上一篇文章已经实现了英文关键字对应博客的 title 和 content 的搜索数据,但是发现通过中文搜索无法搜索到数据。那么本篇主要实现搜索模块对中文关键字搜索的支持。
首先,需要创建对应支持中文搜索的库 jieba 库:
pip install jieba
在 jieba 库对应的 github 地址查看 jiaba 库是如何使用的。
https://github.com/fxsjy/jieba
* 支持四种分词模式:
* 精确模式,试图将句子最精确地切开,适合文本分析;
* 全模式,把句子中所有的可以成词的词语都扫描出来, 速度非常快,但是不能解决歧义;
* 搜索引擎模式,在精确模式的基础上,对长词再次切分,提高召回率,适合用于搜索引擎分词。
* paddle模式,利用PaddlePaddle深度学习框架,训练序列标注(双向GRU)网络模型实现分词。同时支持词性标注。paddle模式使用需安装paddlepaddle-tiny,`pip install paddlepaddle-tiny==1.6.1`。目前paddle模式支持jieba v0.40及以上版本。jieba v0.40以下版本,请升级jieba,`pip install jieba --upgrade` 。[PaddlePaddle官网](https://www.paddlepaddle.org.cn/)
* 支持繁体分词
* 支持自定义词典
* MIT 授权协议
# encoding=utf-8
import jieba
jieba.enable_paddle()# 启动paddle模式。 0.40版之后开始支持,早期版本不支持
strs=["我来到北京清华大学","乒乓球拍卖完了","中国科学技术大学"]
for str in strs:
seg_list = jieba.cut(str,use_paddle=True) # 使用paddle模式
print("Paddle Mode: " + '/'.join(list(seg_list)))
seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list)) # 全模式
seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精确模式
seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式
print(", ".join(seg_list))
seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所,后在日本京都大学深造") # 搜索引擎模式
print(", ".join(seg_list))
#对应输出
【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
【精确模式】: 我/ 来到/ 北京/ 清华大学
【新词识别】:他, 来到, 了, 网易, 杭研, 大厦 (此处,“杭研”并没有在词典中,但是也被Viterbi算法识别出来了)
【搜索引擎模式】: 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造
可以看到 jieba 库对应四种切割模式可以将一段中文以不同形式切割成不同词,而这些词就可以作为搜索的关键字进行搜索。
接下来需要在 post 应用模块下创建 tokenizer.py 文件,tokenizer.py 为自定义文件:
import jieba
from whoosh.analysis import Tokenizer, Token
class ChineseTokenizer(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=False) # (精确模式)使用结巴分词库进行分词
# seglist = jieba.cut_for_search(value) #(搜索引擎模式) 使用结巴分词库进行分词
for w in seglist:
print w
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()
tokenizer.py 这里使用了 jieba 的精确模式去处理中文的分词,实则是一个工具包。这里代码不用手写,直接拿来使用即可。
欢迎关注公众号 【python面面观】,在聊天对话框回复「博客」获取源码地址以及其他 python 相关知识。
完成了中文分词,接下来得让这个分词工具和搜索库进行关联。
拷贝 python 安装目录下的 whoosh_backend.py 文件到 post 模块目录下,我这里的对应目录为 E:\python\python37\Lib\site-packages\haystack\backends,同时改名为 whoosh_cn_backend.py。
接下来,在 whoosh_cn_backend.py 搜索 build_schema 关键字进行更改关联上面定义的中文分析器。
#导入中文分析器
from post.tokenizer import ChineseAnalyzer
schema_fields[field_class.index_fieldname] = TEXT(stored=True, analyzer=ChineseAnalyzer(), field_boost=field_class.boost, sortable=True)
同时,setting.py 的搜索引擎需要更改为自定义的 whoosh_cn_backend 搜索引擎。
# 指定生成的索引路径
HAYSTACK_CONNECTIONS = {
'default': {
# 修改引擎
'ENGINE': 'post.whoosh_cn_backend.WhooshEngine',
'PATH': os.path.join(BASE_DIR, 'whoosh_index'),
},
}
重新生成索引文件。
python manage.py rebuild_index
生成之后,可以看到在控制台有对应中文分词的打印。最后运行项目,看一看搜索模块是否已经可以支持中文分词的搜索。
效果图_01.png此时可以看到搜索 "绘制"已经可以匹配到对应 title 中有 “绘制” 的博客进行显示。
网友评论