PostgreSQL 介紹

一個(gè)document是在一個(gè)全文搜索系統(tǒng)中進(jìn)行搜索的單元，例如，一篇雜志文章或電子郵件消息。文本搜索引擎必須能夠解析文檔并存儲(chǔ)詞位（關(guān)鍵詞）與它們的父文檔之間的關(guān)聯(lián)。隨后，這些關(guān)聯(lián)會(huì)被用來(lái)搜索包含查詢(xún)?cè)~的文檔。

對(duì)于PostgreSQL中的搜索，一個(gè)文檔通常是一個(gè)數(shù)據(jù)庫(kù)表中一行內(nèi)的一個(gè)文本形式的域，或者可能是這類(lèi)域的一個(gè)組合（連接），這些域可能存儲(chǔ)在多個(gè)表或者是動(dòng)態(tài)獲取。換句話(huà)說(shuō)，一個(gè)文檔可能從用于索引的不同部分構(gòu)建，并且它可能被作為一個(gè)整體存儲(chǔ)在某個(gè)地方。例如：

SELECT title || ' ' ||  author || ' ' ||  abstract || ' ' || body AS document
FROM messages
WHERE mid = 12;

SELECT m.title || ' ' || m.author || ' ' || m.abstract || ' ' || d.body AS document
FROM messages m, docs d
WHERE m.mid = d.did AND m.mid = 12;

另一種存儲(chǔ)文檔的可能性是作為文件系統(tǒng)中的簡(jiǎn)單文本文件。在這種情況下，數(shù)據(jù)庫(kù)可以被用來(lái)存儲(chǔ)全文索引并執(zhí)行搜索，并且某些唯一標(biāo)識(shí)符可以被用來(lái)從文件系統(tǒng)檢索文檔。但是，從數(shù)據(jù)庫(kù)的外面檢索文件要求超級(jí)用戶(hù)權(quán)限或者特殊函數(shù)支持，因此這種方法通常不如把所有數(shù)據(jù)放在PostgreSQL內(nèi)部方便。另外，把所有東西放在數(shù)據(jù)庫(kù)內(nèi)部允許方便地訪(fǎng)問(wèn)文檔元數(shù)據(jù)來(lái)協(xié)助索引和現(xiàn)實(shí)。

對(duì)于文本搜索目的，每一個(gè)文檔必須被縮減成預(yù)處理后的tsvector格式。搜索和排名被整個(gè)在一個(gè)文檔的tsvector表示上執(zhí)行 — 只有當(dāng)文檔被選擇來(lái)顯示給用戶(hù)時(shí)才需要檢索原始文本。我們因此經(jīng)常把tsvector說(shuō)成是文檔，但是當(dāng)然它只是完整文檔的一種緊湊表示。

PostgreSQL中的全文搜索基于匹配操作符@@，它在一個(gè)tsvector（文檔）匹配一個(gè)tsquery（查詢(xún)）時(shí)返回true。哪種數(shù)據(jù)類(lèi)型寫(xiě)在前面沒(méi)有影響：

SELECT 'a fat cat sat on a mat and ate a fat rat'::tsvector @@ 'cat & rat'::tsquery;
 ?column?
----------
 t

SELECT 'fat & cow'::tsquery @@ 'a fat cat sat on a mat and ate a fat rat'::tsvector;
 ?column?
----------
 f

正如以上例子所建議的，一個(gè)tsquery并不只是一個(gè)未經(jīng)處理的文本，頂多一個(gè)tsvector是這樣。一個(gè)tsquery包含搜索術(shù)語(yǔ)，它們必須是已經(jīng)正規(guī)化的詞位，并且可以使用 AND 、OR、NOT 以及 FOLLOWED BY 操作符結(jié)合多個(gè)術(shù)語(yǔ)（語(yǔ)法詳見(jiàn)第 8.11.2 節(jié)）。有幾個(gè)函數(shù)to_tsquery、plainto_tsquery以及phraseto_tsquery可用于將用戶(hù)書(shū)寫(xiě)的文本轉(zhuǎn)換為正確的tsquery，它們會(huì)主要采用正則化出現(xiàn)在文本中的詞的方法。相似地， to_tsvector被用來(lái)解析和正規(guī)化一個(gè)文檔字符串。因此在實(shí)際上一個(gè)文本搜索匹配可能看起來(lái)更像：

SELECT to_tsvector('fat cats ate fat rats') @@ to_tsquery('fat & rat');
 ?column? 
----------
 t

注意如果這個(gè)匹配被寫(xiě)成下面這樣它將不會(huì)成功：

SELECT 'fat cats ate fat rats'::tsvector @@ to_tsquery('fat & rat');
 ?column? 
----------
 f

因?yàn)檫@里不會(huì)發(fā)生詞rats的正規(guī)化。一個(gè)tsvector的元素是詞位，它被假定為已經(jīng)正規(guī)化好，因此rats不匹配rat。

@@操作符也支持text輸出，它允許在簡(jiǎn)單情況下跳過(guò)從文本字符串到tsvector或tsquery的顯式轉(zhuǎn)換?？捎玫淖凅w是：

tsvector @@ tsquery
tsquery  @@ tsvector
text @@ tsquery
text @@ text

前兩種我們已經(jīng)見(jiàn)過(guò)。形式text @@ tsquery等價(jià)于to_tsvector(x) @@ y。形式text @@ text等價(jià)于 to_tsvector(x) @@ plainto_tsquery(y)。

在tsquery中，&（AND）操作符指定它的兩個(gè)參數(shù)都必須出現(xiàn)在文檔中才表示匹配。類(lèi)似地，|（OR）操作符指定至少一個(gè)參數(shù)必須出現(xiàn)，而!（NOT）操作符指定它的參數(shù)不出現(xiàn)才能匹配。例如，查詢(xún) fat & ! rat匹配包含fat但不包含rat的文檔。

在<->（FOLLOWED BY） tsquery操作符的幫助下搜索可能的短語(yǔ)，只有該操作符的參數(shù)的匹配是相鄰的并且符合給定順序時(shí)，該操作符才算是匹配。例如：

SELECT to_tsvector('fatal error') @@ to_tsquery('fatal <-> error');
 ?column? 
----------
 t

SELECT to_tsvector('error is not fatal') @@ to_tsquery('fatal <-> error');
 ?column? 
----------
 f

FOLLOWED BY 操作符還有一種更一般的版本，形式是<N >，其中N是一個(gè)表示匹配詞位位置之間的差。<1>和<->相同，而<2>允許剛好一個(gè)其他詞位出現(xiàn)在匹配之間，以此類(lèi)推。當(dāng)有些詞是停用詞時(shí)，phraseto_tsquery函數(shù)利用這個(gè)操作符來(lái)構(gòu)造一個(gè)能夠匹配多詞短語(yǔ)的 tsquery。例如：

SELECT phraseto_tsquery('cats ate rats');
       phraseto_tsquery        
-------------------------------
 'cat' <-> 'ate' <-> 'rat'

SELECT phraseto_tsquery('the cats ate the rats');
       phraseto_tsquery        
-------------------------------
 'cat' <-> 'ate' <2> 'rat'

一種有時(shí)候有用的特殊情況是，<0>可以被用來(lái)要求兩個(gè)匹配同一個(gè)詞的模式。

圓括號(hào)可以被用來(lái)控制tsquery操作符的嵌套。如果沒(méi)有圓括號(hào)，|的計(jì)算優(yōu)先級(jí)最低，然后從低到高依次是&、<->、!。

值得注意的是，當(dāng)AND/OR/NOT操作符在一個(gè)FOLLOWED BY操作符的參數(shù)中時(shí)，它們表示與不在那些參數(shù)中時(shí)不同的含義，因?yàn)樵贔OLLOWED BY中匹配的準(zhǔn)確位置是有意義的。例如，通常!x僅匹配在任何地方都不包含x的文檔。但如果y不是緊接在一個(gè)x后面， !x <-> y就會(huì)匹配那個(gè)y，在文檔中其他位置出現(xiàn)的x不會(huì)阻止匹配。另一個(gè)例子是，x & y通常僅要求x和y均出現(xiàn)在文檔中的某處，但是(x & y) <-> z要求 x和y在緊挨著z之前的同一個(gè)位置匹配。因此這個(gè)查詢(xún)的行為會(huì)不同于x <-> z & y <-> z，它將匹配一個(gè)含有兩個(gè)單獨(dú)序列x z以及y z的文檔（這個(gè)特定的查詢(xún)一點(diǎn)用都沒(méi)有，因?yàn)? x和y不可能在同一個(gè)位置匹配，但是對(duì)于前綴匹配模式之類(lèi)的更復(fù)雜的情況，這種形式的查詢(xún)就會(huì)有用武之地）。

前述的都是簡(jiǎn)單的文本搜索例子。正如前面所提到的，全文搜索功能包括做更多事情的能力：跳過(guò)索引特定詞（停用詞）、處理同義詞并使用更高級(jí)的解析，例如基于空白之外的解析。這個(gè)功能由文本搜索配置控制。PostgreSQL中有多種語(yǔ)言的預(yù)定義配置，并且你可以很容易地創(chuàng)建你自己的配置（psql的\dF命令顯示所有可用的配置）。

在安裝期間一個(gè)合適的配置將被選擇并且default_text_search_config也被相應(yīng)地設(shè)置在postgresql.conf中。如果你正在對(duì)整個(gè)集簇使用相同的文本搜索配置，你可以使用在postgresql.conf中使用該值。要在集簇中使用不同的配置但是在任何一個(gè)數(shù)據(jù)庫(kù)內(nèi)部使用同一種配置，使用 ALTER DATABASE ... SET。否則，你可以在每個(gè)會(huì)話(huà)中設(shè)置default_text_search_config。

依賴(lài)一個(gè)配置的每一個(gè)文本搜索函數(shù)都有一個(gè)可選的regconfig參數(shù)，因此要使用的配置可以被顯式指定。只有當(dāng)這個(gè)參數(shù)被忽略時(shí)，default_text_search_config才被使用。

為了讓建立自定義文本搜索配置更容易，一個(gè)配置可以從更簡(jiǎn)單的數(shù)據(jù)庫(kù)對(duì)象來(lái)建立。PostgreSQL的文本搜索功能提供了四類(lèi)配置相關(guān)的數(shù)據(jù)庫(kù)對(duì)象：

文本搜索解析器和模板是從低層 C 函數(shù)構(gòu)建而來(lái)，因此它要求 C 編程能力來(lái)開(kāi)發(fā)新的解析器和模板，并且還需要超級(jí)用戶(hù)權(quán)限來(lái)把它們安裝到一個(gè)數(shù)據(jù)庫(kù)中（在PostgreSQL發(fā)布的contrib/區(qū)域中有一些附加的解析器和模板的例子）。由于詞典和配置只是對(duì)底層解析器和模板的參數(shù)化和連接，不需要特殊的權(quán)限來(lái)創(chuàng)建一個(gè)新詞典或配置。創(chuàng)建定制詞典和配置的例子將在本章稍后的部分給出。