标签：engine 访问 boost 自动 amp from cal none res
搜索是一个日益重要的话题。用户越来越依赖于搜索从噪声信息中分离和快速找到有用信息。此外，搜索搜索可以洞察那些东西是受欢迎的，改善网站上难以查找的东西。
为此，Haystack试图整合自定义搜索，使其尽可能简单的灵活和强大到足以处理更高级的用例。haystack支持多种搜索引擎，不仅仅是whoosh，使用
solr、elastic search等搜索，也可通过haystack，而且直接切换引擎即可，甚至无需修改搜索代码。
pip install django-haystack pip install whoosh pip install jieba
1：将Haystack添加到settings.py中的INSTALLED_APPS中：
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：在你的settings.py中添加一个设置来指示站点配置文件正在使用的后端，以及其他的后端设置。
Solr：
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:
HAYSTACK_CONNECTIONS = { ‘default‘: { ‘ENGINE‘: ‘haystack.backends.elasticsearch_backend.ElasticsearchSearchEngine‘, ‘URL‘: ‘http://127.0.0.1:9200/‘, ‘INDEX_NAME‘: ‘haystack‘, }, }
Whoosh：
#需要设置PATH到你的Whoosh索引的文件系统位置 import os 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:
#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。 import os HAYSTACK_CONNECTIONS = { ‘default‘: { ‘ENGINE‘: ‘xapian_backend.XapianEngine‘, ‘PATH‘: os.path.join(os.path.dirname(__file__), ‘xapian_index‘), }, }
下面我们以whoosh为例进行操作。
在整个项目的urls.py中，配置搜索功能的url路径
urlpatterns = [ ... url(r‘^search/‘, include(‘haystack.urls‘)), ]
在你的应用目录下面新建一个search_indexes.py文件，文件名不能修改！
from haystack import indexes from app01.models import Article class ArticleIndex(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！ return Article def index_queryset(self, using=None): return self.get_model().objects.all()
ps：为什么要创建索引呢，索引就像一本书的目录，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满足搜索条件的几乎是不太可能的事情，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。
索引实现的细节并不是我们需要关心的事情，但是它为哪些字段创建索引，怎么指定，下面来说明：
每个索引里面必须有且只能有一个字段为 document=Ture，这代表着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，并不做检索的依据。
注意：如果一个字段设置了document=True,则一般约定此字段名为text，这是ArticleIndex类里面一贯的写法。
另外，我们在text字段上提供了use_template=Ture。这允许我们使用一个数据模板，来构建文档搜索引擎索引。你应该在模板目录下建立,也就是在
templates文件夹中建立一个新的模板，search/indexes/项目名/模型名_text.txt，并且将以下的内容放入txt文件中：
#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就是对
搜索模板默认在search/search.html中，下面的代码足以让你搜索运行：
<!DOCTYPE html> <html> <head> <title></title> <style> span.highlighted { color: red; } </style> </head> <body> {% load highlight %} {% if query %} <h3>搜索结果如下：</h3> {% for result in page.object_list %} {# <a href="/{{ result.object.id }}/">{{ result.object.title }}</a><br/>#} <a href="/{{ result.object.id }}/">{% highlight result.object.title with query max_length 2%}</a><br/> <p>{{ result.object.content|safe }}</p> <p>{% highlight result.content with query %}</p> {% empty %} <p>啥也没找到</p> {% endfor %} {% if page.has_previous or page.has_next %} <div> {% if page.has_previous %} <a href="?q={{ query }}&page={{ page.previous_page_number }}">{% endif %}« 上一页 {% if page.has_previous %}</a>{% endif %} | {% if page.has_next %}<a href="?q={{ query }}&page={{ page.next_page_number }}">{% endif %}下一页 » {% if page.has_next %}</a>{% endif %} </div> {% endif %} {% endif %} </body> </html>
注意：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。他们可以通过{{ result.object }}来访问，
配置完成之后，接下应该把数据库中的数据放入索引。Haystack中自带了一个命令工具：
python manage.py rebuild_index
新建一个ChineseAnalyzer.py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=True) for w in seglist: 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 def ChineseAnalyzer(): return ChineseTokenizer()
保存在python安装路径的backends文件夹中（例如：D:\python3\Lib\site-packages\haystack\backends）
然后在该文件夹中找到一个whoosh_backend.py文件，改名为whoosh_cn_backend.py
在内部添加：
from .ChineseAnalyzer import ChineseAnalyzer
然后查找到这行代码：
analyzer=StemmingAnalyzer()
修改为：
analyzer=ChineseAnalyzer()
<form method=‘get‘ action="/search/" target="_blank"> <input type="text" name="q"> <input type="submit" value="查询"> </form>
标签：engine 访问 boost 自动 amp from cal none res
原文地址：https://www.cnblogs.com/ay742936292/p/11165876.html
