在 Python 中使用 Whoosh 进行模糊字符串搜索

Question

我在 MongoDB 中建立了一个大型银行数据库。我可以轻松地获取这些信息并用它快速创建索引。例如，我希望能够匹配银行名称“Eagle Bank &”密苏里州信托公司”和“密苏里州伊格尔银行和信托公司”。下面的代码适用于简单的模糊，但无法实现上面的匹配：

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

schema = Schema(name=TEXT(stored=True))
ix = create_in("indexdir", schema)
writer = ix.writer()

test_items = [u"Eagle Bank and Trust Company of Missouri"]

writer.add_document(name=item)
writer.commit()

from whoosh.qparser import QueryParser
from whoosh.query import FuzzyTerm

with ix.searcher() as s:
    qp = QueryParser("name", schema=ix.schema, termclass=FuzzyTerm)
    q = qp.parse(u"Eagle Bank & Trust Co of Missouri")
    results = s.search(q)
    print results

给我：

<Top 0 Results for And([FuzzyTerm('name', u'eagle', boost=1.000000, minsimilarity=0.500000, prefixlength=1), FuzzyTerm('name', u'bank', boost=1.000000, minsimilarity=0.500000, prefixlength=1), FuzzyTerm('name', u'trust', boost=1.000000, minsimilarity=0.500000, prefixlength=1), FuzzyTerm('name', u'co', boost=1.000000, minsimilarity=0.500000, prefixlength=1), FuzzyTerm('name', u'missouri', boost=1.000000, minsimilarity=0.500000, prefixlength=1)]) runtime=0.00166392326355>

是否可以用 Whoosh 实现我想要的？如果没有，我还有哪些其他基于 python 的解决方案？

Answer 1

您可以使用 Whoosh 中的模糊搜索将 Co 与 Company 匹配，但您不应该这样做，因为 < code>Co 和 Company 很大。 Co 类似于 Company，因为 Be 类似于 Beast，ny 类似于 < code>Company，你可以想象搜索结果会有多糟糕、有多大。

但是，如果您想将 Compan 或 compani 或 Companee 与 Company 匹配，您可以使用个性化FuzzyTerm 类，默认 maxdist 等于 2 或更大：

ma​​xdist – 距给定文本的最大编辑距离。

class MyFuzzyTerm(FuzzyTerm):
     def __init__(self, fieldname, text, boost=1.0, maxdist=2, prefixlength=1, constantscore=True):
         super(MyFuzzyTerm, self).__init__(fieldname, text, boost, maxdist, prefixlength, constantscore)

然后：

 qp = QueryParser("name", schema=ix.schema, termclass=MyFuzzyTerm)

您可以通过将 maxdist 设置为 5 来将 Co 与 Company 匹配，但正如我所说，这会给出错误的搜索结果。我建议将 maxdist 保持在 1 到 3 之间。

如果您正在寻找匹配的单词语言变体，您最好使用 whoosh .query.Variations。

注意：较旧的 Whoosh 版本具有 minsimilarity 而不是 maxdist。

Answer 2

供将来参考，并且必须有更好的方法以某种方式做到这一点，但这是我的镜头。

# -*- coding: utf-8 -*-
import whoosh
from whoosh.index import create_in
from whoosh.fields import *
from whoosh.query import *
from whoosh.qparser import QueryParser

schema = Schema(name=TEXT(stored=True))
idx = create_in("C:\\idx_name\\", schema, "idx_name")

writer = idx.writer()

writer.add_document(name=u"This is craaazy shit")
writer.add_document(name=u"This is craaazy beer")
writer.add_document(name=u"Raphaël rocks")
writer.add_document(name=u"Rockies are mountains")

writer.commit()

s = idx.searcher()
print "Fields: ", list(s.lexicon("name"))
qp = QueryParser("name", schema=schema, termclass=FuzzyTerm)

for i in range(1,40):
    res = s.search(FuzzyTerm("name", "just rocks", maxdist=i, prefixlength=0))
    if len(res) > 0:
        for r in res:
            print "Potential match ( %s ): [  %s  ]" % ( i, r["name"] )
        break
    else:
        print "Pass: %s" % i

s.close()

Answer 3

也许其中一些东西可能会有所帮助（由 Seatgeek 人员开源的字符串匹配）：

https://github.com/seatgeek /fuzzywuzzy

Answer 4

对于最近遇到这个问题的任何人来说，看起来他们已经原生添加了模糊支持，尽管需要做一些工作才能满足此处概述的特定用例：https://whoosh.readthedocs.io/en/latest/parsing.html

Answer 5

您可以使用下面的此函数根据短语对一组单词进行模糊搜索：

def FuzzySearch(text, phrase):
    """Check if word in phrase is contained in text"""
    phrases = phrase.split(" ")

    for x in range(len(phrases)):
        if phrases[x] in text:
            print("Match! Found " + phrases[x] + " in text")
        else:
            continue