本節介紹與文字搜尋相關的其他有用函式和運算子。
第 12.3.1 節介紹瞭如何將原始文字文件轉換為 tsvector 值。PostgreSQL 還提供了函式和運算子,可用於操作已為 tsvector 形式的文件。
tsvector || tsvectortsvector 連線運算子返回一個向量,該向量結合了作為引數提供的兩個向量的詞元和位置資訊。連線過程中保留了位置和權重標籤。右側向量中的位置會根據左側向量中提到的最大位置進行偏移,因此結果在很大程度上等同於對兩個原始文件字串的連線執行 to_tsvector 的結果。(等價並非精確,因為從左側引數末尾刪除的任何停用詞都不會影響結果,而如果在文字連線中使用,它們會影響右側引數中詞元的位置。)
使用向量形式進行連線而不是在應用 to_tsvector 之前連線文字的一個優點是,您可以使用不同的配置來解析文件的不同部分。此外,因為 setweight 函式以相同的方式標記給定向量的所有詞元,所以如果要使用不同的權重標記文件的不同部分,則必須在連線之前解析文字並執行 setweight。
setweight(vector tsvector, weight "char") returns tsvectorsetweight 返回輸入向量的副本,其中每個位置都用指定的 weight 標記,可以是 A、B、C 或 D。(D 是新向量的預設值,因此在輸出中不顯示。)連線向量時會保留這些標籤,從而允許透過排名函式為文件的不同部分分配不同的權重。
請注意,權重標籤適用於位置,而不是詞元。如果輸入向量已剝離位置資訊,則 setweight 不執行任何操作。
length(vector tsvector) returns integer返回向量中儲存的詞元數。
strip(vector tsvector) returns tsvector返回一個列出與給定向量相同詞元的向量,但不包含任何位置或權重資訊。結果通常比未剝離的向量小得多,但用處也較少。相關性排名在剝離的向量上不如在未剝離的向量上效果好。此外,<->(後跟)tsquery 運算子永遠不會匹配剝離的輸入,因為它無法確定詞元出現之間的距離。
文字搜尋函式列表可在表 9.43 中找到。
第 12.3.2 節介紹瞭如何將原始文字查詢轉換為 tsquery 值。PostgreSQL 還提供了函式和運算子,可用於操作已為 tsquery 形式的查詢。
tsquery && tsquery返回兩個給定查詢的 AND 組合。
tsquery || tsquery返回兩個給定查詢的 OR 組合。
!! tsquery返回給定查詢的否定 (NOT)。
tsquery <-> tsquery返回一個查詢,該查詢搜尋第一個給定查詢緊接著第二個給定查詢的匹配,使用 <->(後跟)tsquery 運算子。例如
SELECT to_tsquery('fat') <-> to_tsquery('cat | rat');
?column?
----------------------------
'fat' <-> ( 'cat' | 'rat' )
tsquery_phrase(query1 tsquery, query2 tsquery [, distance integer ]) returns tsquery返回一個查詢,該查詢搜尋第一個給定查詢的匹配,然後在 distance 個詞元的距離處搜尋第二個給定查詢的匹配,使用 < N>tsquery 運算子。例如
SELECT tsquery_phrase(to_tsquery('fat'), to_tsquery('cat'), 10);
tsquery_phrase
------------------
'fat' <10> 'cat'
numnode(query tsquery) returns integer返回 tsquery 中的節點數(詞元加上運算子)。此函式有助於確定 query 是否有意義(返回 > 0),或者是否僅包含停用詞(返回 0)。示例
SELECT numnode(plainto_tsquery('the any'));
NOTICE: query contains only stopword(s) or doesn't contain lexeme(s), ignored
numnode
---------
0
SELECT numnode('foo & bar'::tsquery);
numnode
---------
3
querytree(query tsquery) returns text返回 tsquery 中可用於搜尋索引的部分。此函式有助於檢測不可索引的查詢,例如僅包含停用詞或僅否定項的查詢。例如
SELECT querytree(to_tsquery('defined'));
querytree
-----------
'defin'
SELECT querytree(to_tsquery('!defined'));
querytree
-----------
T
ts_rewrite 系列函式搜尋給定 tsquery 中目標子查詢的出現,並將每個出現替換為替代子查詢。本質上,此操作是 tsquery 特定的子字串替換版本。目標和替代組合可以看作是查詢重寫規則。此類重寫規則的集合可以是一個強大的搜尋輔助工具。例如,您可以使用同義詞來擴充套件搜尋(例如,new york、big apple、nyc、gotham),或者縮小搜尋範圍以將使用者引導至某個熱門話題。此功能與同義詞詞典(第 12.6.4 節)在功能上存在一些重疊。但是,您可以即時修改一組重寫規則,而無需重新索引,而更新同義詞需要重新索引才能生效。
ts_rewrite (query tsquery, target tsquery, substitute tsquery) returns tsquery此形式的 ts_rewrite 僅應用單個重寫規則: wherever target appears in query, it is replaced by substitute。例如
SELECT ts_rewrite('a & b'::tsquery, 'a'::tsquery, 'c'::tsquery);
ts_rewrite
------------
'b' & 'c'
ts_rewrite (query tsquery, select text) returns tsquery此形式的 ts_rewrite 接受一個初始 query 和一個 SQL select 命令,該命令以文字字串形式給出。select 必須返回兩列 tsquery 型別。對於 select 結果的每一行,query 中的第一列值(目標)的出現將被第二列值(替代)替換。例如
CREATE TABLE aliases (t tsquery PRIMARY KEY, s tsquery);
INSERT INTO aliases VALUES('a', 'c');
SELECT ts_rewrite('a & b'::tsquery, 'SELECT t,s FROM aliases');
ts_rewrite
------------
'b' & 'c'
請注意,當以這種方式應用多個重寫規則時,應用的順序可能很重要;因此,在實踐中,您將希望源查詢 ORDER BY 某個排序鍵。
讓我們考慮一個現實的天文學示例。我們將使用表驅動的重寫規則來擴充套件查詢 supernovae。
CREATE TABLE aliases (t tsquery primary key, s tsquery);
INSERT INTO aliases VALUES(to_tsquery('supernovae'), to_tsquery('supernovae|sn'));
SELECT ts_rewrite(to_tsquery('supernovae & crab'), 'SELECT * FROM aliases');
ts_rewrite
---------------------------------
'crab' & ( 'supernova' | 'sn' )
我們只需透過更新表即可更改重寫規則。
UPDATE aliases
SET s = to_tsquery('supernovae|sn & !nebulae')
WHERE t = to_tsquery('supernovae');
SELECT ts_rewrite(to_tsquery('supernovae & crab'), 'SELECT * FROM aliases');
ts_rewrite
---------------------------------------------
'crab' & ( 'supernova' | 'sn' & !'nebula' )
當存在許多重寫規則時,重寫可能會很慢,因為它會為每個規則檢查可能的匹配。為了過濾掉明顯的非候選規則,我們可以使用 tsquery 型別的包含運算子。在下面的示例中,我們僅選擇可能匹配原始查詢的規則。
SELECT ts_rewrite('a & b'::tsquery,
'SELECT t,s FROM aliases WHERE ''a & b''::tsquery @> t');
ts_rewrite
------------
'b' & 'c'
本節描述的方法已被儲存的生成列取代,如第 12.2.2 節中所述。
當使用單獨的列儲存文件的 tsvector 表示時,有必要建立一個觸發器來在文件內容列更改時更新 tsvector 列。為此提供了兩個內建觸發器函式,或者您可以編寫自己的觸發器。
tsvector_update_trigger(tsvector_column_name,config_name,text_column_name[, ... ]) tsvector_update_trigger_column(tsvector_column_name,config_column_name,text_column_name[, ... ])
這些觸發器函式在 CREATE TRIGGER 命令中指定的引數控制下,自動從一個或多個文字列計算 tsvector 列。其用法示例為
CREATE TABLE messages (
title text,
body text,
tsv tsvector
);
CREATE TRIGGER tsvectorupdate BEFORE INSERT OR UPDATE
ON messages FOR EACH ROW EXECUTE FUNCTION
tsvector_update_trigger(tsv, 'pg_catalog.english', title, body);
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
SELECT title, body FROM messages WHERE tsv @@ to_tsquery('title & body');
title | body
------------+-----------------------
title here | the body text is here
建立此觸發器後,對 title 或 body 的任何更改都將自動反映到 tsv 中,而無需應用程式擔心。
第一個觸發器引數必須是將被更新的 tsvector 列的名稱。第二個引數指定用於執行轉換的文字搜尋配置。對於 tsvector_update_trigger,配置名稱僅作為第二個觸發器引數給出。它必須像上面那樣使用模式限定,以便觸發器行為不會因 search_path 的更改而改變。對於 tsvector_update_trigger_column,第二個觸發器引數是另一個表列的名稱,該列必須是 regconfig 型別。這允許按行選擇配置。其餘引數是文字列(text、varchar 或 char 型別)的名稱。這些將按照給定的順序包含在文件中。NULL 值將被跳過(但其他列仍會被索引)。
這些內建觸發器的侷限性在於它們以相同的方式處理所有輸入列。要以不同方式處理列(例如,為標題賦予與正文不同的權重),則需要編寫自定義觸發器。以下是使用 PL/pgSQL 作為觸發器語言的示例
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 FUNCTION messages_trigger();
請記住,在觸發器中建立 tsvector 值時顯式指定配置名稱非常重要,這樣列的內容就不會受到 default_text_search_config 更改的影響。未能這樣做很可能會導致問題,例如轉儲和恢復後搜尋結果發生變化。
函式 ts_stat 有助於檢查您的配置和查詢停用詞候選。
ts_stat(sqlquerytext, [weightstext, ] OUTwordtext, OUTndocinteger, OUTnentryinteger) returnssetof record
sqlquery 是一個文字值,其中包含一個 SQL 查詢,該查詢必須返回單個 tsvector 列。ts_stat 執行查詢並返回包含在 tsvector 資料中的每個不同詞元(單詞)的統計資訊。返回的列是
word text — 詞元的值
ndoc integer — 單詞出現的文件(tsvector)數
nentry integer — 單詞出現次數的總數
如果提供了 weights,則僅計算具有這些權重之一的出現次數。
例如,查詢文件集合中最頻繁的十個單詞。
SELECT * FROM ts_stat('SELECT vector FROM apod')
ORDER BY nentry DESC, ndoc DESC, word
LIMIT 10;
相同,但僅計算權重為 A 或 B 的單詞出現次數。
SELECT * FROM ts_stat('SELECT vector FROM apod', 'ab')
ORDER BY nentry DESC, ndoc DESC, word
LIMIT 10;
如果您在文件中看到任何不正確、與您對特定功能的經驗不符或需要進一步澄清的內容,請使用此表格報告文件問題。