圆月山庄资源网 Design By www.vgjia.com
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
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内容,希望对大家的学习有所帮助,也希望大家多多支持。
圆月山庄资源网 Design By www.vgjia.com
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
圆月山庄资源网 Design By www.vgjia.com
暂无评论...
更新日志
2024年11月06日
2024年11月06日
- 雨林唱片《赏》新曲+精选集SACD版[ISO][2.3G]
- 罗大佑与OK男女合唱团.1995-再会吧!素兰【音乐工厂】【WAV+CUE】
- 草蜢.1993-宝贝对不起(国)【宝丽金】【WAV+CUE】
- 杨培安.2009-抒·情(EP)【擎天娱乐】【WAV+CUE】
- 周慧敏《EndlessDream》[WAV+CUE]
- 彭芳《纯色角3》2007[WAV+CUE]
- 江志丰2008-今生为你[豪记][WAV+CUE]
- 罗大佑1994《恋曲2000》音乐工厂[WAV+CUE][1G]
- 群星《一首歌一个故事》赵英俊某些作品重唱企划[FLAC分轨][1G]
- 群星《网易云英文歌曲播放量TOP100》[MP3][1G]
- 方大同.2024-梦想家TheDreamer【赋音乐】【FLAC分轨】
- 李慧珍.2007-爱死了【华谊兄弟】【WAV+CUE】
- 王大文.2019-国际太空站【环球】【FLAC分轨】
- 群星《2022超好听的十倍音质网络歌曲(163)》U盘音乐[WAV分轨][1.1G]
- 童丽《啼笑姻缘》头版限量编号24K金碟[低速原抓WAV+CUE][1.1G]