Django中使用Whoosh进行全文检索


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SQLlike查询并不能命中上面的这段话,因为在上次演出中间还有舞蹈。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()
published at Oct. 6, 2018, 3:51 p.m.

Comments:

Sharing your thoughts: