Django中使用Whoosh進(jìn)行全文檢索的方法

更新時間：2019年03月31日 09:16:28 作者：周繼元的博客

這篇文章主要介紹了Django中使用Whoosh進(jìn)行全文檢索的方法，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

Whoosh 是純Python實(shí)現(xiàn)的全文搜索引擎，通過Whoosh可以很方便的給文檔加上全文索引功能。

什么是全文檢索

簡單講分為兩塊，一塊是分詞，一塊是搜索。比如下面一段話：

上次舞蹈演出直接在上海路的弄堂里

比如我們現(xiàn)在想檢索上次的演出，通常我們會直接搜索關(guān)鍵詞：上次演出，但是使用傳統(tǒng)的SQL like 查詢并不能命中上面的這段話，因?yàn)樵?上次和演出中間還有舞蹈。然而全文搜索卻將上文切成一個個Token，類似：

上次/舞蹈/演出/直接/在/上海路/的/弄堂/里

切分成Token后做反向索引(inverted indexing)，這樣我們就可以通過關(guān)鍵字很快查詢到了結(jié)果了。

解決分詞問題

分詞是個很有技術(shù)難度的活，比如上面的語句中一個難點(diǎn)就是到底是上海路還是上海呢？Python有個中文分詞庫：結(jié)巴分詞，我們可以通過結(jié)巴分詞來完成索引中分詞工作，結(jié)巴分詞提供了Whoosh的組件可以直接集成，代碼示例

遇到的問題

如果是在一些VPS上測試的時候非常慢的話可能是內(nèi)存不足，比如512MB做一個博客索引非常慢，嘗試升級到1GB后可以正常使用了。

代碼

import logging
import os
import shutil
from django.conf import settings

from whoosh.fields import Schema, ID, TEXT, NUMERIC
from whoosh.index import create_in, open_dir
from whoosh.qparser import MultifieldParser
from jieba.analyse import ChineseAnalyzer

from .models import Article

log = logging.getLogger(__name__)

index_dir = os.path.join(settings.BASE_DIR, "whoosh_index")

indexer = open_dir(index_dir)


def articles_search(keyword):

  mp = MultifieldParser(
    ['content', 'title'], schema=indexer.schema, fieldboosts={'title': 5.0})
  query = mp.parse(keyword)

  with indexer.searcher() as searcher:
    results = searcher.search(query, limit=15)

    articles = []
    for hit in results:
      log.debug(hit)
      articles.append({
        'id': hit['id'],
        'slug': hit['slug'],
      })

  return articles


def rebuild():
  if os.path.exists(index_dir):
    shutil.rmtree(index_dir)
  os.makedirs(index_dir)

  analyzer = ChineseAnalyzer()
  schema = Schema(
    id=ID(stored=True, unique=True),
    slug=TEXT(stored=True),
    title=TEXT(),
    content=TEXT(analyzer=analyzer))
  indexer = create_in(index_dir, schema)

  __index_all_articles()


def __index_all_articles():
  writer = indexer.writer()
  published_articles = Article.objects.exclude(is_draft=True)
  for article in published_articles:
    writer.add_document(
      id=str(article.id),
      slug=article.slug,
      title=article.title,
      content=article.content,
    )
  writer.commit()


def article_update_index(article):
  '''
  updating an article to indexer, adding if not.
  '''
  writer = indexer.writer()
  writer.update_document(
    id=str(article.id),
    slug=article.slug,
    title=article.title,
    content=article.content,
  )

  writer.commit()


def article_delete_index(article):
  writer = indexer.writer()
  writer.delete_by_term('id', str(article.id))

  writer.commit()

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: