索引引擎的基本工作原理便是倒排索引, 即将一个文档所包含的文字反过来映射至文档; 这方面算法并没有太多花样可言, 为了增加效率, 索引数据尽可往内存里面搬。
而基本思路举个简单例子, 现在有以下文档 (分词已经完成) 以及其包含的关键词：
doc_a:[word_w,word_x,word_y] doc_b:[word_x,word_z] doc_c:[word_y]
将其变换为
word_w->[doc_a] word_x->[doc_a,doc_b] word_y->[doc_a,doc_c] word_z->[doc_b]
写成 Python 代码, 便是
doc_a={'id':'a','words':['word_w','word_x','word_y']}
doc_b={'id':'b','words':['word_x','word_z']}
doc_c={'id':'c','words':['word_y']}
docs=[doc_a,doc_b,doc_c]
indices=dict()
fordocindocs:
forwordindoc['words']:
ifwordnotinindices:
indices[word]=[]
indices[word].append(doc['id'])
printindices
不过这里有个小技巧, 就是对于判断当前词是否已经在索引字典里的分支
ifwordnotinindices: indices[word]=[]
可以被 dict 的 setdefault(key, default=None) 接口替换. 此接口的作用是, 如果 key 在字典里, 那么好说, 拿出对应的值来; 否则, 新建此 key , 且设置默认对应值为 default . 但从设计上来说, 我不明白为何 default 有个默认值 None , 看起来并无多大意义, 如果确要使用此接口, 大体都会自带默认值吧, 如下
fordocindocs: forwordindoc['words']: indices.setdefault(word,[]).append(doc['id'])
这样就省掉分支了, 代码看起来少很多.
不过在某些情况下, setdefault 用起来并不顺手: 当 default 值构造很复杂时, 或产生 default 值有副作用时, 以及一个之后会说到的情况; 前两种情况一言以蔽之, 就是 setdefault 不适用于 default 需要惰性求值的场景. 换言之, 为了兼顾这种需求, setdefault 可能会设计成
defsetdefault(self,key,default_factory): ifkeynotinself: self[key]=default_factory() returnself[key]
倘若真如此, 那么上面的代码应改成
fordocindocs: forwordindoc['words']: indices.setdefault(word,list).append(doc['id'])
不过实际上有其它替代方案, 这个最后会提到.
如果说上面只是一个能预见但实际上可能根本不会遇到的 API 缺陷, 那么下面这个就略打脸了.
考虑现在要进行词频统计, 即一个词在文章中出现了多少次, 如果直接拿 dict 来写, 大致是
defword_count(words): count=dict() forwordinwords: count.setdefault(word,0)+=1 returncount printword_count(['hiiragi','kagami','hiiragi','tukasa','yosimizu','kagami'])
当你兴致勃勃地跑起上面代码时, 代码会以迅雷不及掩脸之势把异常甩到你鼻尖上 --- 因为出现在 += 操作符左边的 count.setdefault(word, 0) 在 Python 中不是一个左值. 怎样, 现在开始念叨 C艹 类型体系的好了吧.
因为 Python 把默认的字面常量 {} 等价于 dict() 就认为 dict 是银弹的思想是要不得的; Python 里面各种数据结构不少, 解决统计问题, 理想的方案是 collections.defaultdict 这个类. 下面的代码想必看一眼就明白
fromcollectionsimportdefaultdict
doc_a={'id':'a','words':['word_w','word_x','word_y']}
doc_b={'id':'b','words':['word_x','word_z']}
doc_c={'id':'c','words':['word_y']}
docs=[doc_a,doc_b,doc_c]
indices=defaultdict(list)
fordocindocs:
forwordindoc['words']:
indices[word].append(doc['id'])
printindices
defword_count(words):
count=defaultdict(int)
forwordinwords:
count[word]+=1
returncount
printword_count(['hiiragi','kagami','hiiragi','tukasa','yosimizu','kagami'])
完满解决了之前遇到的那些破事.