Поиск нечетких строк с помощью Whoosh в Python

Я создал большую базу данных банков в MongoDB. Я могу легко взять эту информацию и создать индексы с ней в whoosh. Например, я хотел бы иметь возможность сопоставлять названия банков "Eagle Bank & Trust Co of Missouri" и "Eagle Bank and Trust Company of Missouri". Следующий код работает с простым нечетким таким, но не может достичь соответствия выше:

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

дает мне: 

<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>

можно ли достичь того, что я хочу с Whoosh? Если не что другие решения на основе python у меня есть?

11
fuzzy-search information-retrieval python whoosh

4 ответов

вы можете матч Co С Company использование нечеткого поиска в Whoosh, но не стоит сделать, потому что разница между Co и Company большой. Co похож на Company as Be похож на Beast и ny to Company, вы можете себе представить, насколько плохими и насколько большими будут результаты поиска.

однако, если вы хотите соответствовать Compan или compani или Companee to Company вы можете сделать это с помощью персонализированного Класс FuzzyTerm по умолчанию maxdist равно 2 или более:

maxdist - максимальное расстояние редактирования от заданного текста.

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)

затем:

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

вы могли бы соответствовать Co С Company установка maxdist to 5 но это, как я сказал, дают плохие результаты поиска. Я предлагаю сохранить maxdist С 1 to 3.

если вы ищете соответствие слову лингвистический вариации, вам лучше использовать whoosh.query.Variations.

Примечание: старые версии Whoosh имеет minsimilarity вместо maxdist.

6

на будущее, и там должен быть лучший способ сделать это как-то, но вот мой выстрел.

# -*- 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()
3

возможно, некоторые из этих вещей могут помочь (строка, соответствующая открытым исходным кодом ребята seatgeek):

https://github.com/seatgeek/fuzzywuzzy

1

вы можете использовать эту функцию ниже, чтобы fuzz поиск набора слов против фразы:

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
-2