Python之利用Whoosh搭建輕量級搜索

  本文將簡單介紹Python中的一個輕量級搜索工具Whoosh，並給出相應的使用示例代碼。

Whoosh簡介

  Whoosh由Matt Chaput創建，它一開始是一個為Houdini 3D動畫軟件包的在線文檔提供簡單、快速的搜索服務工具，之后便慢慢成為一個成熟的搜索解決工具並已開源。
  Whoosh純由Python編寫而成，是一個靈活的，方便的，輕量級的搜索引擎工具，現在同時支持Python2、3，其優點如下：

• Whoosh純由Python編寫而成，但很快，只需要Python環境即可，不需要編譯器；
• 默認使用 Okapi BM25F排序算法，也支持其他排序算法；
• 相比於其他搜索引擎，Whoosh會創建更小的index文件；
• Whoosh中的index文件編碼必須是unicode;
• Whoosh可以儲存任意的Python對象。

  Whoosh的官方介紹網站為：https://whoosh.readthedocs.io/en/latest/intro.html 。相比於ElasticSearch或者Solr等成熟的搜索引擎工具，Whoosh顯得更輕便，操作更簡單，可以考慮在小型的搜索項目中使用。

Index & query

  對於熟悉ES的人來說，搜索的兩個重要的方面為mapping和query，也就是索引的構建以及查詢，背后是復雜的索引儲存、query解析以及排序算法等。如果你有ES方面的經驗，那么，對於Whoosh是十分容易上手的。
  按照筆者的理解以及Whoosh的官方文檔，Whoosh的入門使用主要是index以及query。搜索引擎的強大功能之一在於它能夠提供全文檢索，這依賴於排序算法，比如BM25，也依賴於我們怎樣儲存字段。因此，index作為名詞時，是指字段的索引，index作為動詞時，是指建立字段的索引。而query會將我們需要查詢的語句，通過排序算法，給出合理的搜索結果。
  關於Whoosh的使用，在官文文檔中已經給出了詳細的說明，筆者在這里只給出一個簡單的例子，來說明Whoosh如何能方便地提升我們的搜索體檢。

示例代碼

數據

  本項目的示例數據為poem.csv，下圖為該數據集的前十行：

字段

  根據數據集的特征，我們創建四個字段（fields）：title, dynasty, poet, content。創建的代碼如下：

# -*- coding: utf-8 -*-
import os
from whoosh.index import create_in
from whoosh.fields import *
from jieba.analyse import ChineseAnalyzer
import json

# 創建schema, stored為True表示能夠被檢索
schema = Schema(title=TEXT(stored=True, analyzer=ChineseAnalyzer()),
                dynasty=ID(stored=True),
                poet=ID(stored=True),
                content=TEXT(stored=True, analyzer=ChineseAnalyzer())
                )

其中，ID只能為一個單元值，不能分割為若干個詞，常用於文件路徑、URL、日期、分類；
TEXT文件的文本內容，建立文本的索引並存儲，支持詞匯搜索；Analyzer選擇結巴中文分詞器。

創建索引文件

  接着，我們需要創建索引文件。我們利用程序先解析poem.csv文件，並將它轉化為index，寫入到indexdir目錄下。Python代碼如下：

# 解析poem.csv文件
with open('poem.csv', 'r', encoding='utf-8') as f:
    texts = [_.strip().split(',') for _ in f.readlines() if len(_.strip().split(',')) == 4]

# 存儲schema信息至indexdir目錄
indexdir = 'indexdir/'
if not os.path.exists(indexdir):
    os.mkdir(indexdir)
ix = create_in(indexdir, schema)

# 按照schema定義信息，增加需要建立索引的文檔
writer = ix.writer()
for i in range(1, len(texts)):
    title, dynasty, poet, content = texts[i]
    writer.add_document(title=title, dynasty=dynasty, poet=poet, content=content)
writer.commit()

index創建成功后，會生成indexdir目錄，里面含有上述poem.csv數據的各個字段的索引文件。

查詢

  index創建成功后，我們就利用進行查詢。
  比如我們想要查詢content中含有明月的詩句，可以輸入以下代碼：

# 創建一個檢索器
searcher = ix.searcher()

# 檢索content中出現'明月'的文檔
results = searcher.find("content", "明月")
print('一共發現%d份文檔。' % len(results))
for i in range(min(10, len(results))):
    print(json.dumps(results[i].fields(), ensure_ascii=False))

輸出結果如下：

一共發現44份文檔。
前10份文檔如下：
{"content": "床前明月光，疑是地上霜。舉頭望明月，低頭思故鄉。", "dynasty": "唐代", "poet": "李白 ", "title": "靜夜思"}
{"content": "邊草，邊草，邊草盡來兵老。山南山北雪晴，千里萬里月明。明月，明月，胡笳一聲愁絕。", "dynasty": "唐代", "poet": "戴叔倫 ", "title": "調笑令·邊草"}
{"content": "獨坐幽篁里，彈琴復長嘯。深林人不知，明月來相照。", "dynasty": "唐代", "poet": "王維 ", "title": "竹里館"}
{"content": "漢江明月照歸人，萬里秋風一葉身。休把客衣輕浣濯，此中猶有帝京塵。", "dynasty": "明代", "poet": "邊貢 ", "title": "重贈吳國賓"}
{"content": "秦時明月漢時關，萬里長征人未還。但使龍城飛將在，不教胡馬度陰山。", "dynasty": "唐代", "poet": "王昌齡 ", "title": "出塞二首·其一"}
{"content": "京口瓜洲一水間，鍾山只隔數重山。春風又綠江南岸，明月何時照我還？", "dynasty": "宋代", "poet": "王安石 ", "title": "泊船瓜洲"}
{"content": "四顧山光接水光，憑欄十里芰荷香。清風明月無人管，並作南樓一味涼。", "dynasty": "宋代", "poet": "黃庭堅 ", "title": "鄂州南樓書事"}
{"content": "青山隱隱水迢迢，秋盡江南草未凋。二十四橋明月夜，玉人何處教吹簫？", "dynasty": "唐代", "poet": "杜牧 ", "title": "寄揚州韓綽判官"}
{"content": "露氣寒光集，微陽下楚丘。猿啼洞庭樹，人在木蘭舟。廣澤生明月，蒼山夾亂流。雲中君不見，竟夕自悲秋。", "dynasty": "唐代", "poet": "馬戴 ", "title": "楚江懷古三首·其一"}
{"content": "海上生明月，天涯共此時。情人怨遙夜，竟夕起相思。滅燭憐光滿，披衣覺露滋。不堪盈手贈，還寢夢佳期。", "dynasty": "唐代", "poet": "張九齡 ", "title": "望月懷遠 / 望月懷古"}

本次分享到此到此結束，感謝大家閱讀~