.create(
index,
body={
"settings": {"index.knn": True},
"mappings": {
"properties": {
"my_vec": {
"type": "knn_dense_float_vector",
"knn": {
"dims": 512,
"model": "lsh",
"similarity": "cosine",
"L": 99,
"k": 1,
},
}
}
},
},
)
img_dir = "static/img"
for title in os.listdir(img_dir):
print(f"Indexing {title}")
my_vec = vectorize(os.path.join(img_dir, title))
body = {"title": title, "my_vec": my_vec}
es.index(index=index, body=body)
@app.route("/search", methods=["POST"])
def search_service():
# 获取表单数据
index_name = request.form.get("index_name") or DEFAULT_INDEX # 索引名
# 获取上传的图片文件
image_file = request.files.get("image")
if not index_name or not image_file:
return jsonify({"error": "Both index_name and image are required."}), 400
# 处理图片
image0 = rgba2rgb(image_file)
vector_arr = vectorize(image0)
if vector_arr is None:
return jsonify({"error": "Error processing image."}), 400
query_body = {
"size": 50,
"_source": "title",
"query": {
"bool": {
"must": [
{
"knn_nearest_neighbors": {
"field": "my_vec",
"vec": {"values": vector_arr},
"model": "lsh",
"similarity": "cosine",
"candidates": 50,
}
}
]
}
},
}
if not index_name or not vector_arr:
return jsonify({"error": "Both index_name and query are required."}), 400
# 执行搜索
response = es.search(index=index_name, body=query_body)
# 使用模板显示搜索结果
results = response["hits"]["hits"]
print([r["_source"]["title"] for r in results], len(results))
return render_template("search.html", results=results)
@app.route("/", methods=["GET"])
def home():
return render_template("home.html")
if __name__ == "__main__":
init_indicies(DEFAULT_INDEX)
app.run(port=5000, debug=True)
复制代码
前端页面实现
目前需要实现的是一个即时搜索页面的前端部分。思路非常明确,实现一个简洁漂亮的页面展示功能即可。一些基础的内容就简单略过,我们下面重点描述思路以及实现。
首先,我们创建一个 HTML 文档,并指定文档类型为 HTML5。在文档头部,我们设置了页面的标题为 "Easysearch Search Service",以便清晰地表达页面的用途。
接下来,我们使用 CSS 样式定义了页面的外观和布局。在 <style>
样式中我们设置了背景图片、字体、边距和阴影效果等,以提升页面的美观性和用户体验。
<style>
#searchForm {
background-image: url("/static/background/bluewhite.jpg");
background-repeat: no-repeat;
background-size: cover;
}
body {
font-family: Arial, sans-serif;
background-color: #f9f8f8;
margin: 0;
padding: 20px;
}
.searchImage {
max-width: 600px;
max-height: 500px;
}
.container {
max-width: 100%;
margin: 0 auto;
/* background: linear-gradient(to right, #8aa0ee, #3838ee); */
background: #fff;
padding: 20px;
border-radius: 5px;
box-shadow: 0 2px 5px rgba(0, 0, 0, 0.1);
}
h1 {
text-align: center;
margin-bottom: 20px;
color: #000;
}
h2 {
margin-bottom: 10px;
}
form {
max-width: 400px;
margin: 0 auto;
background-color: #fff;
padding: 20px;
border-radius: 5px;
box-shadow: 0 2px 5px rgba(0, 0, 0, 0.1);
}
label {
display: block;
font-weight: bold;
margin-bottom: 5px;
}
input[type="text"],
input[type="file"] {
width: 100%;
padding: 8px;
margin-bottom: 10px;
border: 1px solid #ccc;
border-radius: 4px;
box-sizing: border-box;
}
input[type="submit"] {
width: 100%;
padding: 10px;
background-color: #4caf50;
color: #fff;
border: none;
border-radius: 4px;
cursor: pointer;
transition: background-color 0.3s ease;
}
input[type="submit"]:hover {
background-color: #45a049;
}
pre {
background-color: #f5f5f5;
padding: 10px;
border-radius: 5px;
white-space: pre-wrap;
}
#result {
text-align: center;
margin-top: 20px;
}
</style>
<style>
body {
font-family: Arial, sans-serif;
/* background-color: #f2f2f2; */
margin: 0;
padding: 20px;
}
.container {
max-width: 100%;
margin: 0 auto;
background-image: url("/static/background/daziran.png");
}
.waterfall-container {
display: flex;
flex-wrap: wrap;
}
.waterfall-item {
display: inline-block;
border-radius: 5px;
box-shadow: none;
margin-bottom: 20px;
text-align: center;
width: 25%; /* 每行显示 4 个搜索结果,可以根据需要进行调整 */
padding: 10px;
box-sizing: border-box;
}
.waterfall-item img {
max-width: 100%;
max-height: 250px;
border-radius: 5px;
}
.waterfall-item p {
margin-top: 10px;
font-size: 25px;
font-weight: bold;
color: black;
background-color: white;
}
</style>
复制代码
JavaScript 部分 ,我们引入了 jQuery 库和自定义的 JavaScript 文件。这些脚本将用于处理页面的交互逻辑。通过 jQuery 库,我们可以方便地处理表单的提交事件,实现异步请求和数据处理。当用户提交表单时,将发送 AJAX 请求到指定的 URL,并将索引名称和图像文件作为请求的参数。在成功返回 AJAX 响应后,我们通过解析返回的 HTML 数据,提取出图片和段落元素,并按照一定的格式进行组合。最后,将组合后的结果添加到结果容器中,以展示搜索结果。
前端 JavaScript 代码
<script src="/static/jquery-3.5.1.min.js"></script>
<script src="/static/m.js"></script>
<script>
$(document).ready(function () {
$("#searchForm").on("submit", function (event) {
event.preventDefault();
var indexName = $("#indexName").val();
// 检查索引名是否为空或未定义
if (!indexName) {
indexName = "img-test"; // 设置默认值为 "默认索引名"
}
var formData = new FormData();
formData.append("index_name", indexName);
formData.append("image", $("#image")[0].files[0]);
$.ajax({
url: "/search",
method: "POST",
processData: false, // Important!
contentType: false, // Important!
data: formData,
success: function (data) {
// Clear the previous results
$("#result").empty();
// Parse the returned HTML and extract image and paragraph elements
var parsedData = $.parseHTML(data);
// Group image and paragraph elements
var imageAndParagraphPairs = [];
var currentPair = [];
$(parsedData).each(function () {
if ($(this).is("img.searchImage")) {
if (currentPair.length === 1) {
currentPair.push(this);
imageAndParagraphPairs.push(currentPair);
currentPair = [];
} else {
currentPair.push(this);
}
} else if ($(this).is("p")) {
if (currentPair.length === 0) {
currentPair.push(this);
} else {
currentPair.push(this);
imageAndParagraphPairs.push(currentPair);
currentPair = [];
}
} else if ($(this).is("h1")) {
// Add the <h1> element back to the results
$("#resultTitle").html($(this));
}
});
// Create and append the waterfall items
$.each(imageAndParagraphPairs, function (index, pair) {
var $item = $("<div>").addClass("waterfall-item");
$.each(pair, function (i, element) {
$item.append(element);
});
$("#result").append($item);
});
},
});
});
});
</script>
复制代码
页面主体部分 ,我们将内容包裹在一个名为 "container" 的 <div>
元素中。页面包含一个标题和一个搜索表单。搜索表单包括一个文件选择框用于选择图像文件。还有一个提交按钮,当用户点击该按钮时,将触发 JavaScript 代码中的事件处理程序。
搜索结果部分 ,我们使用一个 <div>
元素来显示搜索结果的标题,并使用另一个 <div>
元素作为瀑布流容器,用于展示搜索结果的图片和相关的段落。
代码如下
<body>
<div class="container">
<h1>Easycsearch Search Service</h1>
<form id="searchForm" enctype="multipart/form-data">
<label for="image">Image:</label><br />
<input type="file" id="image" name="image" /><br />
<input type="submit" value="Search" />
</form>
<div id="resultTitle"></div>
<div id="result" class="waterfall-container"></div>
</div>
</body>
复制代码
最终结果如图所示
搜索前
搜索后
总结
通过这个简单的基于 Easysearch kNN 搜索服务网页 ,我们可以方便地上传图像文件,进行搜索操作,并以瀑布流的形式展示搜索结果。
项目 Github 地址:https://github.com/infinilabs/image-search-demo
关于 Easysearch
INFINI Easysearch 是一个分布式的近实时搜索与分析引擎,核心引擎基于开源的 Apache Lucene。Easysearch 的目标是提供一个轻量级的 Elasticsearch 可替代版本,并继续完善和支持更多的企业级功能。与 Elasticsearch 相比,Easysearch 更关注在搜索业务场景的优化和继续保持其产品的简洁与易用性。
官网文档:https://www.infinilabs.com/docs/latest/easysearch
下载地址:https://www.infinilabs.com/download
评论