一，什么是Haystack
搜索是一個日益重要的話題。用戶越來越依賴於搜索從噪聲信息中分離和快速找到有用信息。此外，搜索搜索可以洞察那些東西是受歡迎的，改善網站上難以查找的東西。
為此，Haystack試圖整合自定義搜索，使其盡可能簡單的靈活和強大到足以處理更高級的用例。haystack支持多種搜索引擎，不僅僅是whoosh，使用
solr、elastic search等搜索，也可通過haystack，而且直接切換引擎即可，甚至無需修改搜索代碼。
二，安裝相關的包
pip install django-haystack pip install whoosh pip install jieba
三，配置
1：將Haystack添加到settings.py中的INSTALLED_APPS中：
INSTALLED_APPS = [ 'django.contrib.admin', 'django.contrib.auth', 'django.contrib.contenttypes', 'django.contrib.sessions', 'django.contrib.sites', # 添加 'haystack', # 你的app 'blog', ]
2：在你的settings.py中添加一個設置來指示站點配置文件正在使用的后端，以及其他的后端設置。
Solr：
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:
HAYSTACK_CONNECTIONS = { 'default': { 'ENGINE': 'haystack.backends.elasticsearch_backend.ElasticsearchSearchEngine', 'URL': 'http://127.0.0.1:9200/', 'INDEX_NAME': 'haystack', }, }
Whoosh：
#需要設置PATH到你的Whoosh索引的文件系統位置 import os HAYSTACK_CONNECTIONS = { 'default': { 'ENGINE': 'haystack.backends.whoosh_backend.WhooshEngine', 'PATH': os.path.join(os.path.dirname(__file__), 'whoosh_index'), }, } # 自動更新索引 HAYSTACK_SIGNAL_PROCESSOR = 'haystack.signals.RealtimeSignalProcessor'
Xapian:
#首先安裝Xapian后端（http://github.com/notanumber/xapian-haystack/tree/master） #需要設置PATH到你的Xapian索引的文件系統位置。 import os HAYSTACK_CONNECTIONS = { 'default': { 'ENGINE': 'xapian_backend.XapianEngine', 'PATH': os.path.join(os.path.dirname(__file__), 'xapian_index'), }, }
下面我們以whoosh為例進行操作。
四：配置路由
在整個項目的urls.py中，配置搜索功能的url路徑
urlpatterns = [ ... url(r'^search/', include('haystack.urls')), ]
五，創建索引
在你的應用目錄下面新建一個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): #類名必須為需要檢索的Model_name+Index，這里需要檢索Article，所以創建ArticleIndex text = indexes.CharField(document=True, use_template=True)#創建一個text字段 #其它字段 desc = indexes.CharField(model_attr='desc') content = indexes.CharField(model_attr='content') def get_model(self):#重載get_model方法，必須要有！ return Article def index_queryset(self, using=None): return self.get_model().objects.all()
ps：為什么要創建索引呢，索引就像一本書的目錄，可以為讀者提供更快速的導航與查找。在這里也是同樣的道理，當數據量非常大的時候，若要從
這些數據里找出所有滿足搜索條件的幾乎是不太可能的事情，將會給服務器帶來極大的負擔，所以我們需要為指定的數據添加一個索引。
索引實現的細節並不是我們需要關心的事情，但是它為哪些字段創建索引，怎么指定，下面來說明：
每個索引里面必須有且只能有一個字段為 document=Ture，這代表着haystack和搜索引擎將使用此字段的內容作為索引進行檢索（primary field）
其他的字段只是附屬的屬性，方便調用，並不做檢索的依據。
注意：如果一個字段設置了document=True,則一般約定此字段名為text，這是ArticleIndex類里面一貫的寫法。
另外，我們在text字段上提供了use_template=Ture。這允許我們使用一個數據模板，來構建文檔搜索引擎索引。你應該在模板目錄下建立,也就是在
templates文件夾中建立一個新的模板，search/indexes/項目名/模型名_text.txt，並且將以下的內容放入txt文件中：
#在目錄“templates/search/indexes/應用名稱/”下創建“模型類名稱_text.txt”文件 {{ object.title }} {{ object.desc }} {{ object.content }}
這個數據模板的作用就是對
六：編輯搜索模板
搜索模板默認在search/search.html中，下面的代碼足以讓你搜索運行：
<!DOCTYPE html> <html> <head> <title></title> <style> span.highlighted { color: red; } </style> </head> <body> {% load highlight %} {% if query %} <h3>搜索結果如下：</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>啥也沒找到</p> {% endfor %} {% if page.has_previous or page.has_next %} <div> {% if page.has_previous %} <a href="?q={{ query }}&page={{ page.previous_page_number }}">{% endif %}« 上一頁 {% if page.has_previous %}</a>{% endif %} | {% if page.has_next %}<a href="?q={{ query }}&page={{ page.next_page_number }}">{% endif %}下一頁 » {% if page.has_next %}</a>{% endif %} </div> {% endif %} {% endif %} </body> </html>
注意：page.object_list實際上是SearchResult對象的列表。這些對象返回索引的所有數據。他們可以通過{{ result.object }}來訪問，
七，重建索引
配置完成之后，接下應該把數據庫中的數據放入索引。Haystack中自帶了一個命令工具：
python manage.py rebuild_index
八，使用jieba分詞
新建一個ChineseAnalyzer.py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()
保存在python安裝路徑的backends文件夾中（例如：D:\python3\Lib\site-packages\haystack\backends）
然后在該文件夾中找到一個whoosh_backend.py文件，改名為whoosh_cn_backend.py
在內部添加：
from .ChineseAnalyzer import ChineseAnalyzer
然后查找到這行代碼：
analyzer=StemmingAnalyzer()
修改為：
analyzer=ChineseAnalyzer()
九，在模板找中創建搜索欄：
<form method='get' action="/search/" target="_blank"> <input type="text" name="q"> <input type="submit" value="查詢"> </form>