手写简版倒排索引(Inverted Index)

说明

周末闲来无事花点时间,基于Lucene倒排索引的思想,使用Python简单实现了索引文档与短语搜索的小功能,目的是帮助快速理解倒排索引的写入与查询的基本思想。
Indexing and search
Term --- DosIDS
简单的小程序
# -*- coding: utf-8 -*-
"""
    File Name: indexingAndSearch.py
    Author: Donny.fang
    Date: 2021/1/16 18:12
    Desc: Python3.8
"""
import logging
from collections import deque

LOG_FORMAT = "[%(asctime)s][%(levelname)s ] %(message)s"
DATE_FORMAT = "%Y-%m-%d %H:%M:%S"

logging.basicConfig(level=logging.INFO, format=LOG_FORMAT, datefmt=DATE_FORMAT)


class TermTrie(object):
    """
        如下采用dict存储结点对象,Trie树的存储结构如下:
        {
              "a":{
                "p":{
                  "p":{
                    "#":"#",
                    "app":[
                      0
                    ],
                    "l":{
                      "e":{
                        "#":"#",
                        "apple":[
                          0,
                          1
                        ],
                        "e":{
                          "#":"#",
                          "applee":[
                            1
                          ]
                        }
                      }
                    }
                  }
                }
              }
            }
    """

    def __init__(self):
        self.root = {}
        self.end_of_word = '#'

    def insert(self, term, docId):
        """
        Inserts a term into the trie.
        :type term: str
        :type docId: int
        :rtype: None
        """
        node = self.root

        for c in term:
            node = node.setdefault(c, {})

        node.setdefault(term, []).append(docId)
        node[self.end_of_word] = self.end_of_word

    def getDocIdsByTerm(self, term):
        """
        Returns docIds by term
        :type term: str
        :rtype: list
        """
        node = self.root
        docIds = []

        for c in term:
            if c not in node:
                break

            node = node[c]

        if self.end_of_word in node:
            docIds = node.get(term, [])

        return docIds


class IndexingSearch(object):
    """
        简单功能描述:
        1. 从文件中逐行的读取数据,并对每行数据以空格的方式进行分词,形成terms
        2. 将形成的terms分别装进字典树中,并存储每个term对应的docIds
        3. 执行短语搜索时,同样对phrase以空格的方式进行分词,形成terms
        4. 针对每个term,获取到满足条件的docIds,并获取最终的Document
    """

    def __init__(self):
        self.docs, self.trie = [], TermTrie()

    @staticmethod
    def generateTerms(document):
        """
            以空格的方式对document进行分词,比如"hello world" ---> "hello", "world"
        :param document: a line text
        :return: list type, like ["hello", "world"]
        """
        assert isinstance(document, str)

        if len(document.strip()) < 1:
            logging.error("document is empty")

        return document.strip().split()

    def indexingDocument(self, fileName):
        """
            索引文档,比如document:"hello world"(假设document id为0),依据空格分词,会形成hello与world两个term;
            对于每个term(hello and world),将其装载进字典树中,然后记录term对应的docID;比如hello ---> [0], world --->[0]
        :param fileName: file for indexing
        :return: trie
        """
        docId = 0

        with open(fileName, "r") as fr:
            while 1:
                doc = fr.readline().strip()

                if not doc:  # 假设document之间无空行,此处表示遍历到文件末尾,结束
                    break

                terms = IndexingSearch.generateTerms(doc)

                for term in terms:
                    self.trie.insert(term, docId)

                docId += 1

                # 将从文件中遍历得到的每个document,装载进内存list中
                # docs = ["hello world", "hello city", "welcome to china"]
                self.docs.append(doc)

        return {
            "trie": self.trie.root
        }

    def phraseSearch(self, phrase):
        """
            执行短语查询,以空格的方式对phrase作分词,比如"hello world" ---> "hello", "world"
        :param phrase: query phrase
        :return: docIds
        """
        assert isinstance(phrase, str)

        if len(phrase.strip()) <= 0:
            logging.error("query phrase cannot be empty")

        arrs = deque()

        for term in phrase.split():
            arrs.append(self.trie.getDocIdsByTerm(term))

        docsIdToLoad = IndexingSearch.multipleArraysUnion(arrs)

        print("\n".join(["{}: {}".format(index, self.docs[index]) for index in docsIdToLoad]))

    @staticmethod
    def multipleArraysUnion(arrays):
        """
            多个数组求并集,比如[1,2,3]与[2,3,5,7]并集结果为[1,2,3,5,7]
        :param arrays: multiple arrays in deque
        :return: list type, sorted array
        """
        assert isinstance(arrays, deque)

        if len(arrays) < 1:
            logging.error("The number of ordered arrays is 0")

        rawArray = arrays.popleft()

        while len(arrays) > 0:
            arr = arrays.popleft()
            rawArray = list(set(rawArray).union(set(arr)))

        return sorted(rawArray)


if __name__ == '__main__':
    indexingSearch = IndexingSearch()

    # 索引文档,内部组装简版的倒排索引
    indexingSearch.indexingDocument("/root/hello/myfile")

    # 执行短语查询
    indexingSearch.phraseSearch("hello world")


小结

Python手写Lucene倒排索引小功能,这里为啥使用字典树来存储term呢?其实主要是为了节省空间,比如"app"与"apple"如果用哈希表来存储,则会分别存储"app"与"apple",而如果使用字典树则只会存储"a,p,p,l,e"这5个字母,存储空间节省了一些,试想一下,如果terms很多的情况下,字典树的这种方式会节省很多的存储空间;当然在字典树中去查找一个term,通常会比在哈希表中查找term耗时,字典树的查找时间复杂度为O(len(term))。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,547评论 6 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,399评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,428评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,599评论 1 274
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,612评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,577评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,941评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,603评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,852评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,605评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,693评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,375评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,955评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,936评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,172评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,970评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,414评论 2 342

推荐阅读更多精彩内容