python全文检索框架_Haystack Python全文检索框架

Haystack

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

haystack：django的一个包，可以方便地对model里面的内容进行索引、搜索，设计为支持whoosh,solr,Xapian,Elasticsearc四种全文检索引擎后端，属于一种全文检索的框架

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

搜索引擎就好比一个数据库，搜索引擎将mgsql中的数据复制一份到搜索引擎。查询的时候直接通过搜索引擎来快速查询数据的结果。

2.安装

pip install django-haystack

pip install whoosh

pip install jieba

3.配置

1 添加Haystack到INSTALLED_APPS

跟大多数Django的应用一样，你应该在你的设置文件(通常是settings.py)添加Haystack到INSTALLED_APPS. 示例：

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 修改settings.py

在你的settings.py中，你需要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

importos

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。

importos

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 importindexesfrom app01.models importArticle

​classArticleIndex(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！

returnArticle

​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text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/blog/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：

前后端不分离url

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

前后端分离url

path('search/', MySearchView(), name='haystack_search'),

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。

前后端分离后台重写create_response方法，

from haystack.views importSearchViewclassMySearchView(SearchView):

defcreate_response(self):

context=super().get_context()

keyword= self.request.GET.get('q', None) #关键字为q

if notkeyword:return JsonResponse({'message': '没有相关信息'})else:

data_list= [{'id': i.object.id, 'name': i.object.name,'model_img': 'http://api.modelbox.cn:8000/media/' +str(i.object.model_img),'download_num': i.object.download_num, 'collect_num': i.object.download_num} for i incontext['page'].object_list]return JsonResponse(data_list, safe=False, json_dumps_params={'ensure_ascii': False})

搜索模板

你的搜索模板(默认在search/search.html)将可能非常简单。下面的足够让你的搜索运行(你的template/block应该会不同)

color: red;

}

{% if query %}

搜索结果如下：

{% for result in page.object_list %}

{#{{ result.object.title }}
#}

{% highlight result.object.title with query max_length 2%}

{{ result.object.content|safe }}

{% highlight result.content with query %}

{% empty %}

啥也没找到

{% endfor %}

{% if page.has_previous or page.has_next %}

{% if page.has_previous %} {% endif %}« 上一页

{% if page.has_previous %}

{% endif %}|{% if page.has_next %} {% endif %}下一页 »

{% if page.has_next %}

{% endif %}

{% endif %}

{% endif %}

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。

简单的运行python ./manage.py rebuild_index。你会得到有多少模型进行了处理并放进索引的统计。

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”

importjiebafrom whoosh.analysis importTokenizer, TokenclassChineseTokenizer(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 inseglist:

t.original= t.text =w

t.boost= 1.0

ifpositions:

t.pos= start_pos +value.find(w)ifchars:

t.startchar= start_char +value.find(w)

t.endchar= start_char + value.find(w) +len(w)yieldtdefChineseAnalyzer():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

8.其它配置

增加更多变量

from haystack.views importSearchViewfrom .models import *

classMySeachView(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_listreturncontext#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

}

Elasticsearch

简介：

Elasticsearch 是一个分布式可扩展的实时搜索和分析引擎,一个建立在全文搜索引擎 Apache Lucene(TM) 基础上的搜索引擎.当然 Elasticsearch 并不仅仅是 Lucene 那么简单，它不仅包括了全文搜索功能，还可以进行以下工作:

分布式实时文件存储，并将每一个字段都编入索引，使其可以被搜索。

可实现亿级数据实时查询

实时分析的分布式搜索引擎。

可以扩展到上百台服务器，处理PB级别的结构化或非结构化数据。

安装：

注意：Elasticsearch是用Java开发的，最新版本的Elasticsearch需要安装jdk1.8以上的环境

安装包下载完，解压，进入到bin目录，启动 elasticsearch.bat 即可

python操作ElasticSearch

from elasticsearch importElasticsearch

obj=Elasticsearch()#创建索引(Index)

result = obj.indices.create(index='user', body={"userid":'1','username':'lqz'},ignore=400)#print(result)#删除索引#result = obj.indices.delete(index='user', ignore=[400, 404])#插入数据#data = {'userid': '1', 'username': 'lqz','password':'123'}#result = obj.create(index='news', doc_type='politics', id=1, body=data)#print(result)#更新数据

'''不用doc包裹会报错

ActionRequestValidationException[Validation Failed: 1: script or doc is missing'''

#data ={'doc':{'userid': '1', 'username': 'lqz','password':'123ee','test':'test'}}#result = obj.update(index='news', doc_type='politics', body=data, id=1)#print(result)

#删除数据#result = obj.delete(index='news', doc_type='politics', id=1)

#查询#查找所有文档

query = {'query': {'match_all': {}}}#查找名字叫做jack的所有文档#query = {'query': {'term': {'username': 'lqz'}}}

#查找年龄大于11的所有文档#query = {'query': {'range': {'age': {'gt': 11}}}}

allDoc= obj.search(index='news', doc_type='politics', body=query)print(allDoc['hits']['hits'][0]['_source'])