全文检索
- 什么是全文检索
- 全文检索就是针对所有内容进行动态匹配搜索的概念，针对特定的关键词进行建立索引并精确匹配达到性能优化的目的
- 为什么引入全文检索
- 最常见的全文检索就是我们在数据库中进行的模糊查询，但是模糊查询是针对整体内容的一个动态匹配过程，在数据量较大的情况下匹配效率极低，常规项目中数据量一般都比较多并且内容繁杂，所以正常的项目搜索功能中很少会使用模糊查询进行操作
- PS：如果你开发的项目用户量较少并且项目数据较少的情况下，模糊查询是你值得操作的选项，毕竟开发成本较低
- python一般用什么全文检索
- Python提供了各种全文检索的模块进行，最常见的如haystack模块进行全文检索整体管理操作，后台使用诸如whoosh、solr、Xapain、Elasticsearc全文搜索引擎进行操作，其中whoosh是纯python开发的全文搜索引擎，可以方便稳定的进行数据的检索操作功能，并在实际操作过程中结合jieba中文分词模块对中文进行分词操作，达到最优的操作成本，是目前项目中较为流行的一种全文检索方式
安装全文检索
- 官方文档
- 安装全文检索管理模块 haystack、全文搜索引擎模块 whoosh和中文分词 jieba
>>> pip install haystack whoosh jieba
INSTALLED_APPS = [
......
# 这个模块添加到所有子应用模块的前面
'haystack',
]
# 修改Django项目配置文件，添加搜索引擎配置选项[项目settings.py配置文件]
# 搜索引擎配置
HAYSTACK_CONNECTIONS = {
‘default’: {
‘ENGINE’: ‘haystack.backends.whoosh_cn_backend.WhooshEngine’,
‘PATH’: os.path.join(BASE_DIR, ‘whoosh_index’),
}
}
# 自动更新加载中文分词索引支持
HAYSTACK_SIGNAL_PROCESSOR = ‘haystack.signals.RealtimeSignalProcessor’
# 全文检索搜索过程是由haystack模块进行操作的，
# 所以搜索路由操作交给haystack进行处理，修改路由配置文件如下：
urlpatterns = [
url(r’^search/$’, include(‘haystack.urls’)),
]
# 搜索管理模块
# 在应用模块下创建search_indexes.py模块文件，管理搜索的数据模型
from haystack improt indexes
from . import models
# 文章类的搜索类
class ArticleIndex(indexes.SearchIndex, indexes.Indexable):
# 内容搜索
text = indexes.CharField(document=True, use_template=True)
# 根据作者搜索
author = indexes.CharField(model_attr='user')
# 时间搜索
pub_date = indexes.DateTimeField(model_attr='pub_date')
def get_mode(self):
return modles.Article # 返回要搜索的数据模型
def index_queryset(self, using=None):
return self.get_mode().objects.all()
# 在应用目录 templates/ 中创建 search/indexes/ 模型名称_text.txt 文件，编辑可搜索内容
{{object.content}}
{{object.user}}
......
{% if query %}
<h3>搜索结果如下：</h3>
{% for result in page.object_list %}
<a href="/{{ result.object.id }}/">{{ result.object.gName }}</a><br/>
{% empty %}
<p>啥也没找到</p>
{% endfor %}
{% if page.has_previous or page.has_next %}
<div>
{% if page.has_previous %}
<a href="?q={{ query }}&page={{ page.previous_page_number }}">
« 上一页</a>
{% else %}
« 上一页
{% endif %}
|
{% if page.has_next %}
<a href="?q={{ query }}&page={{ page.next_page_number }}">
下一页 »</a>
{% else %}
下一页 »
{% endif %}
</div>
{% endif %}
{% endif %}
- 构建中文分词分析模块【改写haystack的分词模块】
- whoosh作为一个全文搜索引擎模块，分词功能和检索功能已经非常强大，但是针对中文的处理还是比较欠缺，所以通过Jieba模块重写分词操作，支持whoose对中文的强大操作
- 创建一个新的中文分词模块ChineseAnalyzer.py 文件
- 打开安装的whoosh模块目录，在python安装目录的site_packages/目录下找到对应的目录文件haystack/backends/，创建文件
import jieba
from whoosh.analysis import Tokenizer, Token
class ChineseTokenizer(Tokenizer):
def __call__(self, value, positions=False, chars=False,keeporiginal=False,
removestops=True,start_pos=0, start_char=0, mode='', **kwargs):
t = Token(positions, chars, removestops=removestops, mode=mode,**kwargs)
seglist = jieba.cut(value, cut_all=True)
for w in seglist:
t.original = t.text = w
t.boost = 1.0
if positions:
t.pos = start_pos + value.find(w)
if chars:
t.startchar = start_char + value.find(w)
t.endchar = start_char + value.find(w) + len(w)
yield t
def ChineseAnalyzer():
return ChineseTokenizer()
- 创建 whoosh_cn_backend.py 文件
- 找到 whoosh 中文分词模块 site_packages/haystack/backends/ 目录中的分词后台处理文件 whoosh_backend.py ，复制为 whoosh_cn_backend.py ，编辑修改内部内容
# 导入创建的jieba 中文分词模块
from .ChineseAnalyzer import ChineseAnalyzer
......
# 搜索查询赋值参数
analyzer=StemmingAnalyzer()
# 将分析器对象更改为我们自定义的中文分词分析器
analyzer=ChineseAnalyzer()
# 完成上述工作之后，中文分词全文检索已经完成。
# 项目中支持对Article数据对象的中文分词全文搜索功能了，接下来进行索引数据的初始化
>>> python manage.py rebuild_index
# 输入 y 确认，直到显示 successfully 初始化成功。
# 在需要搜索功能的网页中，添加搜索表单
<form action=’/search/’ target=’_blank’>
<input type=’text’ name=’q’ placeholder=’请输入关键词’/>
<input type=’submit’ value=’搜索’/>
</form>
