oracle Text 全文检索功能对中文分词的支持情况

[转载]oracle Text 全文检索功能对中文分词的支持情况


下面例子在XE中测试通过。

准备工作：

CREATE   TABLE issues (
    ID         NUMBER,
    summary       VARCHAR(120),
    description   CLOB,
    author     VARCHAR(80),
    ot_version VARCHAR(10)
);


INSERT INTO issues
     VALUES (1, 'Jane', 'Text does not make tea',
             'Oracle Text is unable to make morning tea', 1);

INSERT INTO issues
     VALUES (2, 'John', 'It comes in the wrong color',
             'I want to have Text in pink', 1);

INSERT INTO issues
     VALUES (3, 'Mike', 'I come from china', '所以我讲中文', 1);
--下面两句话很难解析的
INSERT INTO issues
     VALUES (4, 'Mike', 'I come from china', '吉林省长春市的人民', 1);

INSERT INTO issues
     VALUES (5, 'Mike', 'I come from china',
             '我们要积极地主动作好计划生育工作', 1);

-- define datastore preference for issues

BEGIN
   --ctx_ddl.drop_preference ('issue_lexer');
   ctx_ddl.set_attribute ('issue_store', 'output_type', 'CLOB');
   ctx_ddl.create_preference ('issue_lexer', 'CHINESE_LEXER');
END;
/

-- index issues 没有指定任何lexer
CREATE INDEX issue_index ON issues(author) INDEXTYPE IS ctxsys.CONTEXT;

--进行查询
SELECT *
  FROM issues
WHERE contains (author, '中文', 1) > 0;


会返回no rows selected。

说明：不使用lexer参数，oracle Text无法对中文进行有效检索。

接下来我们使用oracle和网上各位仁兄推荐的CHINESE_LEXER看看，执行下列语句：
DROP   INDEX issue_index;

-- index issues
CREATE INDEX issue_index ON issues(author) INDEXTYPE IS ctxsys.CONTEXT
  PARAMETERS ('lexer issue_lexer');

SELECT *
  FROM issues
WHERE contains (author, '中文', 1) > 0;

会返回一条记录。

再执行下列查询语句：
SELECT *
  FROM issues
WHERE contains (author, '作好', 1) > 0;

SELECT *
  FROM issues
WHERE contains (author, '吉林', 1) > 0;


都没有任何返回结果。

执行下列语句：

SELECT *
  FROM issues
WHERE contains (author, '中文', 1) > 0;




有一个返回结果。

说明：CHINESE_LEXER对中文分词进行了优化，能够识别大部分中文单词，但是毕竟有很多单词难以区分。比如说，‘我们要积极地主动作好计划生育工作’被oracle 解释为：“我们要 积极 地主 动作 好  计划生育 工作”;'吉林省长春市的人民'解释为：“吉林省 长春市 的 人民”。不过效率方面自然很高。

再看看CHINESE_VGRAM_LEXER：
执行下列语句


BEGIN
   ctx_ddl.drop_preference ('issue_lexer');
   ctx_ddl.set_attribute ('issue_store', 'output_type', 'CLOB');
   ctx_ddl.create_preference ('issue_lexer', 'CHINESE_VGRAM_LEXER');
END;
/

-- index issues 没有指定任何lexer
CREATE INDEX issue_index ON issues(author) INDEXTYPE IS ctxsys.CONTEXT
  PARAMETERS ('lexer issue_lexer');

--进行查询
SELECT *
  FROM issues
WHERE contains (author, '中文', 1) > 0;

SELECT *
  FROM issues
WHERE contains (author, '作好', 1) > 0;

SELECT *
  FROM issues
WHERE contains (author, '吉林', 1) > 0;

SELECT *
  FROM issues
WHERE contains (author, '计划生育', 1) > 0;

SELECT *
  FROM issues
WHERE contains (author, '地主', 1) > 0;



都有返回结果。

说明：CHINESE_VGRAM_LEXER使用的保守分词方法，不求有功但求无过。对所有的词都可以查询到。不过效率方面就有不足了。

所有的分词结果都可以在表DR$ISSUE_INDEX$I中看到。
例子中CHINESE_VGRAM_LEXER会创建39行数据，而CHINESE_LEXER只创建23行数据。

结论：oracle Text进行中文搜索必须指定lexer 参数。如果追求效率那么使用CHINESE_LEXER,如果追求准确度那么使用CHINESE_VGRAM_LEXER。

1.2设置

首先检查数据库中是否有CTXSYS用户和CTXAPP脚色。如果没有这个用户和角色，意味着你的数据库创建时未安装intermedia功能。你必须修改数据库以安装这项功能。

还可以检查服务器是否有对PLSExtProc服务的监听。



参考文章：
http://www.oracle.com/technology/global/cn/pub/articles/asplund-textsearch.html
http://www.vckbase.com/document/viewdoc/?id=1173
http://epub.itpub.net/4/1.htm