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= python main.py

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 Imagefrom elasticsearch import Elasticsearchfrom flask import Flask, request, jsonify, render_templatefrom img2vec_pytorch import Img2Vecimport ioimport osDEFAULT_INDEX = "img-test"app = Flask(__name__)es = Elasticsearch(os.environ.get("ES_SERVER") or ";)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_filedef 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 Nonedef 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)

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>

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>

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>

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：

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：

下载地址：