Python實(shí)現(xiàn)中英文全文搜索的示例

更新時(shí)間：2020年12月04日 09:42:47 作者：州的先生

這篇文章主要介紹了Python實(shí)現(xiàn)中英文全文搜索的示例，幫助大家更好的理解和學(xué)習(xí)python，感興趣的朋友可以了解下

文章版權(quán)所有：州的先生博客

原文地址：https://zmister.com/archives/1596.html

在互聯(lián)網(wǎng)上的各類網(wǎng)站中，無(wú)論大小，基本上都會(huì)有一個(gè)搜索框，用來(lái)給用戶對(duì)內(nèi)容進(jìn)行搜索，小到站點(diǎn)搜索，大到搜索引擎搜索。

從簡(jiǎn)單的來(lái)說(shuō)，搜索功能確實(shí)很簡(jiǎn)單，一個(gè)簡(jiǎn)單的 select 語(yǔ)句就可以實(shí)現(xiàn)數(shù)據(jù)的搜索。

而從復(fù)雜的來(lái)看，無(wú)論是搜索的精度還是搜索的效率，都是有很深的研究范圍的。

對(duì)于簡(jiǎn)單的搜索功能來(lái)說(shuō)，一個(gè) select 查詢語(yǔ)句也足夠使用，但在稍微復(fù)雜一點(diǎn)的搜索環(huán)境下，比如網(wǎng)頁(yè)、文檔、新聞資訊等場(chǎng)景，單純的 select 查詢語(yǔ)句則是遠(yuǎn)遠(yuǎn)不夠。在這些場(chǎng)景下的搜索，全文搜索則是最低配置。

什么是全文搜索？百度百科如是說(shuō)：

全文數(shù)據(jù)庫(kù)是全文檢索系統(tǒng)的主要構(gòu)成部分。所謂全文數(shù)據(jù)庫(kù)是將一個(gè)完整的信息源的全部?jī)?nèi)容轉(zhuǎn)化為計(jì)算機(jī)可以識(shí)別、處理的信息單元而形成的數(shù)據(jù)集合。全文數(shù)據(jù)庫(kù)不僅存儲(chǔ)了信息，而且還有對(duì)全文數(shù)據(jù)進(jìn)行詞、字、段落等更深層次的編輯、加工的功能，而且所有全文數(shù)據(jù)庫(kù)無(wú)一不是海量信息數(shù)據(jù)庫(kù)。

是不是看得不明不白的？講一個(gè)簡(jiǎn)單的例子大概就理解了。正常情況下，我們搜索“Python 安裝教程”，如果是普通的搜索，會(huì)直接使用 select 數(shù)據(jù)庫(kù)中包含“Python 安裝教程”的內(nèi)容。但是全文搜索，會(huì)首先將搜索詞拆分成：“Python 安裝教程”、“Python”、“安裝教程”、“安裝”、“教程”等，然后用這些拆分后的詞組進(jìn)行搜索。

市面上所有的搜索引擎都使用了全文搜索：

最近“MrDoc 交流群”里讓覓道文檔添加上全文搜索的呼聲很高，遂打算在覓道文檔中把常規(guī)的 select 查詢搜索替換為全文搜索。

最常見(jiàn)的開(kāi)源全文搜索引擎是 Elasticsearch，功能強(qiáng)大、性能強(qiáng)悍，但是其基于 Java 進(jìn)行編寫(xiě)，在 Python 中使用不是很方便，最終州的先生選擇了純 Python 實(shí)現(xiàn)的全文搜索引擎——whoosh，并借助 Django 下的開(kāi)源搜索框架——haystack，依靠 jieba 中文分詞庫(kù)，在覓道文檔這一典型 Python Web 應(yīng)用中實(shí)現(xiàn)了中英文的全文搜索。

安裝依賴庫(kù)

如上述所言，本次純 Python 方案實(shí)現(xiàn)中英文全文搜索使用到了如下 3 個(gè)庫(kù)：

whoosh
haystack
jieba

需要對(duì)其進(jìn)行安裝，使用 pip 命令進(jìn)行安裝即可：

pip install whoosh
pip install django-haystack
pip install jieba

settings 配置

首先需要在 Django 項(xiàng)目的 settings.py 文件中進(jìn)行配置。

第一、在 INSTALLED_APPS 中添加 haystack 庫(kù)：

第二、添加配置 haystack 的配置項(xiàng)

# 當(dāng)添加、修改、刪除數(shù)據(jù)時(shí)，自動(dòng)生成索引
HAYSTACK_SIGNAL_PROCESSOR = 'haystack.signals.RealtimeSignalProcessor'
# 自定義高亮
HAYSTACK_CUSTOM_HIGHLIGHTER = "app_doc.search.highlight.MyHighLighter"

創(chuàng)建索引

在 app_doc 目錄下新建一個(gè)名為 search_indexes.py 的文件，在其中輸入如下內(nèi)容：

在 template 目錄下新建一色名為 search 的目錄，然后在 search 目錄下新建一個(gè)名為 indexes 的目錄，接著在其中新建一個(gè)名為 app_doc 的目錄（與 Django 應(yīng)用同名），最后在這個(gè)/template/search/app_doc 目錄下新建一個(gè)名稱 doc_text.txt 的文件（模型名稱_text.txt），在其中輸入需要索引的模型字段：

{{object.name}}
{{object.pre_content}}

創(chuàng)建中文分詞器

由于 whoosh 對(duì)中文的分詞能力不行，如果我們搜索中文，其八成不會(huì)對(duì)其進(jìn)行分詞，所以我們額外引入了 jieba 模塊來(lái)進(jìn)行中文分詞。

在 /MrDoc/app_doc/search 目錄下新建一個(gè)名為 chines_analyzer.py 的文件，在其中寫(xiě)入如下代碼：

自定義 whoosh 搜索引擎

在 /MrDoc/app_doc/search 目錄下新建一個(gè)名為 whoosh_cn_backend.py 的文件（這個(gè)路徑文件即是我們?cè)?settings.py 文件中指定的引擎路徑），復(fù)制 python 安裝路徑\Lib\site-packages\haystack\backends\whoosh_backend.py 的內(nèi)容到這個(gè)文件中，并做如下修改：

from whoosh.analysis import StemmingAnalyzer

替換為：

from app_doc.search.chinese_analyzer import ChineseAnalyzer as StemmingAnalyzer

這樣，我們自定義能夠進(jìn)行中文分詞的 whoosh 引擎就完成了。

編寫(xiě)視圖函數(shù)

完成上述步驟之后，全文搜索引擎幕后的工作就已經(jīng)完成了，我們接下來(lái)需要按照 Django 的方式，編寫(xiě)邏輯視圖，并進(jìn)行 HTML 模板的渲染。

在這里，州的先生在/MrDoc/app_doc/下新建了一個(gè)名為 views_search.py 的文件來(lái)放置全文搜索的視圖函數(shù)，繼承 haystack.views.SearchView 類，自定義了一個(gè)全文搜索視圖類：

HTML 模板渲染

全文搜索引擎的數(shù)據(jù)默認(rèn)返回在了特定的 HTML 模板中，州的先生沒(méi)有對(duì)此進(jìn)行自定義，所以按照 haystack 的要求，在 template/search 目錄下新建了一個(gè)名為 search.html 的模板文件，對(duì)全文搜索視圖類返回的搜索數(shù)據(jù)集進(jìn)行渲染解析。