PgSQL · 特性介绍 · 全文搜索介绍 · 数据库内核月报

## 背景在日常的数据处理中，我们经常会有这样的需求：从一个文本中寻找某个字符串（比如某个单词）。对这个需求，我们可以用类似这样的SQL完成：SELECT * FROM tbl WHERE text LIKE ‘%rds PostgreSQL%’;（找到含有“rds PostgreSQL”的文本）。现在我们考虑一些特殊的情形： 1. 需要查找的文本特别多，特别大； 2. 不做单纯的字符串匹配，而是考虑自然语言的一些特性，比如匹配某一类字符串（域名、人名）或者匹配单词的所有形式（不考虑它的词性及变化，比如have，has，had都匹配出来）； 3. 对中文自然语言特性的支持。那么此时再用以上的 “SELECT … LIKE …” 就不明智了，因为对数据库来说，这样的SQL必然走的是全表扫描，那么当文本特别多、特别大的时候，查找效率就会很低。另外，这样的SQL也不会智能到可以处理自然语言的特性。怎么办呢？PostgreSQL（以下简称PG）提供了强大的全文搜索功能可以满足这样的需求。 ## 对文本的预处理全文搜索首先需要对文本预处理，包括3步： 1. 将文本分解成一个个token，这些token可以是数字、单词、域名、人名、email的格式等等。在PG中可以定义一个parser来做这个工作。 2. 将第一步分解成的token标准化，所谓的标准化就是利用一些规则将token分好类（比如人名是一类、域名是一类等等）。标准化后的token我们称之为lexeme。在PG中是通过定义一个词典来做这个工作。PG里最简单的词典simple的标准化过程就是将大写字母转成小写字母。 3. 对文本打分，优化查找过程，比如对于待查找的词，文本1匹配的数量大于文本2匹配的数量，那么在这个查找过程，文本1的优先级大于文本2的优先级。在PG中，以上对文本的预处理可以通过一个函数`to_tsvector`来完成，函数的返回值是tsvector这个数据类型。另外，对于待查找的单词，我们也要用`to_tsquery`这个函数包装起来，函数的返回值是tsquery这个数据类型。一个简单的例子见下面，`to_tsquery`里的参数可以使用运算符(&:与、|:或、!:非)： ~~~ SELECT to_tsvector('fat cats ate fat rats') @@ to_tsquery('fat & rat'); ?column? ---------- t ~~~ ## Quick Start 在了解了这些概念之后，我们用实际的例子来玩一玩PG的全文搜索。我们在client端输入以下命令，\dFp显示的是所有的parser，这里只有一个默认parser(default)。 \dFp+ default 显示默认parser(default)的详细信息：parse的过程（5个函数），parse的Token类型（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) ~~~ 输入\dF+ english，给出标准化各类英语token时所用到的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 ~~~ 创建以default为parser的配置defcfg，并增加token映射，这里我们只关心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，我们看看利用defcfg对文本进行处理的结果。这里使用`to_tsvector`函数，可以看到email，url，host都被识别出来了： ~~~ 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) ~~~ 在实际对表内的文本做全文搜索时，一般对目标列建立gin索引（也就是倒排索引，详情见[官方文档](http://www.postgresql.org/docs/9.4/static/textsearch-indexes.html)），这样可以加快查询效率，具体操作如下： ~~~ 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)) ~~~ 这里我们插入2条文本，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) ~~~ 以上的操作都是针对英文，实际上对中文也是支持的，不过会稍微麻烦点，因为中文的token必须通过分词才能产生，所以需要先装分词的组件scws和zhparser，具体可以参考[这篇博文](http://blog.chinaunix.net/uid-20726500-id-4820580.html)。 ## 结语本文对PG的全文搜索做了一个入门级的介绍，方便用户快速上手，如果需要对全文搜索作更深入的研究，建议阅读[官方文档第12章](http://www.postgresql.org/docs/9.4/static/textsearch.html)。