全文索引搜索whoosh（2）

承接前面对whoosh的文章，继续：

写索引文件

下面开始写入索引内容，过程如下：

writer = ix.writer()
writer.add_document(title=u"my document", content=u"this is my document", path=u"/a", tags=u"firlst short", icon=u"/icons/star.png")
writer.add_document(title=u"my second document", content=u"this is my second document", path=u"/b", tags=u"second short", icon=u"/icons/sheep.png")
writer.commit()

特别注意：

• 字段的值必须是unicode类型
• 不是每个字段都必须赋值
  

更多的内容，请参考：如何索引文件官方文档

搜索

开始搜索，需要新建立一个对象，如：

searcher = ix.searcher()

一般来讲，不是这么简单地，建立对象相当于开始搜索，完事之后要关闭，所以在实战中，常常写成：

withe ix.searcher() as searcher:
(do somthing)

或者写成（与上面的等效):

try:
    searcher = ix.searcher()
    (do somthing)
finally:
    searcher.close()

接下来就开始搜索了，以搜索content为例：

from whoosh.qparser import QueryParser
with ix.searcher() as searcher:
    query = QueryParser("content",ix.schema).parse("second")
    result = searcher.search(query)
    results[0]

返回显示：

{"title":u"my second document","path":u"/a"}

前面已经将上述两个字段设置为stored=True.

whoosh与结巴分词

原计划写这个相关代码，但是google之后，发现阿小信的博客（恕我不能给出链接，因为只要有链接，本文就不能发布，在我的github中是完整的，这里是阉割版）中有非常完美的解决，我特地将那段代码抄下来，供需要者参考：

#-*- coding:utf-8 -*-
import jieba
from whoosh.analysis import Tokenizer,Token 
from whoosh.compat import text_type

class ChineseTokenizer(Tokenizer):  
    def __call__(self, value, positions=False, chars=False,  
                 keeporiginal=False, removestops=True,  
                 start_pos=0, start_char=0, mode='', **kwargs):  
        assert isinstance(value, text_type), "%r is not unicode" % value  
        t = Token(positions, chars, removestops=removestops, mode=mode,  
            **kwargs)  
        seglist=jieba.cut_for_search(value)                       #使用结巴分词库进行分词  
        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                                               #通过生成器返回每个分词的结果token

def ChineseAnalyzer():  
    return ChineseTokenizer()

声明

本文属于阉割之后的版本。要看完整版，请到我的github:qiwsir的algorithm。