SearXNG Tool 节点#
什么是 SearXNG Tool 节点?#
SearXNG Tool 节点允许您将 SearXNG 的搜索功能集成到 n8n 工作流中。SearXNG 是一个开源的元搜索引擎,可聚合来自多个来源的结果,同时保护用户隐私。
核心功能#
- 执行匿名网络搜索
- 过滤搜索结果(时间范围/语言/类别)
- 获取结构化 JSON 格式结果
- 支持自定义 SearXNG 实例
安装与配置#
前置条件#
- 运行中的 SearXNG 实例(自托管或公共实例)
- n8n v1.18+ 版本
1 2 |
|
节点配置参数#
参数 | 描述 | 必填 |
---|---|---|
API Endpoint |
SearXNG 实例 URL | 是 |
Query |
搜索关键词 | 是 |
Language |
结果语言代码 (en/de/zh...) | 否 |
SafeSearch |
安全搜索过滤 | 否 |
使用方法示例#
1 2 3 4 5 6 |
|
输出数据结构#
1 2 3 4 5 6 7 8 9 10 |
|
常见用例#
- 市场研究:定期抓取竞品信息
- 内容聚合:自动收集行业新闻
- SEO监控:追踪关键词排名变化
- 学术研究:文献资料自动检索
提示:结合 HTML Extract 节点 可进一步处理搜索结果
故障排除#
403 Forbidden
:检查 SearXNG 实例是否允许 API 访问Empty results
:尝试调整搜索参数或更换实例- 性能优化:设置
limit
参数控制返回结果数量
访问官方论坛 获取更多帮助
SearXNG 工具节点#
SearXNG 工具节点允许您通过 SearXNG 将搜索功能集成到工作流中。SearXNG 可聚合来自多个搜索引擎的结果,且不会追踪您的活动。
本页将介绍 SearXNG 工具节点的配置选项,并提供更多资源链接。
凭据
您可在此处查看该节点的认证信息。
/// 注意 | 子节点中的参数解析 子节点在使用表达式处理多个项目时的行为与其他节点不同。
大多数节点(包括根节点)会接收任意数量的输入项,处理这些项目,然后输出结果。您可以使用表达式来引用输入项,节点会依次为每个项目解析表达式。例如,给定五个 name
值作为输入,表达式 {{ $json.name }}
会依次解析为每个名称。
而在子节点中,表达式总是解析为第一个项目。例如,给定五个 name
值作为输入,表达式 {{ $json.name }}
总是解析为第一个名称。
///
节点选项#
- 结果数量:要检索的结果数量。默认为 10。
- 页码:要检索的搜索结果页码。默认为 1。
- 语言:用于按语言筛选搜索结果的两位语言代码。例如:
en
表示英语,fr
表示法语。默认为en
。 - 安全搜索:启用或禁用搜索结果中的露骨内容过滤。可选值:无(None)、中等(Moderate)或严格(Strict)。默认为无。
运行 SearXNG 实例#
此节点要求 SearXNG 服务与您的 n8n 实例运行在同一网络。请确保 n8n 实例具有访问 SearXNG 服务的网络权限。
该节点需要 JSON 格式的结果,但默认 SearXNG 配置未启用此功能。要启用 JSON 输出,请在 SearXNG 实例的 settings.yml
文件中,将 json
添加到 search.formats
部分:
1 2 3 4 5 |
|
若不存在 formats
部分,请手动添加。settings.yml
文件的具体位置取决于您的 SearXNG 安装方式。更多信息请参阅 SearXNG 配置文档。
搜索结果的质量和可用性取决于您使用的 SearXNG 实例的配置与运行状态。
模板与示例#
相关资源#
关于该服务的更多信息,请参考 SearXNG 官方文档。您也可以查看 LangChain 对其 SearXNG 集成的说明文档。
查看 n8n 的高级 AI 文档。
AI glossary#
- completion: Completions are the responses generated by a model like GPT.
- hallucinations: Hallucination in AI is when an LLM (large language model) mistakenly perceives patterns or objects that don't exist.
- vector database: A vector database stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.
- vector store: A vector store, or vector database, stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.