山已几的Blog

思前想后，还是决定将这个小工程写完。为表示与之前的不同，采用阿拉伯数字标号。 本节的内容是为邮件的五个区域“To”，“From”，“Subject”，"Data"以及内容分别建立倒排表，由于各个区域内容的性质不同，因此采取的构建方式也不同。 首先从硬盘导入id和doc的映射，load之前序列化的序列： def opendb(): opdb=open('dbase_doc_id','

第四小节介绍对每个域的倒排表分别进行Top 50统计 在shell中与用户交互，根据用户输入决定导入哪个datebase。然后统计字典中每个键值的数目，接着调用sorted函数。代码如下： import pickle def frncy(Field_Name,Dbase_Name): mydb=open(Dbase_Name,'r') mapping=pickle.load(mydb)

第5小节介绍布尔查询的实现 之前在第3小节中已经建立好的各个域的倒排表，对于每个域，都支持AND、OR和NOT这几个简单的布尔查询。 首先导入id与文档路径的映射，方便打印时使用： def opendb(): opdb=open('dbase_id_doc','r') iddoc=pickle.load(opdb) return iddoc 函数主入口： def ma

（ --原创，转载请声明-- ） # 把最近用python写的一个邮件分区域检索和查询的实现贴出来 # 课余时间不多，没来得及考虑效率问题，思路较简单。so，有更高效的方法请不吝赐教~ # 轻拍~ 一、构建索引目录 邮件数据集：1.3G，约50万个邮件文本。 目录树层次关系如下： 一级目录：有146个文件夹，对应146个人 二级目录：每个人的文件夹下有多

上一篇里提到了构建目录树的弱智方法，当时只提取了146个人中的2个人作为测试集，也因此就认为所有人文件夹深度都为3。 后来对所有的人文档遍历后，再进行倒排构建的时候程序报错，错误原因是当前生成的路径是一个文件夹。 随后打印了一些信息，发现有的人文档深度远不止3，而有的人文档深度仅为2，所以把程序改了一下，采用递归的方式遍历所有深度的文件： def find_file(filedir,fi

最后一节介绍分区域布尔查询的实现 分区域查询现在可以支持单个词查询（xxx.region），OR（xxx1.region1 OR xxx2.region2），NOT（xxx1.region1NOT xxx2.region2， NOT xxx1.region1），AND（xxx1.region1 AND xxx2.region2，xxx1.region1 AND xxx2.region2AND

at last 这个“大量邮件的分域检索与查询，python实现”系列是自己研一下学期（2012上半年）初学python的一个小尝试，利用空闲的时间写了些代码。 整个实现过程有很多漏洞和不科学的地方，但作为一门语言的入门学习，还是收获了不少东西。 最后，以《人月神话》中我非常喜欢的一句话作为这个系列的结束： Good cooking takes time. If you are made

1. python中的lambda表达式 ##声明：内容整理自Dive in python中文版，一个不错的学习python地方。 lambda函数允许用户快速定义单行最小函数，有点像C中的inline函数，当函数过于复杂时，不建议使用lambda。 lambda可以接收任意多个参数并返回单个表达式的值，同时，lambda函数不能包含命令，包含的表达式不能超过一个。 # 以下三种方