全文索引搜索whoosh

问题

Whoosh是python中解决索引查找的模块，在讨论索引查找的文章已经对有关索引查找进行了阐述，此处具体说明Whoosh模块的应用。

思路说明

Whoosh的安装

这里有具体内容(链接被被阉割！

)

whoosh的使用步骤

whoosh在应用上划分三个步骤：

建立索引和模式对象
写入索引文件
搜索

以下依次阐述各步骤

建立索引和模式对象

建立索引模式

使用Whoosh的第一步就是要建立索引对象。首先要定义索引模式，以字段的形式列在索引中。

比如：

>>> from whoosh.fields import *
>>> schema = Schema(title=TEXT, path=ID, content=TEXT)

title/path/content就是所谓的字段。每一个字段相应索引查找目标文件的一部分信息，上面的样例中就是建立索引的模式：索引内容包含title/path/content。

一个字段建立了索引，意味着它可以被搜索。也可以被存储，意味着返回结果。比如上面的样例。可以写成：

>>> schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT)

这里在某些字段后面加入了(stored=True)。意味着将返回该字段的搜索结果。

以上就建立好了索引模式。不须要反复建立索引模式，由于一旦此模式建立，将随索引保存。

在生产过程中，假设你愿意。还可以建立一个类用于建立索引模式。

例如以下样例：

from whoosh.fields import SchemaClass, TEXT, KEYWORD, ID, STORED

class MySchema(SchemaClass):
    path = ID(stored=True)
    title = TEXT(stored=True)
    content = TEXT
    tags = KEYWORD

索引字段类型

在上例中，title=TEXT，title是字段名称。后面的TEXT是该字段的类型。

这两个分别说明了索引内容和查找对象类型。

whoosh有例如以下字段类型，供建立所以模式使用。

whoosh.fields.ID:仅能为一个单元值，即不能切割为若干个词。通经常使用于诸如文件路径。URL，日期，分类。
whoosh.fields.STORED:该字段随文件保存，可是不能被索引。也不能被查询。经常使用于显示文件信息。
whoosh.fields.KEYWORD:用空格或者逗号（半角）切割的关键词，可被索引和搜索。
为了节省空间，不支持词汇搜索。
whoosh.fields.TEXT:文件的文本内容。建立文本的索引并存储，支持词汇搜索。
whoosh.fields.NUMERIC:数字类型，保存整数或浮点数。
whoosh.fields.BOOLEAN:布尔类值
whoosh.fields.DATETIME:时间对象类型

关于索引字段类型的很多其它内容，请看这里.（链接被被阉割！）

建立索引存储文件夹

索引模式建立之后。还要建立索引存储文件夹。例如以下：

import os.path
from whoosh.index import create_in
from whoosh.index import open_dir

if not os.path.exists('index'):     #假设文件夹index不存在则创建
    os.mkdir('index') 
ix = create_in("index",schema)      #依照schema模式建立索引文件夹
ix = open_dir("index")　            #打开该文件夹一遍存储索引文件

上例中。用create_in创建一个具有前述索引模式的索引存储文件夹对象，全部的索引将被保存在该文件夹（index）中。

之后，用open_dir打开这个文件夹。

第一步到此结束。

把上面的代码整理一下，供參考：

import os.path

from whoosh import fields
from whoosh import index

schema = fields.Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT)

if not os.path.exists("index"):
    os.mkdir("index")

ix = index.create_in("index",schema)
ix = index.open_dir("index")

写索引文件

(待续）

声明

本文属于阉割之后的版本号。