PgSQL · 特性介紹 · 全文搜索介紹 · 數據庫內核月報

## 背景在日常的數據處理中，我們經常會有這樣的需求：從一個文本中尋找某個字符串（比如某個單詞）。對這個需求，我們可以用類似這樣的SQL完成：SELECT * FROM tbl WHERE text LIKE ‘%rds PostgreSQL%’;（找到含有“rds PostgreSQL”的文本）。現在我們考慮一些特殊的情形： 1. 需要查找的文本特別多，特別大； 2. 不做單純的字符串匹配，而是考慮自然語言的一些特性，比如匹配某一類字符串（域名、人名）或者匹配單詞的所有形式（不考慮它的詞性及變化，比如have，has，had都匹配出來）； 3. 對中文自然語言特性的支持。那么此時再用以上的 “SELECT … LIKE …” 就不明智了，因為對數據庫來說，這樣的SQL必然走的是全表掃描，那么當文本特別多、特別大的時候，查找效率就會很低。另外，這樣的SQL也不會智能到可以處理自然語言的特性。怎么辦呢？PostgreSQL（以下簡稱PG）提供了強大的全文搜索功能可以滿足這樣的需求。 ## 對文本的預處理全文搜索首先需要對文本預處理，包括3步： 1. 將文本分解成一個個token，這些token可以是數字、單詞、域名、人名、email的格式等等。在PG中可以定義一個parser來做這個工作。 2. 將第一步分解成的token標準化，所謂的標準化就是利用一些規則將token分好類（比如人名是一類、域名是一類等等）。標準化后的token我們稱之為lexeme。在PG中是通過定義一個詞典來做這個工作。PG里最簡單的詞典simple的標準化過程就是將大寫字母轉成小寫字母。 3. 對文本打分，優化查找過程，比如對于待查找的詞，文本1匹配的數量大于文本2匹配的數量，那么在這個查找過程，文本1的優先級大于文本2的優先級。在PG中，以上對文本的預處理可以通過一個函數`to_tsvector`來完成，函數的返回值是tsvector這個數據類型。另外，對于待查找的單詞，我們也要用`to_tsquery`這個函數包裝起來，函數的返回值是tsquery這個數據類型。一個簡單的例子見下面，`to_tsquery`里的參數可以使用運算符(&:與、|:或、!:非)： ~~~ SELECT to_tsvector('fat cats ate fat rats') @@ to_tsquery('fat & rat'); ?column? ---------- t ~~~ ## Quick Start 在了解了這些概念之后，我們用實際的例子來玩一玩PG的全文搜索。我們在client端輸入以下命令，\dFp顯示的是所有的parser，這里只有一個默認parser(default)。 \dFp+ default 顯示默認parser(default)的詳細信息：parse的過程（5個函數），parse的Token類型（asciihword, asciiword…）。 ~~~ sbtest=# \dFp List of text search parsers Schema | Name | Description ------------+---------+--------------------- pg_catalog | default | default word parser (1 row) sbtest=# \dFp+ default Text search parser "pg_catalog.default" Method | Function | Description -----------------+----------------+------------- Start parse | prsd_start | (internal) Get next token | prsd_nexttoken | (internal) End parse | prsd_end | (internal) Get headline | prsd_headline | (internal) Get token types | prsd_lextype | (internal) Token types for parser "pg_catalog.default" Token name | Description -----------------+------------------------------------------ asciihword | Hyphenated word, all ASCII asciiword | Word, all ASCII blank | Space symbols email | Email address entity | XML entity file | File or path name float | Decimal notation host | Host hword | Hyphenated word, all letters hword_asciipart | Hyphenated word part, all ASCII hword_numpart | Hyphenated word part, letters and digits hword_part | Hyphenated word part, all letters int | Signed integer numhword | Hyphenated word, letters and digits numword | Word, letters and digits protocol | Protocol head sfloat | Scientific notation tag | XML tag uint | Unsigned integer url | URL url_path | URL path version | Version number word | Word, all letters (23 rows) ~~~ 輸入\dF+ english，給出標準化各類英語token時所用到的dictionary： ~~~ sbtest=# \dF+ english Text search configuration "pg_catalog.english" Parser: "pg_catalog.default" Token | Dictionaries -----------------+-------------- asciihword | english_stem asciiword | english_stem email | simple file | simple float | simple host | simple hword | english_stem hword_asciipart | english_stem hword_numpart | simple hword_part | english_stem int | simple numhword | simple numword | simple sfloat | simple uint | simple url | simple url_path | simple version | simple word | english_stem ~~~ 創建以default為parser的配置defcfg，并增加token映射，這里我們只關心email, url, host： ~~~ sbtest=# CREATE TEXT SEARCH CONFIGURATION defcfg (PARSER = default); CREATE TEXT SEARCH CONFIGURATION sbtest=# ALTER TEXT SEARCH CONFIGURATION defcfg ADD MAPPING FOR email,url,host WITH simple; ALTER TEXT SEARCH CONFIGURATION ~~~ 建好配置defcfg后，我們看看利用defcfg對文本進行處理的結果。這里使用`to_tsvector`函數，可以看到email，url，host都被識別出來了： ~~~ sbtest=# select to_tsvector('defcfg','xxx yyy xxx@taobao.com yyy@sina.com http://google.com/123 12345 '); to_tsvector ----------------------------------------------------------------------- 'google.com':4 'google.com/123':3 'xxx@taobao.com':1 'yyy@sina.com':2 (1 row) ~~~ 在實際對表內的文本做全文搜索時，一般對目標列建立gin索引（也就是倒排索引，詳情見[官方文檔](http://www.postgresql.org/docs/9.4/static/textsearch-indexes.html)），這樣可以加快查詢效率，具體操作如下： ~~~ sbtest=# CREATE TABLE t1(c1 text); CREATE TABLE sbtest=# CREATE INDEX c1_idx ON t1 USING gin(to_tsvector('defcfg', c1)); CREATE INDEX sbtest=# \d t1 Table "public.t1" Column | Type | Modifiers --------+------+----------- c1 | text | Indexes: "c1_idx" gin (to_tsvector('defcfg'::regconfig, c1)) ~~~ 這里我們插入2條文本，并做一些匹配： ~~~ sbtest=# INSERT INTO t1 VALUES('xxx yyy xxx@taobao.com yyy@sina.com http://google.com 12345'); INSERT 0 1 sbtest=# INSERT INTO t1 VALUES('xxx yyy xxx@gmail.com yyy@sina.com http://google.com 12345'); INSERT 0 1 sbtest=# select * from t1; c1 ------------------------------------------------------------- xxx yyy xxx@taobao.com yyy@sina.com http://google.com 12345 xxx yyy xxx@gmail.com yyy@sina.com http://google.com 12345 (2 rows) sbtest=# select * from t1 where to_tsvector('defcfg',c1) @@ 'google.com'; c1 ------------------------------------------------------------- xxx yyy xxx@taobao.com yyy@sina.com http://google.com 12345 xxx yyy xxx@gmail.com yyy@sina.com http://google.com 12345 (2 rows) sbtest=# select * from t1 where to_tsvector('defcfg',c1) @@ to_tsquery('google.com & yyy@sina.com'); c1 ------------------------------------------------------------- xxx yyy xxx@taobao.com yyy@sina.com http://google.com 12345 xxx yyy xxx@gmail.com yyy@sina.com http://google.com 12345 (2 rows) sbtest=# select * from t1 where to_tsvector('defcfg',c1) @@ to_tsquery('google.com & xxx@gmail.com'); c1 ------------------------------------------------------------ xxx yyy xxx@gmail.com yyy@sina.com http://google.com 12345 (1 row) ~~~ 以上的操作都是針對英文，實際上對中文也是支持的，不過會稍微麻煩點，因為中文的token必須通過分詞才能產生，所以需要先裝分詞的組件scws和zhparser，具體可以參考[這篇博文](http://blog.chinaunix.net/uid-20726500-id-4820580.html)。 ## 結語本文對PG的全文搜索做了一個入門級的介紹，方便用戶快速上手，如果需要對全文搜索作更深入的研究，建議閱讀[官方文檔第12章](http://www.postgresql.org/docs/9.4/static/textsearch.html)。