» 游客:  注册 | 登录 | 会员 | 统计 | 帮助
斑竹的菜园子
 

作者:
标题: PostgreSQL的FTI与中文全文索引的实践 上一主题 | 下一主题
borneol
管理员




积分 10952
发贴 955
注册 2005-2-23
来自 重庆
状态 离线
#1  PostgreSQL的FTI与中文全文索引的实践

安装 postgresql

你可以像平常一样编译和安装 postgresql,使用 tsearch2 进行中文的全文索引的时候,真正的区别发生在初始化数据库的时候。
[编辑] 初始化数据库

在linux里面使用tsearch2,首先要把数据库初始化成支持中文的 locale,比如我用 zh_CN.utf8:

initdb --locale=zh_CN.utf8 --encoding=utf8 ...

在一般用途的postgresql的使用时,一般会建议使用 C 做为初始化 locale,这样PG将会使用自身内部的比较函数对各种字符(尤其是中文字符)进行排序,这么做是合适的,因为大量OS的locale实现存在一些问题。对于tsearch2,因为它使用的是locale来进行基础的字串分析的工作,因此,如果错误使用locale,那么很有可能得到的是空字串结果,因为多字节的字符会被当做非法字符过滤掉。

我正在评估现代 OS/libc 的 locale 的实现是否已经成熟到可以接受的程度。如果是,则我们可以安全地使用 之,如果否,可能我们必须接合 slony 等工具来使用tsearch2。
[编辑] 安装 tsearch2

安装 tsearch2很简单,首先:

cd $PGSRC/contrib/tsearch2

然后:

gmake all
gmake install

[编辑] 配置tsearch2

我们需要生成自己的字典和自己的对应locale 的配置选项,所以,要给 tsearch2的表里插入一些数据,简单起见,我先用一个最基本的做演示,将来丰富了中文独立的字典之后,将继续补充:

--
-- first you need to use zh_CN.utf8 as locale to initialize your database
-- initdb -D $YOUR_PG_DATA_DIR --locale zh_CN.utf8 --encoding utf8
--


insert into pg_ts_cfg (ts_name, prs_name, locale) values ('utf8_chinese', 'default',
'zh_CN.utf8');

insert into pg_ts_dict (dict_name, dict_init, dict_initoption, dict_lexize, dict_comment)
values ('chinese_stem_utf8', 'snb_ru_init_utf8(internal)', 'contrib/chinese.stop.utf8',
'snb_lexize(internal,internal,integer)', 'Chinese Stemmer, Laser. UTF8 Encoding');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'lword',
'{en_stem}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'nlword',
'{chinese_stem_utf8}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'word',
'{chinese_stem_utf8}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'email',
'{simple}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'url', '{simple}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'host',
'{simple}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'sfloat',
'{simple}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'version',
'{simple}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'part_hword',
'{simple}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'nlpart_hword',
'{chinese_stem_utf8}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'lpart_hword',
'{en_stem}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'hword',
'{chinese_stem_utf8}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'lhword',
'{en_stem}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'nlhword',
'{chinese_stem_utf8}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'uri', '{simple}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'file',
'{simple}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'float',
'{simple}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'int', '{simple}');

insert into pg_ts_cfgmap(ts_name,tok_alias, dict_name) values('utf8_chinese', 'uint',
'{simple}');

[编辑] 基础的分字程序

下面是 Carrie (感谢 Carrie! :D )写的一个基础的分字程序,在很大程度上可以满足相当多应用的需要:

--
-- a basic Chinese word segment function
-- author: Carrie
--

create or replace function CarrieCharSeg( input text ) returns text as $$
declare
        retVal text;
        i int;
        j int;
begin
        i := char_length(input);
        j := 0;
        retVal := '';
        LOOP
                retVal := retVal || substring(input from j for 1) || ' ';

                j := j+1;

        EXIT WHEN j=i+1;
        END LOOP;
        return retVal;
end;
$$language plpgsql;


下面是一个重载的分词程序,区分了单词和汉字,对单词单独进行分词:

--
-- a basic Chinese word segment function
-- author: Carrie
--
create or replace function CarrieCharSeg(input text,int) returns text as $Q$
declare
        query text := '';
        retVal text := '';
        thisVal text := '';
        lastVal text := '';
        i integer := 0;
        j integer := 0;

begin
        query := lower(regexp_replace(input,'[[:punct:]]',' ','g'));
        --raise notice '123: %',query;
        i := char_length(query);
        LOOP
                thisVal := substring(query from j for 1);
                IF ((thisVal <> ' ')AND(thisVal <> ' ')) THEN
                        IF (((lastVal >= 'a') AND (lastVal <= 'z'))
                            OR((lastVal >= 'A')AND(lastVal <= 'Z'))) AND
                            (((thisVal >= 'a') AND (thisVal <= 'z')) OR
                            ((thisVal >= 'A')AND(thisVal <= 'Z'))) THEN
                                        retVal := retVal || thisVal;
                        ELSE
                                retVal := retVal || ' ' || thisVal;
                        END IF;
                END IF;
                lastVal := thisVal;
                j := j+1;
                EXIT WHEN j > i;
        END LOOP;
        RETURN trim(retVal);
end
$Q$language plpgsql;


[编辑] 使用 tsearch2

OK,所有东西都安装完毕,我们需要试验一下了,下面是一个基本过程:
[编辑] 例子1:在原有的表上增加全文索引字段
[编辑] 准备全文索引的表

假设我们准备使用全文索引的数据库名字叫 BBS,首先要在这个数据库上安装 tsearch2:

psql -d BBS -f tsearch2.sql

在编译完成tsearch2之后,tsearch2.sql 在 $PGSRC/contrib/tsearch2 里面。

假设我们有这样一个表,里面保存着BBS的帖子:

create table BbsPost(
id serial,
topic varchar(100),
content text,
posterId integer,
postTime timestamp
);

[编辑] 增加一个全文索引字段
现在我们希望我们能够对 topic 字段和 content 字段进行全文索引,那么我们需要添加一个字段给表

BbsPost



psql BBS
alter table BbsPost add column idxFti tsvector;

然后,我们要更新这个字段,使之包含合理的分词字段:

update BbsPost set idxFti = to_tsvector(coalesce(carriecharseg(topic, 1), '') || ' ' ||
coalesce(carriecharseg(content, 1), ''));

[编辑] 创建全文索引

然后,我们需要在这个字段上创建特殊的索引:

create index bbspost_idxfti_idx on BbsPost using gist(idxFti);

[编辑] 清理数据库

之后,我们再清理一下数据库:

vacuum full analyze analyze;

这样,全文索引就准备完成了!
[编辑] 例子二:通过扩展表使用全文索引

首先,仍然对BBS数据库进行处理,这次我们不直接在原有全文字段表上增加字段,而是另外建立一个表:

create table bbsPost_fti (id integer, idxfti tsvector);

我们创建两个字段的表,用于对

bbsPost

表进行全文索引。然后,我们给

bbsPost_fti

加一个外键:

alter table bbsPost_fti add foreign key (id) references bbsPost(id);

这样保证

bbsPost_fti

的 id 一定是

bbsPost

中存在的。然后,我们可以向

bbsPost_fti

里面插入数据:

insert into bbsPost_fti (id, idxfti) select id, to_tsvector(coalesce(carriecharseg(topic, 1), '')
|| ' ' || coalesce(carriecharseg(content, 1), '')) from bbsPost order by id;

这样,初始化所有数据到

bbsPost_fti

中。然后创建索引:

create index idxfti_idx on bbsPost_fti using gist(idxfti);
create index bbsPost_fti_id_idx on bbsPost_fti (id);

我们也可以用倒排索引(GIN)进行全文索引,这样检索速度比 GIST 更快:

create index idxfti_idx on bbsPost_fti using gin(idxfti);

在我的试验中,GIN比GIST快了将近5倍,唯一的缺点是更新速度明显变慢。这个需要用户自己去平衡了。

最后,也是清理数据库:

vacuum full analyze;

然后我们也可以开始使用了!
[编辑] 使用全文索引

我们上面用的是分字程序,那么我们可以这样使用SQL查询来进行数据检索:

select * from BbsPost where idxFti @@ '中&文';

这样,就把包含“中”和“文”字的帖子都找了出来。@@ 操作符还支持与或非的逻辑:

select * from BbsPost where idxFti @@ '(中&文)|(英&文)';

用圆括弧:() 和 & 和 | 和 ! 可以组合查询条件,对数据表进行查询。目前,我们只拥有分字的程序,将来在完成中文分词程序之后,我们可以实现更简单的搜索,类似:

select * from BbsPost where idxFti @@ '(中文)|(英文)&(中国)';

这样的查询,大家可以用 explain analyze 看看,这样的查询的效率和 like 查询的效率差距有多大? ;)
[编辑] 中文屏蔽词的添加

在语言里面有很多没有用的屏蔽词,比如英文里面的 "the",那么中文也有许多这样的词,比如“的”字,在这些词上建立索引,没必要也浪费,因此,我们可以用一种叫做 stop word (屏蔽词)的机制,给关闭这些词。具体做法是:

    * 找到$PGHOME/share/contrib/
    * echo "的" | iconv -f gbk -t utf8 > chinese.stop.utf8 (如果你的终端是UTF8的,则可以忽略 iconv 语句。)
    * 更多的 chinese stop word 可以用 echo "屏蔽词" | iconv -f gbk -t utf8 >> chinese.stop.utf8 实现


至此,使用 tsearch2 进行中文全文索引的最基本的要点已经在此列出,更多相关的信息,我会在有进一步的试验结果之后再详细展开。
[编辑] yws字典使用方法

    * 生成字典

    yws的提供给用户可以配置的字典是core_dict 和user_dict, 生成字典的命令如下;

yws_buildTrieDict -b -d ./yws-base.dict -i ./yws-core-dict.txt -u ./yws-user-dict.txt

    yws_bulidTrieDict 在./bin目录下面可以找到,yws-core-dict.txt一般由yws小组生成,其中统计了词频。yws-user-dict.txt可以根据用户自己的需求添加,其中的格式是一个词一行。编码为UTF-8,词添加的位置顺序没有影响。在内部yws将上述两个字典和其他的特殊字典合成生成yws-base.dict;

    * 生成conf文件

    然后依照yws自带的conf文件格式编写yws.conf,只需在其中更改PATH;

BASE_DICTIONARY = PATH/yws-base.dict

    PATH为yws-base.dict存放的地方;

    * 在c++中运行yws实例

    当运行一个yws实例时,将此yws.conf文件传入即可使用指定的字典。;

handle=yws::LoadDict("............/yws.conf"

-laser -- Main.LaserHe - 21 Jan 2007



0200 1D 06 00 00 A0 86 01 00 FF FF 00 00 1E 06 00 00
         E-mail:[email protected]
         MSN:[email protected]
         Home page:www.chenzhang.com
0210 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00
2008-4-21 16:13
查看资料  发送邮件  访问主页  发短消息  QQ   编辑帖子  引用回复


可打印版本 | 推荐给朋友 | 订阅主题 | 收藏主题



论坛跳转: