经验首页 前端设计 程序设计 Java相关 移动开发 数据库/运维 软件/图像 大数据/云计算 其他经验
当前位置:技术经验 » 程序设计 » Django » 查看文章
Django中使用Whoosh进行全文检索的方法
来源:jb51  时间:2019/4/1 8:49:55  对本文有异议

Whoosh 是纯Python实现的全文搜索引擎,通过Whoosh可以很方便的给文档加上全文索引功能。

什么是全文检索

简单讲分为两块,一块是分词,一块是搜索。比如下面一段话:

上次舞蹈演出直接在上海路的弄堂里

比如我们现在想检索上次的演出,通常我们会直接搜索关键词: 上次演出 ,但是使用传统的SQL like 查询并不能命中上面的这段话,因为在 上次 和 演出 中间还有 舞蹈 。然而全文搜索却将上文切成一个个Token,类似:

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),这样我们就可以通过关键字很快查询到了结果了。

解决分词问题

分词是个很有技术难度的活,比如上面的语句中一个难点就是到底是 上海路 还是 上海 呢?Python有个中文分词库: 结巴分词 ,我们可以通过结巴分词来完成索引中分词工作,结巴分词提供了Whoosh的组件可以直接集成,代码示例

遇到的问题

如果是在一些VPS上测试的时候非常慢的话可能是内存不足,比如512MB做一个博客索引非常慢,尝试升级到1GB后可以正常使用了。

代码

  1. import logging
  2. import os
  3. import shutil
  4. from django.conf import settings
  5.  
  6. from whoosh.fields import Schema, ID, TEXT, NUMERIC
  7. from whoosh.index import create_in, open_dir
  8. from whoosh.qparser import MultifieldParser
  9. from jieba.analyse import ChineseAnalyzer
  10.  
  11. from .models import Article
  12.  
  13. log = logging.getLogger(__name__)
  14.  
  15. index_dir = os.path.join(settings.BASE_DIR, "whoosh_index")
  16.  
  17. indexer = open_dir(index_dir)
  18.  
  19.  
  20. def articles_search(keyword):
  21.  
  22. mp = MultifieldParser(
  23. ['content', 'title'], schema=indexer.schema, fieldboosts={'title': 5.0})
  24. query = mp.parse(keyword)
  25.  
  26. with indexer.searcher() as searcher:
  27. results = searcher.search(query, limit=15)
  28.  
  29. articles = []
  30. for hit in results:
  31. log.debug(hit)
  32. articles.append({
  33. 'id': hit['id'],
  34. 'slug': hit['slug'],
  35. })
  36.  
  37. return articles
  38.  
  39.  
  40. def rebuild():
  41. if os.path.exists(index_dir):
  42. shutil.rmtree(index_dir)
  43. os.makedirs(index_dir)
  44.  
  45. analyzer = ChineseAnalyzer()
  46. schema = Schema(
  47. id=ID(stored=True, unique=True),
  48. slug=TEXT(stored=True),
  49. title=TEXT(),
  50. content=TEXT(analyzer=analyzer))
  51. indexer = create_in(index_dir, schema)
  52.  
  53. __index_all_articles()
  54.  
  55.  
  56. def __index_all_articles():
  57. writer = indexer.writer()
  58. published_articles = Article.objects.exclude(is_draft=True)
  59. for article in published_articles:
  60. writer.add_document(
  61. id=str(article.id),
  62. slug=article.slug,
  63. title=article.title,
  64. content=article.content,
  65. )
  66. writer.commit()
  67.  
  68.  
  69. def article_update_index(article):
  70. '''
  71. updating an article to indexer, adding if not.
  72. '''
  73. writer = indexer.writer()
  74. writer.update_document(
  75. id=str(article.id),
  76. slug=article.slug,
  77. title=article.title,
  78. content=article.content,
  79. )
  80.  
  81. writer.commit()
  82.  
  83.  
  84. def article_delete_index(article):
  85. writer = indexer.writer()
  86. writer.delete_by_term('id', str(article.id))
  87.  
  88. writer.commit()

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持w3xue。

 友情链接:直通硅谷  点职佳  北美留学生论坛

本站QQ群:前端 618073944 | Java 606181507 | Python 626812652 | C/C++ 612253063 | 微信 634508462 | 苹果 692586424 | C#/.net 182808419 | PHP 305140648 | 运维 608723728

W3xue 的所有内容仅供测试,对任何法律问题及风险不承担任何责任。通过使用本站内容随之而来的风险与本站无关。
关于我们  |  意见建议  |  捐助我们  |  报错有奖  |  广告合作、友情链接(目前9元/月)请联系QQ:27243702 沸活量
皖ICP备17017327号-2 皖公网安备34020702000426号