Whoosh：Python 的輕量級(jí)搜索工具
Whoosh簡(jiǎn)介
Whoosh由Matt Chaput創(chuàng)建，它一開(kāi)始是一個(gè)為Houdini 3D動(dòng)畫軟件包的在線文檔提供簡(jiǎn)單、快速的搜索服務(wù)工具，之后便慢慢成為一個(gè)成熟的搜索解決工具并已開(kāi)源。
Whoosh純由Python編寫而成，是一個(gè)靈活的，方便的，輕量級(jí)的搜索引擎工具，現(xiàn)在同時(shí)支持Python2、3，其優(yōu)點(diǎn)如下：
- Whoosh純由Python編寫而成，但很快，只需要Python環(huán)境即可，不需要編譯器；
- 默認(rèn)使用 Okapi BM25F排序算法，也支持其他排序算法；
- 相比于其他搜索引擎，Whoosh會(huì)創(chuàng)建更小的index文件；
- Whoosh中的index文件編碼必須是unicode;
- Whoosh可以儲(chǔ)存任意的Python對(duì)象。
Whoosh的官方介紹網(wǎng)站為：https://whoosh.readthedocs.io/en/latest/intro.html 。相比于ElasticSearch或者Solr等成熟的搜索引擎工具，Whoosh顯得更輕便，操作更簡(jiǎn)單，可以考慮在小型的搜索項(xiàng)目中使用。
Index & query
對(duì)于熟悉ES的人來(lái)說(shuō)，搜索的兩個(gè)重要的方面為mapping和query，也就是索引的構(gòu)建以及查詢，背后是復(fù)雜的索引儲(chǔ)存、query解析以及排序算法等。如果你有ES方面的經(jīng)驗(yàn)，那么，對(duì)于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(qiáng)大功能之一在于它能夠提供全文檢索，這依賴于排序算法，比如BM25，也依賴于我們?cè)鯓觾?chǔ)存字段。因此，index作為名詞時(shí)，是指字段的索引，index作為動(dòng)詞時(shí)，是指建立字段的索引。而query會(huì)將我們需要查詢的語(yǔ)句，通過(guò)排序算法，給出合理的搜索結(jié)果。
關(guān)于Whoosh的使用，在官文文檔中已經(jīng)給出了詳細(xì)的說(shuō)明，筆者在這里只給出一個(gè)簡(jiǎn)單的例子，來(lái)說(shuō)明Whoosh如何能方便地提升我們的搜索體驗(yàn)。
示例代碼
數(shù)據(jù)
本項(xiàng)目的示例數(shù)據(jù)為poem.csv，下圖為該數(shù)據(jù)集的前十行：
poem.csv
字段
根據(jù)數(shù)據(jù)集的特征，我們創(chuàng)建四個(gè)字段（fields）：title, dynasty, poet, content。創(chuàng)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(chuàng)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(gè)單元值，不能分割為若干個(gè)詞，常用于文件路徑、URL、日期、分類；
TEXT文件的文本內(nèi)容，建立文本的索引并存儲(chǔ)，支持詞匯搜索；Analyzer選擇結(jié)巴中文分詞器。
創(chuàng)建索引文件
接著，我們需要?jiǎng)?chuàng)建索引文件。我們利用程序先解析poem.csv文件，并將它轉(zhuǎn)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(chǔ)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(chuàng)建成功后，會(huì)生成indexdir目錄，里面含有上述poem.csv數(shù)據(jù)的各個(gè)字段的索引文件。
查詢
index創(chuàng)建成功后，我們就利用進(jìn)行查詢。
比如我們想要查詢content中含有明月的詩(shī)句，可以輸入以下代碼：
# 創(chuàng)建一個(gè)檢索器
searcher = ix.searcher()
# 檢索content中出現(xiàn)'明月'的文檔
results = searcher.find("content", "明月")
print('一共發(fā)現(xiàn)%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(jié)果如下：
一共發(fā)現(xiàn)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(xiāng)。", "dynasty": "唐代", "poet": "李白 ", "title": "靜夜思"}
{"content": "邊草，邊草，邊草盡來(lái)兵老。山南山北雪晴，千里萬(wàn)里月明。明月，明月，胡笳一聲愁絕。", "dynasty": "唐代", "poet": "戴叔倫 ", "title": "調(diào)笑令·邊草"}
{"content": "獨(dú)坐幽篁里，彈琴?gòu)?fù)長(zhǎng)嘯。深林人不知，明月來(lái)相照。", "dynasty": "唐代", "poet": "王維 ", "title": "竹里館"}
{"content": "漢江明月照歸人，萬(wàn)里秋風(fēng)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(zèng)吳國(guó)賓"}
{"content": "秦時(shí)明月漢時(shí)關(guān)，萬(wàn)里長(zhǎng)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，鐘山只隔數(shù)重山。春風(fēng)又綠江南岸，明月何時(shí)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(fēng)明月無(wú)人管，并作南樓一味涼。", "dynasty": "宋代", "poet": "黃庭堅(jiān) ", "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(yáng)州韓綽判官"}
{"content": "露氣寒光集，微陽(yáng)下楚丘。猿啼洞庭樹(shù)，人在木蘭舟。廣澤生明月，蒼山夾亂流。云中君不見(jiàn)，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(shí)。情人怨遙夜，竟夕起相思。滅燭憐光滿，披衣覺(jué)露滋。不堪盈手贈(zèng)，
