PostgreSQL 8.3.1 全文檢索
在postgreSQL 8.3自帶支持全文檢索功能，在之前的版本中需要安裝配置tsearch2才能使用，安轉配置tsearch2就不再多說了，主要介紹一下8.3中自帶全文檢索功能。
全文檢索類型(Text Search Types)
postgreSQL設計支持全文檢索，提供兩個數據類型（tsvector,tsquery），并且通過動態檢索自然語言文檔的集合，定位到最匹配的查詢結果。
tsvector
一個tsvector的值是唯一分詞的分類列表，把一話一句詞格式化為不同的詞條，在進行分詞處理的時候
tsvector會自動去掉分詞中重復的詞條，按照一定的順序裝入。例如
SELECT 'a fat cat sat on a mat and ate a fat rat'::tsvector;
tsvector
----------------------------------------------------
'a' 'on' 'and' 'ate' 'cat' 'fat' 'mat' 'rat' 'sat'
從上面的例子可以看出 ，通過tsvector把一個字符串按照空格進行分詞，分詞的順序是按照長短和字母來排序的。但是某些時候，我們為了讓詞條中包含空格或者符號，就需要對其使用引號。
SELECT $$the lexeme ' ' contains spaces$$::tsvector;
tsvector
-------------------------------------------
'the' ' ' 'lexeme' 'spaces' 'contains'
為了使用引號，我們可以使用雙$$符號來避免混淆。
并且詞條位置常量可以附屬于每個詞條,例如：
SELECT 'a:1 fat:2 cat:3 sat:4 on:5 a:6 mat:7 and:8 ate:9 a:10 fat:11 rat:12'::tsvector;
tsvector
-------------------------------------------------------------------------------
'a':1,6,10 'on':5 'and':8 'ate':9 'cat':3 'fat':2,11 'mat':7 'rat':12 'sat':4
這個位置信息通常就是當前文檔中單詞所處的位置，這個位置信息用于關注度的體現。位置信息常量的值的范圍為1 到 16383。分詞后，會把相同詞條的位置記錄到一個詞條中。（如上所示）。
詞條通過權重可以使其所在位置促進它的標記。權重分為A,B,C,D,D為默認值可以不顯示.
權重用于關系,體現文檔結構是很有特色地.例如,通俗一點,就是相同的詞條,但是詞條所在位置的權重不一樣,在一個文檔中,標題和文本內容,在做全文檢索排序功能時需要分配給這兩個詞不同的優先權,不同的權重標記.
理解tsvector類型是很重要的,不能只關注標準的應用.例如
select 'The Fat Rats'::tsvector;
tsvector
--------------------
'Fat' 'The' 'Rats'
但是對于英文全文檢索應用來說,上面的句子就是非標準化的,但是tsvector是不會知道的,為處理加工的文本應該通過使用to_tsvector函數來是之規格化,標注化的應用于搜索.
SELECT to_tsvector('english', 'The Fat Rats');
to_tsvector
-----------------
'fat':2 'rat':3
tsquery
顧名思義,tsquery,表示的應該是查詢相關的.tsquery是存儲用于檢索的詞條.并且可以聯合使用boolean 操作符來連接, & (AND), | (OR), and ! (NOT). 使用括號(),可以強制分為一組.
SELECT 'fat & rat'::tsquery;
tsquery
---------------
'fat' & 'rat'
SELECT 'fat & (rat | cat)'::tsquery;
tsquery
---------------------------
'fat' & ( 'rat' | 'cat' )
SELECT 'fat & rat & ! cat'::tsquery;
tsquery
------------------------
'fat' & 'rat' & !'cat'
同時,tsquery 在做搜索的時候,也可以使用權重,并且每個詞都可以使用一個或者多個權重標記,這樣在檢索的時候,會匹配相同權重的信息.
跟上面的tsvector ,相同tsquery也有一個to_tsquery函數.
全文檢索的 document
document就是全文檢索的搜索單元,在postgresql中全文檢索匹配操作使用@@ 操作符,如果一個
tsvector(document) 匹配到 tsquery(query)則返回true.
SELECT 'a fat cat sat on a mat and ate a fat rat'::tsvector @@ 'cat & rat'::tsquery;
?column?
----------
t
我們在處理索引的時候還是要使用他們的函數如,
SELECT to_tsvector('fat cats ate fat rats') @@ to_tsquery('fat & rat');
?column?
----------
t
并且操作符 @@ 可以使用text作為tsvector和tsquery.如下操作符可以使使用的方法
tsvector @@ tsquery
tsquery @@ tsvector
text @@ tsquery
text @@ text
上面的前兩種我們已經使用過了,但是后兩種,
text @@ tsquery 等同于 to_tsvector(x) @@ y.
而 text @@ text 等同于 to_tsvector(x) @@ plainto_tsquery(y).
表和索引
前面介紹了如何在簡單文本中進行全文檢索匹配.下面部分將介紹如何檢索表數據和使用索引.
檢索一個表
在全文檢索中不使用索引也是可以進行檢索的,例如下面的簡單例子,查詢出title 從所有body中包含friend的行.
SELECT title
FROM pgweb
WHERE to_tsvector('english', body) @@ to_tsquery('english', 'friend');
復雜一點的例子:
檢索出最近的10個文檔,在表中的title 和 body字段中包含 creat和table的titile.
SELECT title
FROM pgweb
WHERE to_tsvector(title || body) @@ to_tsquery('create & table')
ORDER BY last_mod_date DESC LIMIT 10;
建立索引
我們可以通過創建gin索引來加速檢索速度.例如
CREATE INDEX pgweb_idx ON pgweb USING gin(to_tsvector('english', body));
創建索引可以有多種方式.索引的創建甚至可以連接兩個列:
CREATE INDEX pgweb_idx ON pgweb USING gin(to_tsvector('english', title || body));
另外的一種方式是創建一個單獨的 tsvector列,然后使用to_tsvector函數把需要索引字段的數據聯合在一起，比如列title和body，并且使用函數coalesce來確保字段為NULL的可以建立索引。
如下：
ALTER TABLE pgweb ADD COLUMN textsearchable_index_col tsvector;
UPDATE pgweb SET textsearchable_index_col =
to_tsvector('english', coalesce(title,'') || coalesce(body,''));
然后，我們就可以創建倒排的索引
CREATE INDEX textsearch_idx ON pgweb USING gin(textsearchable_index_col);
索引創建完畢，我們就可以使用全文檢索了。
SELECT title
FROM pgweb
WHERE textsearchable_index_col @@ to_tsquery('create & table')
ORDER BY last_mod_date DESC LIMIT 10;
控制全文檢索(Controlling Text Search)
為了實現全文檢索，我們需要把一個文檔創建一個tsvector 格式，并且通過tsquery實現用戶的查詢。
因此，在查詢中我們返回一個按照重要性排序的查詢結果。
分析文檔(Parsing Documents)
postgresql 中提供了to_tsvector函數把文檔處理成tsvector數據類型。（前面已經介紹過了）
這個函數會將文本文檔，分解成唯一的詞條，并且還包括詞條所在文本中的位置。（這里to_tsvector函數就不再多做介紹了）。
其實在做分詞是很重要的步驟，分詞的操作直接關系到你的后來檢索的結果。（后面再重要描述）
在postgreSQL中默認的to_tsvector（'english',）配置默認的是英語。
postgre 中還有一個函數 setweight ，要使用這個函數我們要引入一個概念，這個概念就是權重weight，什么是權重呢，字面上解釋就是權衡一下哪個更重要，也就是說哪個更側重一些。我們可以通過函數setweight來設置權重，postgre提供了四個A，B，C，D來分別表示不同權重級別，這個級別類型用來標記他們來自于文檔中的不同部分，例如title和body。查詢結果的關注度可以使用這個權重級別。如：
UPDATE tt SET ti =
setweight(to_tsvector(coalesce(title,'')), 'A') ||
setweight(to_tsvector(coalesce(keyword,'')), 'B') ||
setweight(to_tsvector(coalesce(abstract,'')), 'C') ||
setweight(to_tsvector(coalesce(body,'')), 'D');
搜索分析(Parsing Queries)
postgreSQL中提供了to_tsquery函數和plainto_tsquery函數，來處理分析搜索語句。
SELECT to_tsquery('english', 'The & Fat & Rats');
to_tsquery
---------------
'fat' & 'rat'
在搜索中tsquery中可以使用權重（weight）,在搜索詞條中可以附加權重，并且匹配出來的查詢結果也是必須在這個這個權重范圍的。
SELECT to_tsquery('english', 'Fat | Rats:AB');
to_tsquery
------------------
'fat' | 'rat':AB
從上面的例子可以看出，to_tsquery函數在處理查詢文本的時候，查詢文本的單個詞之間要使用邏輯操作符（& (AND), | (OR) and ! (NOT)）連接（或者使用括號）。例如 跟上面的例子相似
SELECT to_tsquery('english', 'Fat Rats');
如果要使執行上面的操作，就會報語法錯誤。
然而plainto_tsquery函數卻可以提供一個標準的tsquery，如上面的例子，plainto_tsquery會自動加上邏輯&操作符。
SELECT plainto_tsquery('english', 'Fat Rats');
plainto_tsquery
-----------------
'fat' & 'rat'
但是plainto_tsquery函數不能夠識別邏輯操作符和權重標記。
SELECT plainto_tsquery('english', 'The Fat & Rats:C');
plainto_tsquery
---------------------
'fat' & 'rat' & 'c'
查詢結果關注度(Ranking Search Results)
相關度，就是試圖測試衡量哪一個文檔是檢索中最關注的。因此我們把最匹配的文檔現在在最前面。這樣才能真正達到檢索的準確度，postgresql提供兩個相關的函數，ts_rank和ts_rank_cd.
這兩個函數的語法是
ts_rank([ weights float4[], ] vector tsvector, query tsquery [, normalization integer ]) returns float4
ts_rank_cd([ weights float4[], ] vector tsvector, query tsquery [, normalization integer ]) returns float4
兩個函數的第一個參數都是 權重(weight)，在前面已經講了權重的概念。
參數的格式為 {D-weight, C-weight, B-weight, A-weight} ，在使用函數的時候沒有指定這個參數，postgre會默認指定參數為：{0.1, 0.2, 0.4, 1.0}
這個參數應該理解為：單前檢索的關鍵詞（詞條）在當前這個檢索文檔中的位置，如果這個詞條在這個當前的位置權重高，那么他的相關度的值也會高。
另外函數的最好一個參數是一個整型，這個參數是表示，這個參數指定文檔大小影響相關度的程度。
你可以指定一個或者多個例如（2|4）。
這些參數的定義
0 (the default) ignores the document length
表示跟長度大小沒有關系
1 divides the rank by 1 + the logarithm of the document length
表示參數 關注度（rank）除以 文檔長度的對數+1
2 divides the rank by the document length
表示 關注度 除以 文檔的長度
4 divides the rank by the mean harmonic distance between extents (this is implemented only by ts_rank_cd)
表示 關注度 除以 文檔長度的平均值，只能使用函數ts_rank_cd.
8 divides the rank by the number of unique words in document
表示 關注度 除以 文檔中 唯一分詞的數量
16 divides the rank by 1 + the logarithm of the number of unique words in document
表示關注度 除以 唯一分詞數量的對數+1
32 divides the rank by itself + 1
表示 關注度 除以 本身+1
其他的一些特性
length(vector tsvector) returns integer
這個函數返回當前索引字段的分詞長度，就是分詞的個數
strip(vector tsvector) retzitor
這個函數返回當前索引字段的數據不包括詞的位置
自動更新處理的觸發器(Triggers for Automatic Updates)
在我們作全文檢索的時候，當我們使用單獨的列來存儲索引文件的時候，我們一定需要創建一個觸發器，當涉及索引字段的其他列的內容改變的時候，索引文件也要相應的改變，postgre提供兩個觸發器可以實現該功能，也可以自定義觸發器。
這兩個觸發器的為：
tsvector_update_trigger(tsvector_column_name, config_name, text_column_name [, ... ])
tsvector_update_trigger_column(tsvector_column_name, config_column_name, text_column_name [, ... ])
這個函數可以自動把一個或者多個文本字段，計算生成索引字段。例如
我們創建一個表
CREATE TABLE messages (
title text,
body text,
tsv tsvector//索引字段
);
CREATE TRIGGER tsvectorupdate BEFORE INSERT OR UPDATE
ON messages FOR EACH ROW EXECUTE PROCEDURE
tsvector_update_trigger(tsv, 'pg_catalog.english', title, body);
創建觸發器，字段title和body都是文本字段，他們索引后的字段為tsv,這里使用postgre自帶的分詞規則pg_catalog.english。
向表中插入一條數據。
INSERT INTO messages VALUES('title here', 'the body text is here');
SELECT * FROM messages;
title | body | tsv
------------+-----------------------+----------------------------
title here | the body text is here | 'bodi':4 'text':5 'titl':1
可以看到tsv字段自動加入的數據，并且經過tsvector處理。
接下來我們測試一下檢索
SELECT title, body FROM messages WHERE tsv @@ to_tsquery('title & body');
上面這個查詢，查不到結果。
SELECT title, body FROM messages WHERE tsv @@ to_tsquery('english','title & body');
title | body
------------+-----------------------
title here | the body text is here
注意: 看上面的查詢條件，在進行全文檢索的時候，在創建索引時，使用的分詞方式，與檢索時使用的分詞方式一定要想同，否則查詢的結果就會有問題。
創建觸發器后，不論title或者body那個字段改變，都會自動反射給tsv,索引會自動更新。
上面這中自帶的觸發器很有局限性，比如說，在建立索引的時候title和body要有不同的權重，上面的觸發器就能達到我們想要的效果，下面是一個 pl/pgsql 觸發器。
CREATE FUNCTION messages_trigger() RETURNS trigger AS $$
begin
new.tsv :=
setweight(to_tsvector('pg_catalog.english', coalesce(new.title,'')), 'A') ||
setweight(to_tsvector('pg_catalog.english', coalesce(new.body,'')), 'D');
return new;
end
$$ LANGUAGE plpgsql;
CREATE TRIGGER tsvectorupdate BEFORE INSERT OR UPDATE
ON messages FOR EACH ROW EXECUTE PROCEDURE messages_trigger();
索引統計函數
ts_stat(sqlquery text, [ weights text, ] OUT word text, OUT ndoc integer, OUT nentry integer)
返回的是統計的紀錄
word text — 索引中的詞條
ndoc integer — 詞條在索引中出現的次數
nentry integer — 詞條在文檔中出現的總次數
例如：
SELECT * FROM ts_stat('SELECT tsv FROM messages')
ORDER BY nentry DESC, ndoc DESC, word
LIMIT 10;
查詢的結果為
word ndoc nentry
test 2 3
title 2 2
test 1 2
body 1 1
上面可以看到，通過ts_stat函數就可以看到索引列中的分詞的情況。
詞典(Dictionaries)
詞典就是被用來過濾掉一些不被關注的詞（在檢索的時候），并且對詞句規格化，是為了相同的詞在不同的來源的文檔中可以被匹配。一個成功分詞（格式化的）的詞稱為詞條。除了能提高檢索的質量外，分詞的規格化，過濾詞，還能夠減少文檔索引的大小，這樣可以提高性能。標準化的詞也不能總是符合語言學意義，并且總是依賴于應用所在的環境。
簡單舉例：
例如一些顏色名稱，將會被替換成其相對應的16進制的值，如 red,green,blue ->FF0000, 00FF00, 0000FF 等。
如果要制定小數，我們可以去掉一些小數的位數，來減少范圍。如 3.14159265359 ,3.1415926,這兩個小數如果是保留小數點后兩位小數，那么格式化后他們的值將都是 3.14。
postgresql提供了一些預定義的詞典面向多種語言的，并且還有幾個預定義的模版，可以根據用戶的需要自定義詞典。
屏蔽詞(Stop Words)
stop words 是一個很普遍并且在每個文檔中幾乎都能出現的的詞，并且這個詞沒有實際的意義，因此在全文檢索的文檔中他么將被忽略。例如 英文文本內容中單詞 像 a 和like，他們不需要存儲在索引中，但是他會影響詞所在文檔的位置。
SELECT to_tsvector('english','in the list of stop words');
to_tsvector
----------------------------
'list':3 'stop':5 'word':6
并且相關度的計算與是否存在stop words是十分不同的,如:
SELECT ts_rank_cd (to_tsvector('english','in the list of stop words'), to_tsquery('list & stop'));
ts_rank_cd
------------
0.05
SELECT ts_rank_cd (to_tsvector('english','list stop words'), to_tsquery('list & stop'));
ts_rank_cd
------------
0.1
簡單詞典
使用簡單詞典,自定義詞典,如:
CREATE TEXT SEARCH DICTIONARY public.simple_dict (
TEMPLATE = pg_catalog.simple,
STOPWORDS = english
);
上面例子中的 english是表示的stop words的名字,這個stop words的全名因該是$sharedir/tsearch_data/english.stop,$sharedir也就是postgresql的安裝目錄下.現在我們使用一下新建的詞典.如:
SELECT ts_lexize('public.simple_dict','YeS');
ts_lexize
-----------
{yes}
SELECT ts_lexize('public.simple_dict','The');
ts_lexize
-----------
{}
還有幾個postgresql中自帶的詞典, Simple Dictionary,Synonym Dictionary
,Thesaurus Dictionary
,Ispell Dictionary
,Snowball Dictionary
這里不再詳細介紹了.
全文檢索的測試和調試
ts_debug函數用來調試全文檢索的
這個函數顯示的是文檔的每個詞條通過基本詞典的分析和處理的信息。
這個函數返回的信息為：
alias text — short name of the token type
文本別名-詞的類型名稱
description text — description of the token type
描述-描述詞的類型
token text — text of the token
詞內容-詞的文本內容
dictionaries regdictionary[] — the dictionaries selected by the configuration for this token type
詞典-詞的配置所選擇的詞典
dictionary regdictionary — the dictionary that recognized the token, or NULL if none did
詞典
lexemes text[] — the lexeme(s) produced by the dictionary that recognized the token, or NULL if none did; an empty array ({}) means it was recognized as a stop word
處理后的詞條
Here is a simple example:
SELECT * FROM ts_debug('english','a fat cat sat on a mat - it ate a fat rats');
alias | description | token | dictionaries | dictionary | lexemes
-----------+-----------------+-------+----------------+--------------+---------
asciiword | Word, all ASCII | a | {english_stem} | english_stem | {}
blank | Space symbols | | {} | |
asciiword | Word, all ASCII | fat | {english_stem} | english_stem | {fat}
blank | Space symbols | | {} | |
asciiword | Word, all ASCII | cat | {english_stem} | english_stem | {cat}
blank | Space symbols | | {} | |
asciiword | Word, all ASCII | sat | {english_stem} | english_stem | {sat}
blank | Space symbols | | {} | |
asciiword | Word, all ASCII | on | {english_stem} | english_stem | {}
blank | Space symbols | | {} | |
asciiword | Word, all ASCII | a | {english_stem} | english_stem | {}
blank | Space symbols | | {} | |
asciiword | Word, all ASCII | mat | {english_stem} | english_stem | {mat}
blank | Space symbols | | {} | |
blank | Space symbols | - | {} | |
asciiword | Word, all ASCII | it | {english_stem} | english_stem | {}
blank | Space symbols | | {} | |
asciiword | Word, all ASCII | ate | {english_stem} | english_stem | {ate}
blank | Space symbols | | {} | |
asciiword | Word, all ASCII | a | {english_stem} | english_stem | {}
blank | Space symbols | | {} | |
asciiword | Word, all ASCII | fat | {english_stem} | english_stem | {fat}
blank | Space symbols | | {} | |
asciiword | Word, all ASCII | rats | {english_stem} | english_stem | {rat}
分析器測試(ts_parse)
ts_parse函數分析文檔并且返回一串記錄，每一個解析后的詞都有一個tokid，和的分詞。如
SELECT * FROM ts_parse('default', '123 - a number');
tokid | token
-------+--------
22 | 123
12 |
12 | -
1 | a
12 |
1 | number
gist 和 gin的索引類型(GiST and GIN Index Types)
這兩種索引都能用在提高全文檢索的速度，注意全文檢索不一定非要使用索引，但是萬一當一個字段被固定規律搜索時，使用索引將會有很好的效果。
CREATE INDEX name ON table USING gist(column);
創建索引 gist 索引字段的類型可以是 tsvector 或者 tsquery.
CREATE INDEX name ON table USING gin(column);
創建索引 gin 索引字段的類型必須是 tsvector;