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"安装 Python 依赖项:
pip install -r requirements.txt启动服务器:
ES_SERVER=http://localhost:9200 python main.py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)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
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
页面主体部分 ，我们将内容包裹在一个名为 "container" 的 搜索结果部分 ，我们使用一个 代码如下 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 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。
Easycsearch Search Service
最终结果如图所示
搜索前
搜索后
总结
关于 Easysearch
