Python實現(xiàn)中英文全文搜索的示例

更新時間：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，無論大小，基本上都會有一個搜索框，用來給用戶對內(nèi)容進行搜索，小到站點搜索，大到搜索引擎搜索。

從簡單的來說，搜索功能確實很簡單，一個簡單的 select 語句就可以實現(xiàn)數(shù)據(jù)的搜索。

而從復(fù)雜的來看，無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。

對于簡單的搜索功能來說，一個 select 查詢語句也足夠使用，但在稍微復(fù)雜一點的搜索環(huán)境下，比如網(wǎng)頁、文檔、新聞資訊等場景，單純的 select 查詢語句則是遠(yuǎn)遠(yuǎn)不夠。在這些場景下的搜索，全文搜索則是最低配置。

什么是全文搜索？百度百科如是說：

全文數(shù)據(jù)庫是全文檢索系統(tǒng)的主要構(gòu)成部分。所謂全文數(shù)據(jù)庫是將一個完整的信息源的全部內(nèi)容轉(zhuǎn)化為計算機可以識別、處理的信息單元而形成的數(shù)據(jù)集合。全文數(shù)據(jù)庫不僅存儲了信息，而且還有對全文數(shù)據(jù)進行詞、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)庫無一不是海量信息數(shù)據(jù)庫。

是不是看得不明不白的？講一個簡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，會直接使用 select 數(shù)據(jù)庫中包含“Python 安裝教程”的內(nèi)容。但是全文搜索，會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。

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

安裝依賴庫

如上述所言，本次純 Python 方案實現(xiàn)中英文全文搜索使用到了如下 3 個庫：

whoosh
haystack
jieba

需要對其進行安裝，使用 pip 命令進行安裝即可：

pip install whoosh
pip install django-haystack
pip install jieba

settings 配置

首先需要在 Django 項目的 settings.py 文件中進行配置。

第一、在 INSTALLED_APPS 中添加 haystack 庫：

第二、添加配置 haystack 的配置項

# 當(dāng)添加、修改、刪除數(shù)據(jù)時，自動生成索引
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 目錄下新建一個名為 indexes 的目錄，接著在其中新建一個名為 app_doc 的目錄（與 Django 應(yīng)用同名），最后在這個/template/search/app_doc 目錄下新建一個名稱 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 對中文的分詞能力不行，如果我們搜索中文，其八成不會對其進行分詞，所以我們額外引入了 jieba 模塊來進行中文分詞。

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

自定義 whoosh 搜索引擎

在 /MrDoc/app_doc/search 目錄下新建一個名為 whoosh_cn_backend.py 的文件（這個路徑文件即是我們在 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，我們自定義能夠進行中文分詞的 whoosh 引擎就完成了。

編寫視圖函數(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，我們接下來需要按照 Django 的方式，編寫邏輯視圖，并進行 HTML 模板的渲染。

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

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，州的先生沒有對此進行自定義，所以按照 haystack 的要求，在 template/search 目錄下新建了一個名為 search.html 的模板文件，對全文搜索視圖類返回的搜索數(shù)據(jù)集進行渲染解析。