倒排索引与全文检索

倒排索引

---

一个未经处理的数据库中，一般是以文档ID作为索引，文档内容作为记录

而倒排索引指的是，将单词或记录作为索引，将文档ID作为记录，这样便可以方便地通过索引来查找到其所在的文档

例如：

• 简单来说，普通的查询检索是通过文档查找关键词，而倒排索引就是通过关键词找到文档

流程：

将数据库中的结构化数据数据转换为非结构化数据

然后将非结构化数据转化为分词结构

---

Django使用haystack

• haystack是django的开源搜索框架，该框架支持 Solr,Elasticsearch,Whoosh, Xapian搜索引擎，不用更改代码，直接切换引擎，减少代码量。

• 搜索引擎使用Whoosh，这是一个由纯Python实现的全文搜索引擎，没有二进制文件等，比较小

  巧，配置比较简单，当然性能自然略低。

• 中文分词Jieba，由于Whoosh自带的是英文分词，对中文的分词支持不是太好，故用jieba替换

  whoosh的分词组件。

配置与使用：

syl/settings.py 全文检索配置

'''1.注册app ''' 
INSTALLED_APPS = [ 
    'haystack', # haystack要放在应用的上面 
]

'''2.模板路径 '''
TEMPLATES = [
    {
        'DIRS':[os.path.join(BASE_DIR,'templates')],
    }
]


'''3.全文检索配置'''
HAYSTACK_SEARCH_RESULTS_PER_PAGE = 15 # 搜索出多条数据时需要分页
HAYSTACK_CONNECTIONS = {
    'default': {
        'ENGINE': 'course.whoosh_cn_backend.MyWhooshEngine',
        'PATH': os.path.join(BASE_DIR, 'whoosh_index'), # 指定倒排索引存放位置
    }
}

# # ES引擎 
# HAYSTACK_CONNECTIONS = { 
# 'default': {
		# 'ENGINE': 'haystack.backends.elasticsearch_backend.ElasticsearchSearchEngine', 
    	# 'URL': 'http://10.211.55.15:9200/',  # Elasticsearch服务器ip地址，端口号固 定为9200 
        # 'INDEX_NAME': 'syl', # Elasticsearch建立的反向索引库的名称 
        # }, 
# } 
# 添加此项，当数据库改变时，会自动更新索引，非常方便 
HAYSTACK_SIGNAL_PROCESSOR = 'haystack.signals.RealtimeSignalProcessor'

• 子应用下创建索引文件apps/course/search_indexes.py

# apps/course/search_indexes.py
# 文件名必须是 search_indexes.py
from haystack import indexes
from .models import Course

# 修改此处，类名为模型类的名称+Index，比如模型类为GoodsInfo,则这里类名为GoodsInfoIndex(其 实可以随便写)
class CourseIndex(indexes.SearchIndex, indexes.Indexable):
    """ Course索引类 """
    # text为索引字段 # 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
    # use_template=True 指定根据表中的那些字段建立索引文件的说明放在一个文件中
    text = indexes.CharField(document=True, use_template=True)

    # 对那张表进行查询
    def get_model(self): # 重载get_model方法，必须要有
        """返回建立索引的模型类"""
        return Course   # 返回这个model
    # 建立索引的数据
    def index_queryset(self, using=None):
        """返回要建立索引的数据查询集"""
        # 这个方法返回什么内容，最终就会对那些方法建立索引，这里是对所有字段建立索引
        return self.get_model().objects.all()

• 指定索引模板文件

templates/search/indexes/course/course_text.txt

创建文件路径命名必须这个规范：templates/search/indexes/应用名称/模型类名称 text.txt

{{object.id}} 
{{object.title}} 
{{object.desc}}

• 修改为jieba分词中的中文分析器

# apps/course/whoosh_cn_backend.py

# 更换 text 字段的 分析方式, 变为jieba分词中的中文分析器
from haystack.backends.whoosh_backend import WhooshEngine, WhooshSearchBackend
from whoosh.fields import TEXT
from jieba.analyse import ChineseAnalyzer
class MyWhooshSearchBackend(WhooshSearchBackend):
    def build_schema(self, fields):
        (content_field_name, schema) = super().build_schema(fields)
        # 指定whoosh使用jieba进行分词
        schema._fields['text'] = TEXT(stored=True,
                                      analyzer=ChineseAnalyzer(),
                                      field_boost=fields.get('text').boost,
                                      sortable=True)
        return (content_field_name, schema)

class MyWhooshEngine(WhooshEngine):
    backend = MyWhooshSearchBackend

• 课程全文检索接口视图函数

# course/views.py
from syl import settings 
from django.core.paginator import InvalidPage, Paginator 
from haystack.forms import ModelSearchForm 
from django.http import JsonResponse

# 如果settings.py中配置就是用settings中配置的，否则就每页15条
RESULTS_PER_PAGE = getattr(settings, 'HAYSTACK_SEARCH_RESULTS_PER_PAGE', 15)


def course_index_search(request):
    query = request.GET.get('q', None)
    page = int(request.GET.get('page', 1))# 第几页
    page_size = int(request.GET.get('page_size', RESULTS_PER_PAGE))# 每页多少条
    if query:
        form = ModelSearchForm(request.GET, load_all=True) # 将查询条件传递给查询对 象
        if form.is_valid():
            results = form.search() # 查询出来的最终数据
        else:
            results = []
    else:
        return JsonResponse({"code": 404, "msg": 'No file found！', "data": []})

    # 对结果集进行分页
    paginator = Paginator(results, page_size)
    try:
        page = paginator.page(page) # 从分好的页中拿第几页
    except InvalidPage: # 如果分页出错
        return JsonResponse({"code": 404, "msg": 'No file found！', "data": []})
    jsondata = []
    for result in page.object_list: # 分页后的课程查询结果
        data = {
            'id': result.object.id,
            'title': result.object.title,
            'desc': result.object.desc,
            'img':
                request.scheme + '://' + request.META['HTTP_HOST'] + result.object.img.url,
            # 'follower': result.object.follower,
            'learner': result.object.learner,
            'status': result.object.status,
            'course_type': result.object.course_type.id
        }
        jsondata.append(data)

    result = {
        "code": 200,
        "msg": 'Search successfully！',
        "data": {"count": page.paginator.count, "results": jsondata}
    }
    return JsonResponse(result)

• syl/urls.py添加路由

urlpatterns = [ 
    path('search/', course_index_search), 
]

• 命令创建倒排索引

python manage.py rebuild_index