python中的模糊文本搜索

Question

我想知道是否有任何Python库可以进行模糊文本搜索。例如：

• 我有三个关键字 “ letter” ， “ stamp” 和 “ mail” 。
• 我想要一个功能来检查这三个词是否在同一段落（或一定距离，一页）内。
• 另外，这些词必须保持相同的顺序。在这三个词之间出现其他词也很好。

我已经尝试过fuzzywuzzy解决不了我的问题。另一个库Whoosh看起来很强大，但是我找不到合适的功能…

Answer 1

{1} 您可以在中执行此操作Whoosh 2.7。通过添加插件可以进行模糊搜索whoosh.qparser.FuzzyTermPlugin：

whoosh.qparser.FuzzyTermPlugin使您可以搜索“模糊”术语，即不必完全匹配的术语。模糊项将与一定数量的“编辑”（字符插入，删除和/或换位–称为“
Damerau-Levenshtein编辑距离”）内的任何相似项匹配。

要添加模糊插件：

parser = qparser.QueryParser("fieldname", my_index.schema)
parser.add_plugin(qparser.FuzzyTermPlugin())

将模糊插件添加到解析器后，可以通过添加~后跟可选的最大编辑距离来指定模糊项。如果未指定编辑距离，则默认值为1。

例如，以下“模糊”术语查询：

letter~
letter~2
letter~2/3

{2}
要使单词井然有序，请使用Query，whoosh.query.Phrase但您应该用替换Phrase插件，whoosh.qparser.SequencePlugin以允许您在短语内使用模糊术语：

"letter~ stamp~ mail~"

要将默认的短语插件替换为序列插件：

parser = qparser.QueryParser("fieldname", my_index.schema)
parser.remove_plugin_class(qparser.PhrasePlugin)
parser.add_plugin(qparser.SequencePlugin())

{3} 要在两者之间允许单词，slop请将词组查询中的arg 初始化为更大的数字：

whoosh.query.Phrase(fieldname, words, slop=1, boost=1.0, char_ranges=None)

斜率 –短语中每个“单词”之间允许的单词数；默认值1表示词组必须完全匹配。

您还可以像这样在Query中定义坡度：

"letter~ stamp~ mail~"~10

{4} 整体解决方案：

{4.a} 索引器 将类似于：

from whoosh.index import create_in
from whoosh.fields import *

schema = Schema(title=TEXT(stored=True), content=TEXT)
ix = create_in("indexdir", schema)
writer = ix.writer()
writer.add_document(title=u"First document", content=u"This is the first document we've added!")
writer.add_document(title=u"Second document", content=u"The second one is even more interesting!")
writer.add_document(title=u"Third document", content=u"letter first, stamp second, mail third")
writer.add_document(title=u"Fourth document", content=u"stamp first, mail third")
writer.add_document(title=u"Fivth document", content=u"letter first,  mail third")
writer.add_document(title=u"Sixth document", content=u"letters first, stamps second, mial third wrong")
writer.add_document(title=u"Seventh document", content=u"stamp first, letters second, mail third")
writer.commit()

{4.b} 搜索者 会像：

from whoosh.qparser import QueryParser, FuzzyTermPlugin, PhrasePlugin, SequencePlugin

with ix.searcher() as searcher:
    parser = QueryParser(u"content", ix.schema)
    parser.add_plugin(FuzzyTermPlugin())
    parser.remove_plugin_class(PhrasePlugin)
    parser.add_plugin(SequencePlugin())
    query = parser.parse(u"\"letter~2 stamp~2 mail~2\"~10")
    results = searcher.search(query)
    print "nb of results =", len(results)
    for r in results:
        print r

结果如下：

nb of results = 2
<Hit {'title': u'Sixth document'}>
<Hit {'title': u'Third document'}>

{5} 如果要在不使用word~n查询的每个单词的语法的情况下将模糊搜索设置为默认值，则可以这样初始化QueryParser：

 from whoosh.query import FuzzyTerm
 parser = QueryParser(u"content", ix.schema, termclass = FuzzyTerm)

现在您可以使用查询了，"letter stamp mail"~10但是请记住，它FuzzyTerm具有默认的编辑距离maxdist = 1。如果您想要更大的编辑距离，请个性化班级：

class MyFuzzyTerm(FuzzyTerm):
     def __init__(self, fieldname, text, boost=1.0, maxdist=2, prefixlength=1, constantscore=True):
         super(D, self).__init__(fieldname, text, boost, maxdist, prefixlength, constantscore) 
         # super().__init__() for Python 3 I think

参考文献：

1. whoosh.query.Phrase
2. 添加模糊术语查询
3. 允许复杂的短语查询
4. 类whoosh.query.FuzzyTerm
5. qparser模块