whoosh----索引|搜索文本类库
先了解基本概念和步驟：
Quick Start
???Whoosh是一個索引文本和搜索文本的類庫，他可以為你提供搜索文本的服務，比如如果你在創建一個博客的軟件，你可以用whoosh為它添加添加一個搜索功能以便用戶來搜索博客的入口
下面是一個簡短的例子：
>>>from whoosh.index importcreate_in
>>>from whoosh.fields import *
>>>schema = Schema(title =TEXT(stored = True),path = ID(stored=True),content=TEXT)
>>>ix =create_in("indexer",schema)（這里的“indexer”實際上是一個目錄，因此按照這個步驟來會出錯，你得先創建目錄，譯者注）
>>>writer = ix.writer()
>>>writer.add_document(title=u"Firstdocument",path=u"/a",
??????????????????? content = u"this isthe first document we've add!")
>>>writer.add_document(title=u"Second document", path=u"/b",
??????????????????????? ...???????????????????? content=u"The secondone is even more interesting!")
>>> writer.commit()
>>> from whoosh.qparser importQueryParser
>>> with ix.searcher() assearcher:
???query = QueryParser("content",ix.schema).parse("first")
???results = searcher.search(query)
???results[0]
{"title": u"Firstdocument", "path": u"/a"}
?
Index和Schema對象
[H1]?
在?開始使用whoosh之前，你需要一個index對象，在你第一次創建index對象時你必須定義一個Schema對象，Schema對象列出了 Index的所有域。一個域就是Index對象里面每個document的一個信息，比如他的題目或者他的內容。一個域能夠被索引（就是能被搜索到）或者被存儲（就是得到索引之后的結果，這對于標題之類的索引非常有用）
下面這個schema對象有兩個域，“title”和“content”
from whoosh.fields import Schema,TEXT
schema = Schema(title=TEXT,content=TEXT)
當你創建index的時候你創建一次schema對象就夠了，schema是序列化并且和index存儲的。
當你創建索引對象的時候，需要用到關鍵字參數來將域名和類型建立映射關系，域的名字和類型決定了你在索引什么和什么事可搜索的。whoosh有很多非常有用的預定義域類型，你可以非常容易的創建他們。如下：
whoosh.fields.ID
whoosh.fileds.STROED
whoosh.fileds.KEYWORD
whoosh.fields.TEXT
whoosh。fields.NUMERIC
whoosh.fields.BOOLEAN
whoosh.fields.DATETIME
whoosh.fields.NGRAM和whoosh.fields.NGRAMWORDS
這種類型把文本分成n-grams（以后詳細介紹）
（為了簡便，你可以不給域類型傳遞任何參數，你可以僅僅給出類型名字whoosh會為你創造類的實例）
from whoosh.fields importSchema,STROED,ID,KEYWORD,TEXT
schema =Schema(title=TEXT(stored=True),content=TEXT,
??????????????? path=ID(stored=True),tags=KEYWORD,icon=STROED)
一旦你有了schema對象，你可以用create_in函數創建索引：
import os.path
from whoosh.fields import create_in
if not os.path.exists("index"):
???os.mkdir("index")
??? ix= create_in("index",schema)
(這創造了一個存儲對象來包含索引，存儲對象代表存儲索引的媒介，通常是文件存儲，也就是存在目錄的一系列文件)
在你創建索引之后，你可以通過open_dir函數方便地打開它
from whoosh.index import open_dir
ix = open_dir("index")
IndexWriter對象
好了我們有了索引對象現在我們可以添加文本。索引對象的writer()方法返回一個能夠讓你給索引添加文本的IndexWriter對象，IndexWriter對象的add_document(**kwargs)方法接受關鍵字參數：
writer = ix.writer()
writer.add_document(title=u"Mydocument", content=u"This is my document!",
???????????????????path=u"/a",tags=u"first short",icon=u"/icons/star.png")
writer.add_document(title=u"Secondtry", content=u"This is the second example.",?????????????????? path=u"/b",tags=u"second short", icon=u"/icons/sheep.png")
writer.add_document(title=u"Thirdtime's the charm", content=u"Examples are many."???????????????? path=u"/c",tags=u"short", icon=u"/icons/book.png")
writer.commit()
?
兩個重點：
1.你不必要把每一個域都填滿，whoosh不關系你是否漏掉某個域
2.被索引的文本域必須是unicode值，被存儲但是不被索引的域（STROED域類型）可以是任何和序列化的對象
如果你需要一個既要被索引又要被存儲的文本域，你可以索引一個unicode值但是存儲一個不同的對象（某些時候非常有用）
writer.add_document(title=u"Title tobe indexed",_stored_title=u"Stored title")
使用commit()方法讓IndexWriter對象將添加的文本保存到索引
writer.commit()
Searcher對象
?
在搜索文本之前，我們需要一個Searcher對象
searcher = ix.searcher()
推薦用with表達式來打開搜索對象以便searcher對象能夠自動關閉（searcher對象代表打開的一系列文件，如果你不顯式的關閉他們，系統會慢慢回收他們以至于有時候會用盡文件句柄）
with in.searcher() as searcher:
??? ...
這等價于：
try:
???searcher = ix.searcher()
???...
finally:
??? searcher.close()
Searcher對象的search方法使用一個Query對象，你可以直接構造query對象或者用一個query parser來得到一個查詢語句
#Construct query objects directly
from whoosh.query import *
myquery =And([Term("content",u"apple"),Term("content","bear")])
用parser得到一個查詢語句，你可以使用默認的qparser模塊里面的query parser。QueryParser構造器的第一個參數是默認的搜索域，這通常是“正文文本”域第二個可選參數是用來理解如何parse這個域的schema對象：
#Parse a query string
from whoosh.qparser import QueryParser
parser =QueryParser("content",ix.schema)
myquery = parser.parse(querystring)
一旦你有了Searcher和query對象，你就可以使用Searcher對象的search()方法進行查詢并且得到一個結果對象
>>>results =searcher.search(myquery)
>>>print len(results)
1
>>>print results[0]
{"title": "Second try","path": /b,"icon":"/icon/sheep.png"}
默認的QueryParser實現了一種類似于lucene的查詢語言，他允許你使用連接詞AND和OR以及排除詞NOT和組合詞together來搜索，他默認使用AND將從句連結起來（因此默認你所有的查詢詞必須都在問當中出現）
>>>print(parser.parse(u"render shade animate"))
And([Term("content","render"), Term("content", "shade"),Term("content", "animate")])
>>>print(parser.parse(u"render OR (title:shade keyword:animate)"))
Or([Term("content","render"), And([Term("title", "shade"),Term("keyword", "animate")])])
>>>print(parser.parse(u"rend*"))
Prefix("content","rend")
Whoosh處理結果包含額外的特征，例如：
1.按照結果索引域的值排序，而不是按照相關度
2.高亮顯示原文檔中的搜索詞
3.擴大查詢詞給予文檔中找到的少數值
4.分頁顯示（例如顯示1-20條結果，第一到第四頁的結果）
===================】================================】
?
Searcher：
class Searcher(object): 由index對象得到，接收query對象，返回res對象。
Wraps an:class:`~whoosh.reading.IndexReader` object and provides methods for searchingthe index. # 本質上是對 index reader的封裝。
def __init__(self,reader, weighting=scoring.BM25F, closereader=True,
?????? ?fromindex=None, parent=None):
"""
:param?reader:An :class:`~whoosh.reading.IndexReader` object for
the index to search.
:param?weighting:A :class:`whoosh.scoring.Weighting` object to use to
score found documents.（評分模型傳入到searcher里面）
:param?closereader:Whether the underlying reader will be closed when
the searcher is closed.
:param?fromindex:An optional reference to the index of the underlying
reader. This is required for:meth:`Searcher.up_to_date` and :meth:`Searcher.refresh` to work.
"""
下面講解里面的函數：
------------------------------------------------------------------------------
1，?首先是入口函數def search(self, q, **kwargs):，首先調用c =self.collector(**kwargs)，對文檔進行過濾，self.search_with_collector(q,c)，再在過濾后的文檔集合c上處理查詢語句q。然后轉移到collector.prepare(self, q, context)，和collector.run()，由collector對象完成結果對象的獲取入口。Contex字典里面包含如評分函數之類的參數。
2， 里面還封裝了如讀取文檔某個field的總長度的函數，很多和q無關的但是可以讀取index的信息。如：doc_count_all，field_length，avg_field_length。如對特定文檔信息的查詢：defdocument_numbers(self,**kw): """Returns a generator of the document numbers fordocuments matching the given keyword arguments, where the keyword keys arefield names and the values are terms that must appear in the field，返回符合要求的文檔id集合。def document(self, **kw):返回符合要求的一個文檔。def idf(self, fieldname, text):計算單詞的idf，計算是通過調用idf = self.weighting.idf(self, fieldname, text)不過會緩存結果cache[term] = idf
3， 因為index在不斷的更新，所以search也需要跟新，和up_to_date和refresh函數都有關，所以會造成subsearchers，相應的每個subsearcher都有一個offset，表示docnum的偏移量。
4， def postings(self, fieldname, text, weighting=None, qf=1):是一個對底層ixreader.postings，另外還會考慮subsearchers的因素和設置評分函數，返回Matcher或者MultiMatcher。這里接收的是text，不是query對象。具體可以看ixreader.postings函數。
Result對象：是結果對象。
Hit對象：是result里面的一條記錄。
?
Query解析：qparser解析字符串，得到query對象。或者自己直接構建query對象。
不同的parser適應不同的場景，不同的parser解析和生成不同的query，就像插件一樣進行添加，就可以獲取相應的功能。
phrase和sequence是不兼容的，其它的是兼容的。
# 這個只需要whoosh.qparser.FuzzyTermPlugin()模糊匹配就可以了
queryParser.add_plugin(whoosh.qparser.FuzzyTermPlugin())
Q = '"BM25F function"'
Q = '"BM25F function"~2' #使用SequencePlugin后，他就不是phrase，而是sequence
Q = '"BM25F~2 function"~2'
# 這個需要whoosh.qparser.SequencePlugin()來處理復雜的邏輯，phrase里面還包含模糊匹配。不然只能處理簡單的phrase
queryParser.add_plugin(whoosh.qparser.FuzzyTermPlugin())? # 這個可別忘了
queryParser.remove_plugin_class(whoosh.qparser.PhrasePlugin)
queryParser.add_plugin(whoosh.qparser.SequencePlugin())? #phrase 和sequence是不兼容的，所以必須去掉前者，才能發揮sequence的復雜功能
?
Query類：query像是一個樹或者python的list，層層封裝包含。
class Term(qcore.Query):
Matches documents containing the given term(fieldname+text pair).
>>> Term("content",u"render")
Term是非常基本的query對象，只包含一個單詞，以及對應要檢索的field。
Range包含NumericRange和TermRange，屬于模糊匹配。如：
>>> TermRange("id",u"apple", u"pear" )# to 'apple' and less than or equal to'pear'.
>>> nr =NumericRange("number", 10, 5925) # Match numbers from 10 to 5925 inthe "number" field.
下面講解里面的子類：
------------------------------------------------------------------------------
WrappingQuery用來給一個query對象綁定一個權重。
CompoundQuery用來封裝query之間的邏輯關系，如or，and，將簡單的query封裝成復雜的query。如Sequence和Ordered都繼承自CompoundQuery。
Span是一個計算單詞位置信息的類，SpanQuery是一個可以利用span信息的query類。來計算兩個單詞之間的距離是否滿足一定的窗口。
Sequence和Phrase都是基于位置信息的query，但是內部都會
# Create the equivalent SpanNear2 queryfrom the terms
q = SpanNear2(terms, slop=self.slop,ordered=True, mindist=1)
# Get the matcher
m = q.matcher(searcher, context)
將查詢語句變成spanquery對象，得到匹配的doc，然后再進行評分。
Spanquery的規則只能應用到match中，不能體現在score中。
?
Collector：收集文檔結果，并返回results對象，可以cache很多中間結果信息。
This module contains "collector"objects. Collectors provide a way to?gather"raw" results?from a :class:`whoosh.matching.Matcher` object,implement sorting, filtering, collation,etc., and produce a :class:`whoosh.searching.Results` object
下面講解里面的子類：
------------------------------------------------------------------------------
TopCollector：Returns the top N matching results sorted by score, usingblock-quality optimizations to skip blocks of documents that can't contributeto the top N。會直接排除掉不能排進前n名的文檔。
FilterCollector：A collector that lets you allow and/or restrict certain documentnumbers in the results。
TimeLimitCollector：A collector that raises a :class:`TimeLimit` exception if the searchdoes not complete within a certain number of second。
TermsCollector：A collector that remembers which terms appeared in which termsappeared in each matched document。
SortingCollector：Returns all matching results sorted by a:class:`whoosh.sorting.Facet` object。根據特定的規則對結果進行排序。
Here's an example of a simple collectorthat instead of remembering the matched documents just counts up the number ofmatches::
???class CountingCollector(Collector):
???????def prepare(self, top_searcher, q, context):
???????????# Always call super method in prepare
???????????Collector.prepare(self, top_searcher, q, context)
???????????self.count = 0
???????def collect(self, sub_docnum):
???????????self.count += 1
??? c= CountingCollector()
? ??mysearcher.search_with_collector(myquery, c)
???print(c.count)
簡單的計數collector的例子。可以看出，matcher負責找到結果，collector負責進行排序，過濾，是對結果再處理。
Collector也會嵌套，比如普通collector作為TimeLimitCollector的self.child屬性來存在。TimeLimitCollector封裝了對普通collector的時間要求限制。
前面search講了，search會跳轉到collector的run函數上面。下面可以看到最終還是跳轉到query對象的match函數上，進而任務落到query返回的matcher身上：
???def run(self):
??????for subsearcher, offset in self.top_searcher.leaf_searchers():
?????????self.set_subsearcher(subsearcher,offset)
?????????self.collect_matches()
???def?set_subsearcher(self,subsearcher, offset):
???????self.subsearcher = subsearcher
???????self.offset = offset
???????self.matcher = self.q.matcher(subsearcher,self.context)
???def?collect_matches(self):
???????collect = self.collect
???????for sub_docnum in?self.matches():?#matches會獲取_step_through_matches中的id
? ??????????collect(sub_docnum)
def?_step_through_matches(self):
???????matcher = self.matcher
???????while matcher.is_active():
???????????yield matcher.id()
???????????matcher.next()
--------------------------------------------------------------------------
以Collector的子類ScoredCollector，以及ScoredCollector的子類TopCollector為例：
上面的分析可以看到通過yield協程技術，返回一個迭代器對象。迭代器一次返回docnum，然后調用collect來處理docnum。而collect函數首先調用matcher的score函數計算得到文檔的評分，在調用final_fn函數計算文檔的評分，最后在根據collector的不同調用_collect函數做不同的處理。如TopCollector就會根據分數score的大小是否排名前k，來覺得是否保存該文檔docnum，如果是UnlimitedCollector就會直接保存docnum。（注意：可以看到也是協程技術，所以相當于matcher每產生一個docnum，它就接著計算對應文檔的score，所以可以看到函數self.matcher.score()不需要傳入任何參數，因為matcher里面還保存這它返回的docnum的上下文）。因為UnlimitedCollector和TopCollector都是ScoredCollector的子類，所以先用collect實現它們共有的部分，在使用_collect實現特例的部分，也實現代碼之間分離。所以任務都轉移到matcher.id如何產生docnum，以及matcher.score如何計算分數。接下來一段會先分析matcher是如何來的。
???def collect(self, sub_docnum):
???????global_docnum = self.offset + sub_docnum
???????score = self.matcher.score()
???????if self.final_fn:
???????????score =self.final_fn(self.top_searcher, global_docnum, score)
???????return self._collect(global_docnum, score)
???def _collect(self, global_docnum, score):
???????items = self.items
???????self.total += 1
???????if len(items) < self.limit:
?? ?????????heappush(items, (score, 0 -global_docnum))
???????????return 0 - score
???????elif score > items[0][0]:
???????????heapreplace(items, (score, 0 - global_docnum))
???????????self.minscore = items[0][0]
???????????return 0 - score
???????else:
???????????return 0
?
?
Query類：
以query的子類sequence為例：
???def?matcher(self, searcher,context=None):
???????subs = self.subqueries
???????if not subs:
???????????return matching.NullMatcher()
???????if len(subs) == 1:
???????????m = subs[0].matcher(searcher, context)
???????else:
???????????m = self._matcher(subs,searcher, context)
???????return m
def?_matcher(self,subs, searcher, context):
???????from whoosh.query.spans import SpanNear
???????context = context.set(needs_current=True)
???????m =?self._tree_matcher(subs,SpanNear.SpanNearMatcher, searcher,
?????????????????????????????? context, None,slop=self.slop,
??????????????????????????????ordered=self.ordered)
???????return m
???def?_tree_matcher(self,subs,mcls, searcher, context, q_weight_fn,**kwargs):
???????subms = [q.matcher(searcher, context)?forq in subs]
???????if len(subms) == 1:
???????????m = subms[0]
???????elif q_weight_fn is None:
???????????m =?make_binary_tree(mcls, subms, **kwargs)
???????else:
???????????w_subms = [(q_weight_fn(q), m) for q, m in zip(subs, subms)]
???????????m =?make_weighted_tree(mcls, w_subms, **kwargs)
???????# If this query had a boost, add a wrapping matcher to apply the boost
???????if self.boost != 1.0:
???????????m = matching.WrappingMatcher(m, self.boost)
???????return m
可以看到，標紅的代碼部分構成遞歸循環，根據當前的查詢語句q和searcher和context，最終返回一個樹狀結構的matcher。這里也可以看到query是如何被解析為一個樹狀結構的，也可以看到WrappingMatcher是對多個matcher封裝成一個復合matcher。和collector得部分結合起來，最終進入到matcher.id()函數中去。（需要注意的是：構建make_weighted_tree的時候是需要SpanNearMatcher的，這為實現查詢語句窗口提供了基礎）
---------------------------------------------------------------------------
當查詢語句是復合查詢語句的時候，會存在subqueries。否則調用matcher后生成單一的matcher，而不是樹狀結構的，也就是生成樹狀結構matchers里面的葉子節點。以query的子類Term為例：
???def matcher(self, searcher, context=None):
???????fieldname = self.fieldname
???????text = self.text
???????if fieldname not in searcher.schema:
???????????return matching.NullMatcher()
???????field = searcher.schema[fieldname]
???????try:
???????????text = field.to_bytes(text)
???????except ValueError:
???????????return matching.NullMatcher()
???????if (self.fieldname, text) in searcher.reader():
???????????if context is None:
??????????????? w = searcher.weighting
???????????else:
??????????????? w = context.weighting
???????????m =searcher.postings(self.fieldname, text, weighting=w)
???????????if self.minquality:
???????????????m.set_min_quality(self.minquality)
???????????if self.boost != 1.0:
??????????????? m = matching.WrappingMatcher(m,boost=self.boost)
???????????return m
???????else:
???????????return matching.NullMatcher()
可以看到對于包含一個term的查詢語句matcher函數，最終會調用searcher.postings來生成最終的matcher，單個matcher會轉移到searcher.posting，如前面所說，進而轉移到ixreader.postings函數。兩點注意：一個是評分函數weighting，另一個是單詞的權重boost都在這里進行設置后者傳入。
---------------------------------------------------------------------------
查看whoosh.util 中的make_binary_tree和make_weighted_tree
def make_binary_tree(fn, args, **kwargs):
???count = len(args)
???if not count:
???????raise ValueError("Called make_binary_tree with empty list")
???elif count == 1:
???????return args[0]
???half = count // 2
???return fn(make_binary_tree(fn, args[:half], **kwargs),
????????????? make_binary_tree(fn, args[half:],**kwargs), **kwargs)
內容很簡單，就是利用fn遞歸構建一個課樹。
def make_weighted_tree(fn, ls, **kwargs):
???"""Takes a function/class that takes two positionalarguments and a list of
???(weight, argument) tuples and returns a huffman-like weighted tree of
???results/instances.
???"""
???if not ls:
???????raise ValueError("Called make_weighted_tree with empty list")
???ls.sort()
???while len(ls) > 1:
???????a = ls.pop(0)
???????b = ls.pop(0)
???????insort(ls, (a[0] + b[0], fn(a[1], b[1])))
???return ls[0][1]
是構建一個哈夫曼樹，那么權重調整了構建樹方式的不同，權重應該是為了加快計算速度的一個指標。總而言之，這一步只是對子查詢語句的返回的matchers構建一個樹狀的matcher。然后再用fn進行封裝，也就是SpanNearMatcher，它返回一個SpanNearMatcher對象，但底層都還是需要歸結到ixreader.postings函數來生成matcher。到現在為止，從query的解析，傳入searcher，調用collector，最后又返回到searcher.postings，也就是查詢的過程最終都歸結于searcher.postings對ixreader.postings得封裝，也就是給定field和查詢text對索引進行查詢，返回匹配的docnum。Collector和query對象只不過是處理了查詢語句中的位置信息、單詞權重boost信息、與或非等的邏輯關系。接下來進入ixreader.postings。
?
whoosh.reading.IndexReader看名字也知道是訪問index的接口：
里面包含了很多訪問index屬性的方法，如：
all_terms(self):?# Yields (fieldname, text) tuples for every term in the index.返回所有的（域名，單詞）對。
all_doc_ids(self):# Returns an iterator of all (undeleted) document IDs in the reader.Matcher返回一個迭代器，一次產出所有的文檔id
frequency(self,fieldname, text):# Returns the total number ofinstances of the given term in the collection.返回text在特定fieldname里面的頻率。
field_length(self,fieldname):# Returns the total number of terms inthe given field.返回某個field的總長度。
doc_field_length(self,docnum, fieldname, default=0):# Returns the numberof terms in the given field in the given document.返回某個文檔的field的長度。
most_frequent_terms(self,fieldname, number=5, prefix=''): Returns the top'number' most frequent terms in the given field as a list of (frequency, text)tuples.返回出現次數最多前k個單詞。
------------------------------------------------------------------------
以IndexReader 的子類classSegmentReader(IndexReader)為例：
defpostings(self, fieldname, text, scorer=None):
???????from whoosh.matching.wrappers import FilterMatcher
???????if self.is_closed:
???????????raise ReaderClosed
???????if fieldname not in self.schema:
???????????raise TermNotFound("No? field%r" % fieldname)
???????text = self._text_to_bytes(fieldname, text)
???????format_ = self.schema[fieldname].format
???????matcher = self._terms.matcher(fieldname, text,format_, scorer=scorer)
???????deleted = frozenset(self._perdoc.deleted_docs())
??? ????if deleted:
???????????matcher = FilterMatcher(matcher, deleted, exclude=True)
???????return matcher
好吧，轉移到了_terms的matcher函數上了，從名字也可以看出，這是針對單個單詞的matcher。而_terms是self._terms= self._codec.terms_reader(self._storage, segment)的實例，self._codec= codec if codec else segment.codec()等等，先到此為止，先來看看matcher類。
?
?
Matcher類：處理posting lists。最基礎的第一個matcher對象由如：whoosh.filedb.filepostings.FilePostingReader給出。（Posting list應該是一個term的倒排索引上文檔組成的鏈表）。
This module contains "matcher"classes. Matchers deal with posting lists. The most basic matcher, which readsthe list of postings for a term, will be provided by the backend implementation(for example, :class:`whoosh.filedb.filepostings.FilePostingReader`).
-------------------------------------------------------------------------
Matcher實現了對postinglists的封裝訪問，以Matcher的子類UnionMatcher為例，分析其中的函數：
def?replace(self, minquality=0):返回化簡版本的matcher，比如UnionMatcher執行的是“或”的語義操作，如果其中一個子matcher失效了，那么就只剩下另一個了，這個時候將另一個返回即可。如果是IntersectionMatcher執行的是“與”的語義操作，如果一個子matcher失效了，那么久返回一個NullMatcherClass，因為“與”操作，必須兩個matcher中都存在才可以，一個沒有了，就說明整個都沒有了。
def?id(self):
???????_id = self._id
???????if _id is not None:
???????????return _id
???????a = self.a
???????b = self.b
???????if not a.is_active():
???????????_id = b.id()
???????elif not b.is_active():
???????????_id = a.id()
???????else:
???????????_id = min(a.id(), b.id())
???????self._id = _id
???????return _id
?????? 可以看到，因為執行的是“或”語義，返回每一個子matcher遇到的posting，按照從小到大的順序，先返回其中比較小的。
def?next(self):從當前posting移動下一個posting。因為是“或”操作，所以是移動id比較小的matcher。如果是IntersectionMatcher，那么肯定是移動到兩個matcher共有的且下一個最小的posting上去。
???def?score(self):
???????a = self.a
???????b = self.b
???????if not a.is_active():
???????????return b.score()
???????if not b.is_active():
???????????return a.score()
???????id_a = a.id()
???????id_b = b.id()
???????if id_a < id_b:
???????????return a.score()
???????elif id_b < id_a:
???????????return b.score()
???????else:
???????????return (a.score() + b.score())
?????? 可以看到返回兩個子matcher的評分的和。進一步從LeafMatcher的score如下所示，可以看到對于葉子節點的matcher，返回的是scorer的score函數，參數是當前自己matcher。
def?score(self):
???????return self.scorer.score(self)
???????也可以看出兩個子matcher在計算分數的時候是相互分開的，這個是很致命的。比如要統計查詢語句Q = '"BM25Ffunction"~2'在文檔中出現的次數來作為評分，這是不可能的，因為單詞BM25F形成LeafMatcher的實例lm1，單詞function形成LeafMatcher的實例lm2，lm1和lm2是分開計算分數的，所以只會得到BM25F在文檔中的頻率加上function在文檔中的頻率之和來作為分數，而不是BM25F function在窗口2內的在文檔中的頻率。如文檔：“BM25F BM25F BM25F termfunction function”。正常的算出來的分數應該是1，而whoosh算出來的分數是5。
???def spans(self):
???????if not self.a.is_active():
???????????return self.b.spans()
???????if not self.b.is_active():
? ??????????return self.a.spans()
???????id_a = self.a.id()
???????id_b = self.b.id()
???????if id_a < id_b:
???????????return self.a.spans()
???????elif id_b < id_a:
???????????return self.b.spans()
???????else:
???????????return sorted(set(self.a.spans()) | set(self.b.spans()))
???????返回span對象這個很重要，記錄位置窗口信息。以后再詳細講。
結合我們之前講的部分，可以看到，有matcher從posting中得到文檔id，并matcher調用scorer的score來計算分數，傳遞的參數是matcher自身。
?
?
Scoring：有兩中類，評分模型和評分函數類。
以BM25F評分模型為例。
class?BM25F(WeightingModel):
???def __init__(self, B=0.75, K1=1.2, **kwargs):
???????self.B = B
???????self.K1 = K1
???????self._field_B = {}
???????for k, v in iteritems(kwargs):
???????????if k.endswith("_B"):
??????????????? fieldname = k[:-2]
???????????????self._field_B[fieldname] = v
???def supports_block_quality(self):
???????return True
???def scorer(self, searcher, fieldname, text, qf=1):
???????if not searcher.schema[fieldname].scorable:
???????????return WeightScorer.for_(searcher, fieldname, text)
???????if fieldname in self._field_B:
???????????B = self._field_B[fieldname]
???????else:
???????????B = self.B
???????return BM25FScorer(searcher, fieldname, text, B, self.K1, qf=qf)
class?BM25FScorer(WeightLengthScorer):
???def __init__(self, searcher, fieldname, text, B, K1, qf=1):
???????parent = searcher.get_parent()? #Returns self if no parent
???????self.idf = parent.idf(fieldname, text)
???????self.avgfl = parent.avg_field_length(fieldname) or 1
???????self.B = B
???????self.K1 = K1
???????self.qf = qf
???????self.setup(searcher, fieldname, text)
?????? defscore(self, matcher):
???????return self._score(matcher.weight(), self.dfl(matcher.id()))
???def _score(self, weight, length):
???????s = bm25(self.idf, weight, length, self.avgfl, self.B, self.K1)
???????return s
?
現來看如何得到searcher，searcher=ix.searcher(weighting= BM25F ())可以看到，首先在定義searcher的時候的時候，傳入的是評分模型BM25F，這個時候可以設置B、K1等模型的自由參數。前面介紹過res= searcher.search(query,terms=True)最終都會回歸到searcher.postings函數上。如下：
???def postings(self, fieldname, text, weighting=None, qf=1):
???????weighting = weighting or self.weighting
???????globalscorer = weighting.scorer(self, fieldname,text, qf=qf)
???????if self.is_atomic():
???????????return?self.ixreader.postings(fieldname, text,scorer=globalscorer)
???????else:
???????????from whoosh.matching import MultiMatcher
???????????matchers = []
???????????docoffsets = []
???????????term = (fieldname, text)
???????????for subsearcher, offset in self.subsearchers:
??????????????? r = subsearcher.reader()
??????????????? if term in r:
????????????????????scorer= weighting.scorer(subsearcher, fieldname, text, qf=qf)
????????????????????m =r.postings(fieldname, text, scorer=scorer)
??????????????????? matchers.append(m)
????????????? ??????docoffsets.append(offset)
???????????if not matchers:
??????????????? raise TermNotFound(fieldname,text)
???????????return MultiMatcher(matchers, docoffsets, globalscorer)
可以看到，searcher.postings會調用評分對象的scorer函數，傳遞進去searcher對象、檢索的域fieldname和查詢文本text。結合BM25F類中的scorer函數，將bm25的參數以及searcher生成并返回BM25Fscorer對象。這樣就可以看到評分函數對象BM25Fscorer在評分的時候，可以接收到的信息有對index訪問的searcher對象，被檢索的域fieldname，檢索查詢單詞文本text，自由參數B和K1，還有詞頻信息qf。另外matcher對象是在調用BM25Fscorer的score函數時傳遞進去的。
總結一下：searcher是訪問索引信息的接口，可以獲取到域的長度、特定文檔域的長度、單詞的總詞頻等信息。Matcher是訪問滿足查詢語句要求的postings（即文檔）的信息的接口，可以獲取當前文檔的id，當前單詞在文檔中的span，當前單詞的權重weight。
?
?
Span：是實現窗口查詢語句的基礎，span本身就是兩個數表示一個區間。如[2,6]表示文檔第2個位置到第6個位置的跨度區間。
在需要位置信息的查詢語句中都是需要span的，比如：查詢在“text”域中，單詞“whoosh”出現在單詞“library”前面，而且它們之間的距離小于3。
???????from whoosh import query, spans
???????t1 = query.Term("text", "whoosh")
???????t2 = query.Term("text", "library")
???????q = spans.SpanNear2([t1, t2], slop=3, ordered=True)
slop表示窗口插槽的大小，ordered表示單詞之間是否有序，比如如果ordered=False，那么在text field中“whoosh and library”和“library and whoosh”都是合法的，都會被檢索到。
?
以Sequence類為例：
class Sequence(compound.CompoundQuery):
??? def _matcher(self, subs, searcher,context):
??????? from whoosh.query.spans import SpanNear
??????? context =context.set(needs_current=True)
??????? m =?self._tree_matcher(subs,SpanNear.SpanNearMatcher, searcher,
??????????????????????????????context, None, slop=self.slop,
??????????????????????????????ordered=self.ordered)
? ??????return m
可以看到Sequence類的構造的樹裝matcher是SpanNear.SpanNearMatcher類的實例。接下來轉移到SpanNearMatcher類中：
??? class SpanNearMatcher(SpanWrappingMatcher):
??????? def __init__(self, a, b, slop=1,ordered=True, mindist=1):
??????????? self.a = a
??????????? self.b = b
??????????? self.slop = slop
??????????? self.ordered = ordered
??????????? self.mindist = mindist
????????????isect =binary.IntersectionMatcher(a, b)
????????????super(SpanNear.SpanNearMatcher,self).__init__(isect)
??????????????def?_find_next(self):
??????? ?????? ifnot self.is_active():
??????????? ?????? return
??????? ?????? child= self.child
??????? ?????? r= False
??????? ?????? spans= self._get_spans()
??????? ???????while child.is_active() and not spans:
??????????? ?????? r = child.next() or r
??????????? ?????? if not child.is_active():
??????????????? ?????? return True
??????????? ?????? spans = self._get_spans()
??????? ?????? self._spans= spans
??????? ?????? returnr
??? ?????? defnext(self):
??????? ?????? self.child.next()
??????? ???????self._find_next()
????????def _get_spans(self):
??????????? slop = self.slop
??????????? mindist = self.mindist
??????????? ordered = self.ordered
??????????? spans = set()
?
??????????? bspans = self.b.spans()
??????????? for aspan in self.a.spans():
??????????????? for bspan in bspans:
??????????????????? if (bspan.end <aspan.start - slop
??????????????????????? or (ordered andaspan.start > bspan.start)):
??????????????????????? # B is too far in frontof A, or B is in front of A
??????????????????????? # *at all* when orderedis True
??????????????????????? continue
??????????????????? if bspan.start >aspan.end + slop:
??????????????????????? # B is too far from A.Since spans are listed in
??????????????????????? # start position order,we know that all spans after
????????????????? ??????# this one will also be too far.
??????????????????????? break
?
??????????????????? # Check the distancebetween the spans
??????????????????? dist =aspan.distance_to(bspan)
??????????????????? if mindist <= dist <=slop:
??????????????????????? spans.add(aspan.to(bspan))
??????????? return sorted(spans)
從SpanNearMatcher的初始化函數中，可以看到，它是本質上是對IntersectionMatcher類的一個封裝，也就是單詞之間執行的是“與”邏輯。要求文檔同時包含所有的單詞。然后將IntersectionMatcher設置為SpanNearMatcher的child屬性（標紅的代碼部分）。也就是self.child來獲取IntersectionMatcher對象。這個可以看SpanWrappingMatcher的構造函數。
之前的分析，我們知道每次通過調用matcher的next函數來使得matcher從當前posting移動到下一個posting。由上面的代碼可以看到（標綠的代碼部分），先要調用self.child.next()函數，進行移動，因為child是IntersectionMatcher對象，執行的是“與”邏輯，也就是會移動下一個包含所有查詢單詞的posting上。但是接著又調用了_find_next函數。
可以看到_find_next中主體是一個while循環，循環退出的條件是spans不為空，或者child.is_active()死掉了，也就是IntersectionMatcher對象找不到下一個符合條件的posting對象了。循環的主體是調用self.child.next()移動到下一個符合條件的posting上，并獲取當前posting的spans，這個spans保存了當前posting(文檔)中符合窗口條件的所有位置，如果spans為空，說明當前posting(文檔)雖然包含了所有的查詢單詞，但是單詞的位置不滿足窗口條件。
_get_spans可以看到是如何計算spans的，計算spans的過程，也是檢查是否符合窗口條件的過程。可以看到對于兩個單詞的spans，先獲取各自在文檔中的spans，也就是在文檔中出現位置的，起始和結束位置對，[起點，終點]，然后依次計算a的span和b中的span之間的距離是否滿足slop距離。a和b中的span都是從小打到按照順序遍歷的。
-------------------------------------------------------------------------
到此我們可以看到，whoosh是如何找到滿足特定窗口條件查詢語句的文檔，但是span的應用僅限于查找文檔。也就是matcher.next()和matcher.id()。當調用matcher.scorer對文檔進行評分的時候，都是按照查找樹的結構遞歸下去，每個單詞單獨計算評分，然后再進行匯總，也就是我們之前說的，無法計算“whoosh query~2”在對文檔中出現的次數來作為文檔的評分。因為spans信息跟就沒有傳送到評分模型類中。
當然也不可以天真的認為match對象會傳送給Scorer類，然后通過傳遞的matcher來獲取span信息，因為傳進去的matcher是這個單詞的matcher，里面只包含了當前text在當前docnum中的spans信息，它的評分層次是基于單個單詞，沒有提供基于幾個單詞的，或者phrase或者sequence整體層次的評分接口。如果要實現的話，得修改SpanWrappingMatcher中的scorer函數
轉載于:https://www.cnblogs.com/kiko0o0/p/8417141.html
總結
以上是生活随笔為你收集整理的whoosh----索引|搜索文本类库的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Median of Two Sorted
- 下一篇： HDU4549 M斐波那契数列 —— 斐