[转]PostgreSQL的FTI(TSearch)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。

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。

安装 tsearch2

安装 tsearch2很简单，首先：

cd $PGSRC/contrib/tsearch2

然后：

gmake all
gmake install

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}');

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;

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：

例子1：在原有的表上增加全文索引字段

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
);

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), '')); 

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);

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！

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！

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？;)

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。

【参考】

另外一个中文PostgreSQL分词组件参考：http://code.google.com/p/nlpbamboo/wiki/TSearch2

TSearch官方网站和文档：http://www.sai.msu.su/~megera/postgres/gist/tsearch/V2/

PostgreSQL官方TSearch文档参考：http://www.postgresql.org/docs/8.3/static/textsearch.html
Using tsearch with PostgreSQL：http://www.michaelhinds.com/tech/pg/tsearch.html

本文来源：http://www.pgsqldb.org/mwiki/index.php/PostgreSQL%E7%9A%84FTI%E4%B8%8E%E4%B8%AD%E6%96%87%E5%85%A8%E6%96%87%E7%B4%A2%E5%BC%95%E7%9A%84%E5%AE%9E%E8%B7%B5#.E4.B8.AD.E6.96.87.E5.B1.8F.E8.94.BD.E8.AF.8D.E7.9A.84.E6.B7.BB.E5.8A.A0