当前位置:

首页 > 系统应用 > 纯Python方案实现中英文全文搜索

纯Python方案实现中英文全文搜索

在互联网上的各类网站中,无论大小,基本上都会有一个搜索框,用来给用户对内容进行搜索,小到站点搜索,大到搜索引擎搜索。从简单的来说,搜索功能确实很简单,一个简单的select语句就可以实现数据的搜索。而从复杂的来看,无论是搜索的精度还是搜索的效率,都是有很深的研究范围的。对于简单的搜索功能来说,一个s

本文目录

    在互联网上的各类网站中,无论大小,基本上都会有一个搜索框,用来给用户对内容进行搜索,小到站点搜索,大到搜索引擎搜索。

    从简单的来说,搜索功能确实很简单,一个简单的select语句就可以实现数据的搜索。

    而从复杂的来看,无论是搜索的精度还是搜索的效率,都是有很深的研究范围的。

    对于简单的搜索功能来说,一个select查询语句也足够使用,但在稍微复杂一点的搜索环境下,比如网页、文档、新闻资讯等场景,单纯的select查询语句则是远远不够。在这些场景下的搜索,全文搜索则是最低配置。

    什么是全文搜索?百度百科如是说:

    全文数据库是全文检索系统的主要构成部分。所谓全文数据库是将一个完整的信息源的全部内容转化为计算机可以识别、处理的信息单元而形成的数据集合。全文数据库不仅存储了信息,而且还有对全文数据进行词、字、段落等更深层次的编辑、加工的功能,而且所有全文数据库无一不是海量信息数据库。

    是不是有点儿云里雾里的?举个简单的例子,大概就能明白了。通常情况下,我们搜索“Python安装教程”,如果是普通搜索,会直接从数据库中选取包含“Python安装教程”的内容。但要是进行全文搜索,首先会把搜索词拆分成:“Python安装教程”“Python”“安装教程”“安装”“教程”等,然后用这些拆分后的词组去搜索。

    市面上所有的搜索引擎都使用了全文搜索:

    最近“MrDoc 交流群”里让觅道文档添加上全文搜索的呼声很高,遂打算在觅道文档中把常规的 select 查询搜索替换为全文搜索。

    最常见的开源全文搜索引擎是Elasticsearch,功能强大、性能强悍,但是其基于 Ja va 进行编写,在 Python 中使用不是很方便,最终州的先生选择了纯 Python 实现的全文搜索引擎——whoosh,并借助 Django 下的开源搜索框架——haystack,依靠jieba中文分词库,在觅道文档这一典型 Python Web 应用中实现了中英文的全文搜索。

    安装依赖库

    如上述所言,本次纯 Python 方案实现中英文全文搜索使用到了如下 3 个库:

    • whoosh

    • haystack

    • jieba

    需要对其进行安装,使用 pip 命令进行安装即可:

    pip install whoosh
    pip install django-haystack
    pip install jieba

    settings 配置

    首先需要在 Django 项目的 settings.py 文件中进行配置。

    第一、在 INSTALLED_APPS 中添加 haystack 库:

    第二、添加配置 haystack 的配置项

    # 当添加、修改、删除数据时,自动生成索引
    HAYSTACK_SIGNAL_PROCESSOR = 'haystack.signals.RealtimeSignalProcessor'
    # 自定义高亮
    HAYSTACK_CUSTOM_HIGHLIGHTER = "app_doc.search.highlight.MyHighLighter"

    创建索引

    在 app_doc 目录下新建一个名为 search_indexes.py 的文件,在其中输入如下内容:

    在template目录下,我们要新建一个名为search的目录。完成后,再进入search目录,新建一个indexes目录。接着,在indexes目录中,新建一个与Django应用同名的app_doc目录。最后,在/template/search/app_doc目录下,新建一个doc_text.txt文件(模型名称_text.txt),并在其中输入需要索引的模型字段:

    {{object.name}}
    {{object.pre_content}}

    创建中文分词器

    由于 whoosh 对中文的分词能力不行,如果我们搜索中文,其八成不会对其进行分词,所以我们额外引入了 jieba 模块来进行中文分词。

    在 /MrDoc/app_doc/search 目录下新建一个名为 chines_analyzer.py 的文件,在其中写入如下代码:

    创建完中文分词器之后,我们就可以自定义 whoosh 的搜索引擎了。

    自定义 whoosh 搜索引擎

    在/MrDoc/app_doc/search目录下新建一个名为whoosh_cn_backend.py的文件(这个路径文件即是我们在 settings.py 文件中指定的引擎路径),复制python 安装路径Libsite-packageshaystackbackendswhoosh_backend.py的内容到这个文件中,并做如下修改:

    from whoosh.analysis import StemmingAnalyzer

    替换为:

    from app_doc.search.chinese_analyzer import ChineseAnalyzer as StemmingAnalyzer

    这样,我们自定义能够进行中文分词的 whoosh 引擎就完成了。

    编写视图函数

    完成上述步骤之后,全文搜索引擎幕后的工作就已经完成了,我们接下来需要按照 Django 的方式,编写逻辑视图,并进行 HTML 模板的渲染。

    在这里,州的先生在/MrDoc/app_doc/下新建了一个名为 views_search.py 的文件来放置全文搜索的视图函数,继承haystack.views.SearchView类,自定义了一个全文搜索视图类:

    HTML 模板渲染

    全文搜索引擎的数据默认返回在了特定的 HTML 模板中,州的先生没有对此进行自定义,所以按照 haystack 的要求,在template/search目录下新建了一个名为search.html的模板文件,对全文搜索视图类返回的搜索数据集进行渲染解析。

    生成索引

    最后我们需要在命令行终端生成一下索引文件,使用如下命令:

    python manage.py rebuild_index

    这样,就实现了纯 Python 方案的中英文全文搜索,效果如下动图所示:

    文中所涉代码均为 MrDoc 觅道文档源码,包括:

    • /MrDoc/MrDoc/settings.py

    • /MrDoc/app_doc/search/chinese_analyzer.py

    • /MrDoc/app_doc/search/highlight.py

    • /MrDoc/app_doc/search/whoosh_cn_backend.py

    • /MrDoc/app_doc/search_indexes.py

    • /MrDoc/app_doc/views_search.py

    • /MrDoc/template/search/*

    源码地址为:

    • https://gitee.com/zmister/MrDoc

    • https://github.com/zmister2016/MrDoc

    分享、点赞、在看,给个三连击呗!

    本文分享自微信公众号 - 州的先生(zmister2016)。
    如有侵权,请联系 support@oschina.cn 删除。
    本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    系统应用 Python
    相关文章 更多
    python删除一个列表里的重复元素的方法与代码示例
    python删除一个列表里的重复元素的方法与代码示例

    学习如何使用Python高效删除列表中的重复元素。本文提供5种常见方法的代码示例,涵盖保持顺序与不保持顺序的场景,适合初学者和进阶开发者参考。

    Python写接口的步骤及完整代码示例
    Python写接口的步骤及完整代码示例

    详细讲解使用Python编写Web接口的核心步骤与完整代码示例,涵盖环境准备、路由定义、数据校验、服务启动及调试测试方法。

    codex怎么读取word文档及docx文件操作教程
    codex怎么读取word文档及docx文件操作教程

    介绍如何利用编程工具读取和解析Word文档(docx格式),涵盖基础文本提取代码示例、结构化数据处理逻辑,以及处理复杂排版时的技术局限与替代方案。

    怎么在Python中调用C语言代码提升性能
    怎么在Python中调用C语言代码提升性能

    详细讲解在Python中调用C语言代码提升性能的完整实践指南,包含原理分析、编译步骤、ctypes与CFFI具体实现、性能对比及常见陷阱。

    Python与C语言的性能差异及底层原理
    Python与C语言的性能差异及底层原理

    深入解析Python与C语言在执行效率上的数量级差异,从编译机制、变量内存布局、动态类型推断到GIL锁,系统阐明底层核心原理。

    Python和C语言哪个更适合编程入门
    Python和C语言哪个更适合编程入门

    客观对比Python与C语言在心智负担、底层机制与学习反馈上的核心差异,提供清晰有据的选择标准与切实的入门学习路径。

    selenium上传文件教程本地文件路径设置方法
    selenium上传文件教程本地文件路径设置方法

    深入解析Selenium处理文件上传的技术细节,涵盖标准HTML控件的路径直接注入法与非标准控件的系统级模拟方案,提供Windows与Linux环境下的路径设置最佳实践及常见异常排查。

    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景
    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景

    针对大数据工程场景,系统对比Java、Scala与Python在执行性能、生态结合、开发效率和维护成本上的核心差异,给出清晰的架构选型依据与落地方案。

    langgraph python guide中文入门教程详解
    langgraph python guide中文入门教程详解

    本篇LangGraph Python中文入门教程详解,系统梳理StateGraph状态机定义、节点编写、边与条件路由、检查点持久化(MemorySaver)等核心机制,提供从环境安装到完整循环智能体构建的代码示例与实操指导。

    Windows 安装 Python:从官方入口到虚拟环境的可复现实践
    Windows 安装 Python:从官方入口到虚拟环境的可复现实践

    面向后端开发者,基于 Python 官方文档说明如何在 Windows 上安装 Python、创建 venv 虚拟环境及使用 pip 管理依赖。包含可复制命令、验证方法及工具选择边界,避免常见配置误区。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。