中文检索和分词

Posted mcc61

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了中文检索和分词相关的知识,希望对你有一定的参考价值。

1.什么是Haystack

  Haystack是django的开源全文搜索框架(全文检索不同于特定字段的模糊查询,使用全文检索的效率更高 ),该框架支持**Solr**,**Elasticsearch**,**Whoosh**, ***Xapian*搜索引擎它是一个可插拔的后端(很像Django的数据库层),所以几乎你所有写的代码都可以在不同搜索引擎之间便捷切换

   全文检索不同于特定字段的模糊查询,使用全文检索的效率更高,并且能够对于中文进行分词处理
   whoosh:纯Python编写的全文搜索引擎,虽然性能比不上sphinx、xapian、Elasticsearc等,但是无二进制包,程序不会莫名其妙的崩溃,对于小型的站点,whoosh已经足够使用
   jieba:一款免费的中文分词包,如果觉得不好用可以使用一些收费产品

2.安装

pip install django-haystack
pip install whoosh
pip install jieba

3.配置

因为haystack是一个app,所以我们需要在settings中将他添加的app中,添加Haystack到`INSTALLED_APPS

INSTALLED_APPS = [
django.contrib.admin,
django.contrib.auth,
django.contrib.contenttypes,
django.contrib.sessions,
django.contrib.sites,

# 添加
haystack,

# 你的app
blog,
]

在添加到配置文件之后,你还需要在你的settings.py中,添加一个设置来指示站点配置文件正在使用的后端,以及其它的后端设置。 HAYSTACK——CONNECTIONS是必需的设置,并且应该至少是以下的一种:

Solr示例

HAYSTACK_CONNECTIONS = 
default: 
ENGINE: haystack.backends.solr_backend.SolrEngine,
URL: http://127.0.0.1:8983/solr
# ...or for multicore...
# ‘URL‘: ‘http://127.0.0.1:8983/solr/mysite‘,
,

 Elasticsearch示例

HAYSTACK_CONNECTIONS = 
default: 
ENGINE: haystack.backends.elasticsearch_backend.ElasticsearchSearchEngine,
URL: http://127.0.0.1:9200/,
INDEX_NAME: haystack,
,

 Whoosh示例

#需要设置PATH到你的Whoosh索引的文件系统位置
import os
HAYSTACK_CONNECTIONS = 
default: 
ENGINE: haystack.backends.whoosh_backend.WhooshEngine,
PATH: os.path.join(os.path.dirname(__file__), whoosh_index),
,


# 自动更新索引
HAYSTACK_SIGNAL_PROCESSOR = haystack.signals.RealtimeSignalProcessor

 Xapian示例

#首先安装Xapian后端(http://github.com/notanumber/xapian-haystack/tree/master)
#需要设置PATH到你的Xapian索引的文件系统位置。
import os
HAYSTACK_CONNECTIONS = 
default: 
ENGINE: xapian_backend.XapianEngine,
PATH: os.path.join(os.path.dirname(__file__), xapian_index),
,

4.处理数据

创建索引

如果你想针对某个app例如blog做全文检索,则必须在blog的目录下面建立search_indexes.py文件,文件名不能修改

from haystack import indexes
from app01.models import Article

class ArticleIndex(indexes.SearchIndex, indexes.Indexable):
#类名必须为需要检索的Model_name+Index,这里需要检索Article,所以创建ArticleIndex
text = indexes.CharField(document=True, use_template=True)#创建一个text字段 
#其它字段
desc = indexes.CharField(model_attr=desc)
content = indexes.CharField(model_attr=content)

def get_model(self):#重载get_model方法,必须要有!
return Article

def index_queryset(self, using=None):
return self.get_model().objects.all()

  为什么要创建索引?索引就像是一本书的目录,可以为读者提供更快速的导航与查找。在这里也是同样的道理,当数据量非常大的时候,若要从这些数据里找出所有的满足搜索条件的几乎是不太可能的,将会给服务器带来极大的负担。所以我们需要为指定的数据添加一个索引(目录),在这里是为Note创建一个索引,索引的实现细节是我们不需要关心的,至于为它的哪些字段创建索引,怎么指定 ,下面开始讲解。每个索引里面必须有且只能有一个字段为 document=True,这代表haystack 和搜索引擎将使用此字段的内容作为索引进行检索(primary field)。其他的字段只是附属的属性,方便调用,并不作为检索数据

注意:如果使用一个字段设置了document=True,则一般约定此字段名为text,这是在ArticleIndex类里面一贯的命名,以防止后台混乱,当然名字你也可以随便改,不过不建议改。

另外,我们在tex`字段上提供了use_template=True。这允许我们使用一个数据模板(而不是容易出错的级联)来构建文档搜索引擎索引。你应该在模板目录下建立新的模板search/indexes/应用名/article_text.txt,并将下面内容放在里面。

#在目录“templates/search/indexes/应用名称/”下创建“模型类名称_text.txt”文件
 object.title 
 object.desc 
 object.content 

这个数据模板的作用是对Note.title, Note.user.get_full_name,Note.body这三个字段建立索引,当检索的时候会对这三个字段做全文检索匹配

5.设置视图

添加SearchView到你的URLconf,在你的`URLconf`中添加下面一行:

(r^search/, include(haystack.urls)),

这会拉取Haystack的默认URLconf,它由单独指向SearchView实例的URLconf组成。你可以通过传递几个关键参数或者完全重新它来改变这个类的行为。

 搜索模板

<!DOCTYPE html>
<html>
<head>
<title></title>
<style>
span.highlighted 
color: red;

</style>
</head>
<body>
% load highlight %
% if query %
<h3>搜索结果如下:</h3>
% for result in page.object_list %
# <a href="/ result.object.id /"> result.object.title </a><br/>#
<a href="/ result.object.id /">% highlight result.object.title with query max_length 2%</a><br/>
<p> result.object.content|safe </p>
<p>% highlight result.content with query %</p>
% 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 &amp;page= page.previous_page_number ">% endif %&laquo; 上一页
% if page.has_previous %</a>% endif %
|
% if page.has_next %<a href="?q= query &amp;page= page.next_page_number ">% endif %下一页 &raquo;
% if page.has_next %</a>% endif %
</div>
% endif %
% endif %
</body>
</html>

需要注意的是page.object_list实际上是SearchResult对象的列表。这些对象返回索引的所有数据。它们可以通过result.object来访问。所以 result.object.title实际使用的是数据库中Article对象来访问title字段的。

 重建索引

现在你已经配置好了所有的事情,是时候把数据库中的数据放入索引了。Haystack附带的一个命令行管理工具使它变得很容易。

./manage.py rebuild_index

6.使用jieba分词

#建立ChineseAnalyzer.py文件
#保存在haystack的安装文件夹下,路径如“D:\python3\Lib\site-packages\haystack\backends”

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()

复制whoosh_backend.py文件,改名为whoosh_cn_backend.py

注意:复制出来的文件名,末尾会有一个空格,记得要删除这个空格

from .ChineseAnalyzer import ChineseAnalyzer 
查找
analyzer=StemmingAnalyzer()
改为
analyzer=ChineseAnalyzer()

 7.在模版中创建搜索栏

<form method=get action="/search/" target="_blank">
<input type="text" name="q">
<input type="submit" value="查询">
</form>

8.其它配置

 增加更多变量

from haystack.views import SearchView 
from .models import * 

class MySeachView(SearchView): 
def extra_context(self): #重载extra_context来添加额外的context内容 
context = super(MySeachView,self).extra_context() 
side_list = Topic.objects.filter(kind=major).order_by(add_date)[:8] 
context[side_list] = side_list 
return context


#路由修改
url(r^search/, search_views.MySeachView(), name=haystack_search), 

 高亮显示

% highlight result.summary with query % 
# 这里可以限制最终 result.summary 被高亮处理后的长度 
% highlight result.summary with query max_length 40 %

#html中
<style>
span.highlighted 
color: red;

</style>

 

以上是关于中文检索和分词的主要内容,如果未能解决你的问题,请参考以下文章

Sphinx + Coreseek 实现中文分词搜索

Sphinx + Coreseek 实现中文分词搜索

Sphinx + Coreseek 实现中文分词搜索

Sphinx + Coreseek 实现中文分词搜索

asp.net 下的中文分词检索工具 - jieba.net

《从Lucene到Elasticsearch:全文检索实战》学习笔记二