释放搜索潜力：基于ES(ElasticSearch)打造高效的语义搜索系统，让信息尽在掌握

• 效果展示

PaddleNLP Pipelines 是一个端到端智能文本产线框架，面向 NLP 全场景为用户提供低门槛构建强大产品级系统的能力。本项目将通过一种简单高效的方式搭建一套语义检索系统，使用自然语言文本通过语义进行智能文档查询，而不是关键字匹配。

基于ES(ElasticSearch)打造高效的语义搜索系统效果展示链接

https://live.csdn.net/v/339023

• 点击链接进行跳转：

释放搜索潜力：基于ES(ElasticSearch)打造高效的语义搜索系统，让信息尽在掌握[1.安装部署篇---完整版]，支持Linux/Windows部署安装

https://blog.csdn.net/sinat\_39620217/article/details/134079832

释放搜索潜力：基于ES(ElasticSearch)打造高效的语义搜索系统，让信息尽在掌握[2.项目讲解篇],支持Linux/Windows部署安装

https://blog.csdn.net/sinat\_39620217/article/details/134081463

conda activate temp_es e: cd /temp_ES/PaddleNLP-develop/pipelines

腾讯镜像：-i https://mirrors.cloud.tencent.com/pypi/simple

pip list版本：

paddle-pipelines 0.6.0 paddlenlp 2.6.0 paddlepaddle 2.5.1 streamlit 1.11.1

pip install streamlit==1.11.1 -i https://mirrors.cloud.tencent.com/pypi/simple pip install altair==4.2.2 -i https://mirrors.cloud.tencent.com/pypi/simple

A1.1运行环境安装

        
          
git clone https://github.com/tvst/htbuilder.git  
cd htbuilder/  
python setup.py  install  

      

A1.2 paddlenlp安装（包含了paddlenlp）

        
          
pip install paddlenlp==2.6.0 -i https://mirrors.cloud.tencent.com/pypi/simple   
  
#pip install --upgrade paddle-pipelines -i https://pypi.tuna.tsinghua.edu.cn/simple  
  
  
#或者源码进行安装最新版本  
cd ${HOME}/PaddleNLP/pipelines/  
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple  
python setup.py install  

      

A1.3下载pipelines源代码：github下载 or 手动下载

        
          
git clone https://github.com/PaddlePaddle/PaddleNLP.git  
cd PaddleNLP/pipelines  

      

A1.4 运行案例查看效果

          
* 我们建议在 GPU 环境下运行本示例，运行速度较快
```python examples/semantic-search/semantic_search_example.py --device gpu```

* 如果只有 CPU 机器，安装CPU版本的Paddle后，可以通过 --device 参数指定 cpu 即可, 运行耗时较长
```python examples/semantic-search/semantic_search_example.py --device cpu```
      

模型相关修改见3.3

A2.1 版本安装 ES版本提前官网下载好即可，放在对应路径，进入虚拟环境

官网：https://www.elastic.co/cn/downloads/elasticsearch

https://blog.csdn.net/sinat\_39620217/article/details/133984629

A2.2可视化工具Kibana

elasticsearch可视化工具Kibana：为了更好的对数据进行管理，可以使用Kibana可视化工具进行管理和分析，下载链接为Kibana，下载完后解压，直接双击运行 bin\kibana.bat即可。

链接：http://localhost:5601/app/home

A2.3 ES修改：config

• 需要编辑config/elasticsearch.yml，在末尾添加：elasticsearch.yml 把xpack.security.enabled 设置成false，

xpack.security.enabled: false

然后直接双击bin(右击管理员)目录下的elasticsearch.bat即可启动(elasticsearch-8.3.3\bin\elasticsearch.bat)。

• Elastic search 日志显示错误 exception during geoip databases update

              
                
ingest.geoip.downloader.enabled: false  

            

        
          
#查看es是否成功启动  
curl http://localhost:9200/_aliases?pretty=true  

      

A2.4文档数据写入ann索引库(重点)

官网直接给这条语句，但会报错的，需要修改一下参数。

        
          
python utils/offline_ann.py --index_name dureader_robust_query_encoder  

      

• 可行命令：

        
          
python utils/offline_ann.py --index_name dureader_robust_query_encoder --doc_dir data/dureader_dev --search_engine elastic --embed_title True --delete_index --device cpu --query_embedding_model rocketqa-zh-nano-query-encoder --passage_embedding_model rocketqa-zh-nano-para-encoder --embedding_dim 312  

      

• 关注三个参数

• query_embedding_model rocketqa-zh-nano-query-encoder
• passage_embedding_model rocketqa-zh-nano-para-encoder
• embedding_dim 312 这里都使用nano版本模型，向量维度312

(尝试过可以换成base模型，768维度，需要注意的是：启动 RestAPI 模型服务的时候，这三个参数一定要跟这里一致，否则报错，或者检索无效)

• 查看es中是否已经是有数据:

        
          
curl http://localhost:9200/dureader_robust_query_encoder/_search  

      

• 如果需要重新写入数据，则需要先删除索引:

        
          
curl -XDELETE http://localhost:9200/dureader_robust_query_encoder  

      

• 基于Kibana查看

这里要用要用anaconda powershell，不能用Anaconda prompt ！！！

这里要用anaconda powershell ！！！

这里要用anaconda powershell ！！！

        
          
#指定语义检索系统的Yaml配置文件,Linux/macos  
export PIPELINE_YAML_PATH=rest_api/pipeline/semantic_search.yaml  
#指定语义检索系统的Yaml配置文件,Windows powershell  
$env:PIPELINE_YAML_PATH='rest_api/pipeline/semantic_search.yaml'  
# 使用端口号 8891 启动模型服务  
python rest_api/application.py 8891  

      

        
          
#主要关注这三个参数:  
#embedding_dim: 312  
#query_embedding_model: rocketqa-zh-nano-query-encoder  
#passage_embedding_model: rocketqa-zh-nano-para-encoder  
#后面Ranker的model_name_or_path不用跟这里一致  

      

成功显示：端口链接显示

streamlit安装

        
          
pip install streamlit==1.11.1 -i https://mirrors.cloud.tencent.com/pypi/simple  

      

        
          
  
#anaconda powershell  
#配置模型服务地址  
$env:API_ENDPOINT='http://127.0.0.1:8891'  
#在指定端口 8502 启动 WebUI  
python -m streamlit run ui/webapp_semantic_search.py --server.port 8502  

      

• 本地打开这个网页可以使用语义检索系统了：http://127.0.0.1:8502

http://localhost:8502/

数据更新的方法有两种，第一种使用前面的 utils/offline_ann.py进行数据更新，另一种是使用前端界面的文件上传进行数据更新，支持txt，pdf，image，word的格式，以txt格式的文件为例，每段文本需要使用空行隔开，程序会根据空行进行分段建立索引，示例数据如下(demo.txt)：

        
          
兴证策略认为，最恐慌的时候已经过去，未来一个月市场迎来阶段性修复窗口。  
  
从海外市场表现看，  
对俄乌冲突的恐慌情绪已显著释放，  
海外权益市场也从单边下跌转入双向波动。  
  
长期，继续聚焦科技创新的五大方向。1)新能源(新能源汽车、光伏、风电、特高压等)，2)新一代信息通信技术(人工智能、大数据、云计算、5G等)，3)高端制造(智能数控机床、机器人、先进轨交装备等)，4)生物医药(创新药、CXO、医疗器械和诊断设备等)，5)军工(导弹设备、军工电子元器件、空间站、航天飞机等)。  

      

B.1 GPU版本

提示：Centos系统下坑比较多，需要使用paddle 2.4.2 Ubuntu推荐使用2.5.1 or develop。

1.1安装依赖

        
          
conda create -n paddlenlp_gpu  python=3.8  
conda activate paddlenlp_gpu  
python -m pip install --upgrade pip  

      

PaddleGPU、CUDA cudnn安装见 ：https://blog.csdn.net/sinat\_39620217/article/details/131675175

当前版本：cuda11.2、paddle-develop版本（2.5.1存在bug解决方案见上述链接，可以使用2.5.2版本）

ImportError: libssl.so.1.1: cannot open shared object file: No such file or directory等问题

• 版本查看：

        
          
pip install paddlepaddle-gpu==  
  
(from versions: 1.8.5.post97, 1.8.5.post107, 2.0.0rc0, 2.0.0rc1, 2.0.0, 2.0.1, 2.0.2, 2.1.0, 2.1.1, 2.1.2, 2.1.3, 2.2.0rc0, 2.2.0, 2.2.1, 2.2.2, 2.3.0rc0, 2.3.0, 2.3.1, 2.3.2, 2.4.0rc0, 2.4.0, 2.4.1, 2.4.2, 2.5.0rc0, 2.5.0rc1, 2.5.0, 2.5.1, 2.5.2)  
  
pip install paddlenlp==  
  
 (from versions: 2.0.0a0, 2.0.0a1, 2.0.0a2, 2.0.0a3, 2.0.0a4, 2.0.0a5, 2.0.0a6, 2.0.0a7, 2.0.0a8, 2.0.0a9, 2.0.0b0, 2.0.0b1, 2.0.0b2, 2.0.0b3, 2.0.0b4, 2.0.0rc0, 2.0.0rc1, 2.0.0rc2, 2.0.0rc3, 2.0.0rc4, 2.0.0rc5, 2.0.0rc6, 2.0.0rc7, 2.0.0rc8, 2.0.0rc9, 2.0.0rc10, 2.0.0rc11, 2.0.0rc12, 2.0.0rc13, 2.0.0rc14, 2.0.0rc15, 2.0.0rc16, 2.0.0rc17, 2.0.0rc18, 2.0.0rc19, 2.0.0rc20, 2.0.0rc21, 2.0.0rc22, 2.0.0rc23, 2.0.0rc24, 2.0.0rc25, 2.0.0, 2.0.1, 2.0.2, 2.0.3, 2.0.4, 2.0.5, 2.0.6, 2.0.7, 2.0.8, 2.1.0, 2.1.1, 2.2.0, 2.2.1, 2.2.2, 2.2.3, 2.2.4, 2.2.5, 2.2.6, 2.3.0rc0, 2.3.0rc1, 2.3.0, 2.3.1, 2.3.2, 2.3.3, 2.3.4, 2.3.5, 2.3.7, 2.4.0, 2.4.1.dev0, 2.4.1, 2.4.2, 2.4.3, 2.4.4, 2.4.5, 2.4.6, 2.4.7, 2.4.8, 2.4.9, 2.5.0, 2.5.1, 2.5.2, 2.6.0rc0, 2.6.0, 2.6.1)  

      

        
          
python -m pip install paddlepaddle-gpu==0.0.0.post112 -f https://www.paddlepaddle.org.cn/whl/linux/gpu/develop.html  
  
python -m pip install paddlepaddle-gpu==2.5.2 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html  
  
pip install --upgrade paddlenlp -i https://mirrors.cloud.tencent.com/pypi/simple  
#看报错修改指令pip install --use-pep517 --upgrade paddlenlp -i https://mirrors.cloud.tencent.com/pypi/simple --trusted-host mirrors.aliyun.com  
  
pip install --upgrade paddle-pipelines -i https://pypi.tuna.tsinghua.edu.cn/simple  

      

        
          
pip install onnxruntime-gpu onnx onnxconverter-common -i https://mirrors.cloud.tencent.com/pypi/simple  

      

1.2 测试效果

        
          
conda activate paddlenlp_2.6.0  
cd /algorithm/temp_es/PaddleNLP-develop/pipelines  
cd /algorithm/temp_es/elasticsearch-8.3.3  
#到pipelines路径下  
  
python examples/semantic-search/semantic_search_example.py --device gpu --search_engine faiss  
  
python examples/semantic-search/semantic_search_example.py --device gpu --query_embedding_model rocketqa-zh-nano-query-encoder --params_path checkpoints/model_40/model_state.pdparams --embedding_dim 256  

      

1.3 执行ES

创建新用户使用：创建一个新的用户，例如"elasticsearch":

        
          
sudo useradd elasticsearch1  
#将Elasticsearch的安装目录的所有权更改为"elasticsearch":  
  
sudo chown -R elasticsearch1:elasticsearch1 /algorithm/temp_es/elasticsearch-8.3.3  
#切换到"elasticsearch"用户，并尝试再次运行Elasticsearch：  
  
su elasticsearch1  
./bin/elasticsearch  
  
  
#常驻待确定  
查看es启动了几个  
ps aux | grep elasticsearch  
ps -ef | grep elasticsearch  
  
#Elasticsearch在启动过程中遇到了问题。具体来说，它无法获取节点锁，可能是由于数据路径不可写或者多个节点试图使用同一个数据路径。  
#尝试清理数据路径/algorithm/temp_es/elasticsearch-8.3.3/data，删除其中的节点锁和其他临时文件  
rm -rf /algorithm/temp_es/elasticsearch-8.3.3/data/*  
  

      

1.4 构建ANN 索引库

        
          
# 以DuReader-Robust 数据集为例建立 ANN 索引库  
python utils/offline_ann.py --index_name dureader_robust_neural_search --doc_dir data/dureader_dev --query_embedding_model rocketqa-zh-nano-query-encoder --passage_embedding_model rocketqa-zh-nano-para-encoder --embedding_dim 312 --delete_index  
  
#查看数据，打印几条数据  
curl http://localhost:9200/dureader_robust_neural_search/_search  
  
#删除索引也可以使用下面的命令：  
curl -XDELETE http://localhost:9200/dureader_robust_query_encoder  

      

1.5 启动 RestAPI 模型服务

        
          
#指定语义检索系统的Yaml配置文件  
export PIPELINE_YAML_PATH=rest_api/pipeline/semantic_search_custom.yaml  
#使用端口号 8891 启动模型服务  
python rest_api/application.py 8891  

      

nltk_data加载，如果感觉很慢卡住了，可以见问题C.20

• Linux 用户推荐采用 Shell 脚本来启动服务：sh examples/semantic-search/run_neural_search_server.sh
• 启动后可以使用curl命令验证是否成功运行：

  
curl -X POST -k http://localhost:8891/query -H 'Content-Type: application/json' -d '{"query": "衡量酒水的价格的因素有哪些?","params": {"Retriever": {"top_k": 5}, "Ranker":{"top_k": 5}}}'  

1.6 启动web页面

        
          
pip install streamlit==1.11.1  
pip install altair==4.2.2 -i https://mirrors.cloud.tencent.com/pypi/simple  
#配置模型服务地址  
export API_ENDPOINT=http://127.0.0.1:8891  
  
#在指定端口 8502 启动 WebUI  
python -m streamlit run ui/webapp_semantic_search.py --server.port 8502  
#需要运维开阿里云网管以及端口授权  

      

• Linux 用户推荐采用 Shell 脚本来启动服务：

  
sh examples/semantic-search/run_search_web.sh  

到这里就可以打开浏览器访问 http://127.0.0.1:8502

关闭进程：

        
          
control+c  
  
lsof -i:8502  
kill -9 PID  

      

B.2 CPU版本

2.1安装依赖库

安装同GPU选择paddle-2.5.1版本，提示：Centos系统下坑比较多需要使用paddle 2.4.2；Ubuntu推荐使用2.5.1 or develop。

        
          
conda activate paddlenlpcpu_2.6.0  
cd /algorithm/temp_es/PaddleNLP-develop/pipelines  
cd /algorithm/temp_es/elasticsearch-8.3.3  
  
python -m pip install paddlepaddle==2.5.0 -i https://pypi.tuna.tsinghua.edu.cn/simple  
  
pip install --upgrade paddlenlp -i https://mirrors.cloud.tencent.com/pypi/simple  
#paddle2.4.2 对应NLP 2.5.2版本  
  
pip install --upgrade paddle-pipelines -i https://pypi.tuna.tsinghua.edu.cn/simple  
  

      

• demo测试

        
          
python examples/semantic-search/semantic_search_example.py  --device cpu --embedding_dim 256  
  
python examples/semantic-search/semantic_search_example.py --device cpu --query_embedding_model rocketqa-zh-nano-query-encoder --passage_embedding_model rocketqa-zh-nano-para-encoder --params_path checkpoints/model_40/model_state.pdparams --embedding_dim 312  

      

2.3 执行ES

创建新用户使用：创建一个新的用户，例如"esuser":

        
          
sudo useradd esuser  
#将Elasticsearch的安装目录的所有权更改为"esuser":  
  
sudo chown -R esuser:esuser /algorithm/temp_es/elasticsearch-8.3.3  
#切换到"esuser"用户，并尝试再次运行Elasticsearch：  
  
su esuser    
./bin/elasticsearch  
  

      

2.4 构建索引

        
          
python utils/offline_ann.py --index_name dureader_robust_neural_search --doc_dir data/dureader_dev --embedding_dim 256 --device cpu --delete_index  
  
#查看数据，打印几条数据  
curl http://localhost:9200/dureader_robust_neural_search/_search  
  
#删除索引也可以使用下面的命令：  
curl -XDELETE http://localhost:9200/dureader_robust_query_encoder  

      

lsof -i:8502

kill -9 PID

python -m streamlit run ui/webapp_semantic_search.py --server.port 8502 --server.address 127.0.0.1

目前共记录21个在Windows和LInux下遇到的相关问题

点击链接进行跳转：

释放搜索潜力：基于ES(ElasticSearch)打造高效的语义搜索系统，让信息尽在掌握[1.安装部署篇---完整版]，支持Linux/Windows部署安装

https://blog.csdn.net/sinat\_39620217/article/details/134079832

释放搜索潜力：基于ES(ElasticSearch)打造高效的语义搜索系统，让信息尽在掌握[2.项目讲解篇],支持Linux/Windows部署安装

https://blog.csdn.net/sinat\_39620217/article/details/134081463

更多优质内容请关注公号：汀丶人工智能；会提供一些相关的资源和优质文章，免费获取阅读。