PostgreSQL 教程

Appearance

12.4. 其他功能# ​

12.4.1. 操作文档
12.4.2. 操作查询
12.4.3. 自动更新触发器
12.4.4. 收集文档统计信息

本节介绍与文本搜索相关的其他函数和运算符。

12.4.1. 操作文档# ​

第 12.3.1 节展示了如何将原始文本文档转换为tsvector值。PostgreSQL还提供了可用于操作已采用tsvector形式的文档的函数和运算符。

tsvector || tsvector

tsvector 连接运算符返回一个向量，该向量结合了作为参数给出的两个向量的词素和位置信息。位置和权重标签在连接期间保留。出现在右侧向量的词素将偏移左侧向量中提到的最大词素，因此结果几乎等同于对两个原始文档字符串的连接执行 to_tsvector 的结果。（等价性不完全相同，因为从左侧参数的末尾删除的任何停用词不会影响结果，而如果使用文本连接，它们会影响右侧参数中词素的位置。）

以向量形式使用连接而不是在应用 to_tsvector 之前连接文本的一个优点是，你可以使用不同的配置来解析文档的不同部分。此外，由于 setweight 函数以相同的方式标记给定向量的所有词素，因此如果你想用不同的权重标记文档的不同部分，则在连接之前解析文本并执行 setweight 是必要的。

setweight(vector tsvector, weight "char") 返回 tsvector

setweight 返回输入向量的副本，其中每个位置都已使用给定的 weight 标记，即 A、B、C 或 D。（D 是新向量的默认值，因此不会显示在输出中。）当连接向量时，这些标签会保留，从而允许对来自文档不同部分的单词使用排名函数赋予不同的权重。

请注意，权重标签适用于位置，而不是词素。如果输入向量已剥离位置，则setweight不起作用。

length(vector tsvector) 返回 integer

返回向量中存储的词素数。

strip(vector tsvector) 返回 tsvector

返回一个向量，其中列出了与给定向量相同的词素，但缺少任何位置或权重信息。结果通常比未剥离的向量小得多，但它也较不实用。相关性排名在未剥离的向量上不如在未剥离的向量上工作得那么好。此外，<->（FOLLOWED BY）tsquery运算符永远不会匹配剥离的输入，因为它无法确定词素出现之间的距离。

有关tsvector相关函数的完整列表，请参阅表 9.43。

12.4.2. 操作查询# ​

第 12.3.2 节展示了如何将原始文本查询转换为tsquery值。PostgreSQL还提供了一些函数和运算符，可用于操作已经采用tsquery形式的查询。

tsquery && tsquery

返回给定两个查询的 AND 组合。

tsquery || tsquery

返回给定两个查询的 OR 组合。

!! tsquery

返回给定查询的否定（NOT）。

tsquery <-> tsquery

返回一个查询，用于搜索与第一个给定查询匹配的内容，然后立即使用<->（FOLLOWED BY）tsquery运算符搜索与第二个给定查询匹配的内容。例如

SELECT to_tsquery('fat') <-> to_tsquery('cat | rat');
          ?column?
----------------------------
 'fat' <-> ( 'cat' | 'rat' )
tsquery_phrase(query1 tsquery, query2 tsquery [, distance integer ]) 返回 tsquery

返回一个查询，该查询搜索与第一个给定查询匹配的内容，然后搜索与第二个给定查询匹配的内容，两者之间的距离恰好为 distance 个词素，使用 <N> tsquery 运算符。例如

SELECT tsquery_phrase(to_tsquery('fat'), to_tsquery('cat'), 10);
  tsquery_phrase
------------------
 'fat' <10> 'cat'
numnode(query tsquery) 返回 integer

返回 tsquery 中的节点数（词素加运算符）。此函数可用于确定 query 是否有意义（返回 > 0），或仅包含停用词（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) 返回 text

返回 tsquery 的一部分，该部分可用于搜索索引。此函数可用于检测不可索引的查询，例如仅包含停用词或仅包含否定词的查询。例如

SELECT querytree(to_tsquery('defined'));
 querytree
-----------
 'defin'

SELECT querytree(to_tsquery('!defined'));
querytree ​


T

12.4.2.1. 查询重写# ​

ts_rewrite系列函数搜索给定的tsquery中目标子查询的出现，并用替代子查询替换每次出现。从本质上讲，此操作是tsquery特定的子字符串替换版本。目标和替代组合可以被认为是一个查询重写规则。此类重写规则的集合可能是一个强大的搜索辅助工具。例如，您可以使用同义词（例如，new york、big apple、nyc、gotham）扩展搜索，或缩小搜索范围以将用户引导至某些热门话题。此功能与同义词词典（第 12.6.4 节）之间存在一些功能重叠。但是，您可以即时修改一组重写规则，而无需重新索引，而更新同义词库则需要重新索引才能生效。

ts_rewrite (query tsquery, target tsquery, substitute tsquery) 返回 tsquery

这种形式的 ts_rewrite 只应用一个重写规则：target 被 substitute 替换，无论它出现在 query 中的什么位置。例如

SELECT ts_rewrite('a & b'::tsquery, 'a'::tsquery, 'c'::tsquery);
 ts_rewrite
------------
 'b' & 'c'
ts_rewrite (query tsquery, select text) 返回 tsquery

这种形式的 ts_rewrite 接受一个起始 query 和一个 SQL select 命令，该命令以文本字符串的形式给出。select 必须生成两列 tsquery 类型的列。对于 select 结果的每一行，第一列值（目标）的出现将被当前 query 值中的第二列值（替代）替换。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'

请注意，当以这种方式应用多个重写规则时，应用顺序非常重要；因此在实际操作中，你会希望源查询 ORDER BY 一些排序键。

我们来考虑一个真实的、天文学方面的示例。我们将使用表驱动的重写规则扩展查询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' )

我们只需更新表即可更改重写规则

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' )

当存在许多重写规则时，重写可能会很慢，因为它会检查每条规则以查找可能的匹配。为了过滤掉明显的非候选规则，我们可以使用tsquery类型的包含运算符。在下面的示例中，我们只选择那些可能与原始查询匹配的规则

SELECT ts_rewrite('a & b'::tsquery,
                  'SELECT t,s FROM aliases WHERE ''a & b''::tsquery @> t');
 ts_rewrite
------------
 'b' & 'c'

12.4.3. 自动更新的触发器# ​

注意

本节中描述的方法已被存储生成列的使用方法所取代，如第 12.2.2 节中所述。

在使用单独的列来存储文档的tsvector表示时，需要创建一个触发器，以便在文档内容列更改时更新tsvector列。为此，提供了两个内置触发器函数，或者您可以编写自己的函数。

tsvector_update_trigger(tsvector_column_name,​ config_name, text_column_name [, ... ])
tsvector_update_trigger_column(tsvector_column_name,​ config_column_name, text_column_name [, ... ])

这些触发器函数在CREATE TRIGGER命令中指定的参数控制下，自动从一个或多个文本列计算tsvector列。其使用示例为

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

创建此触发器后，title或body的任何更改都将自动反映到tsv中，而无需应用程序担心它。

第一个触发器参数必须是要更新的tsvector列的名称。第二个参数指定用于执行转换的文本搜索配置。对于tsvector_update_trigger，配置名称仅作为第二个触发器参数给出。它必须按上面所示进行模式限定，以便触发器行为不会因search_path中的更改而更改。对于tsvector_update_trigger_column，第二个触发器参数是另一个表列的名称，该表列的类型必须为regconfig。这允许按行选择配置。其余参数是文本列（类型为text、varchar或char）的名称。这些将按给定的顺序包含在文档中。NULL 值将被跳过（但仍将对其他列编制索引）。

这些内置触发器的限制在于它们将所有输入列视为相同。要对列进行不同的处理，例如，将标题的权重与正文不同，则有必要编写自定义触发器。以下是一个使用PL/pgSQL作为触发器语言的示例

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();

请记住，在触发器中创建tsvector值时，显式指定配置名称非常重要，以便列的内容不受对default_text_search_config的更改影响。如果不这样做，很可能会导致问题，例如在转储和还原后搜索结果发生更改。

12.4.4. 收集文档统计信息# ​

函数ts_stat可用于检查您的配置并查找停用词候选。

ts_stat(sqlquery text, [ weights text, ]
        OUT word text, OUT ndoc integer,
        OUT nentry integer) returns setof record

*sqlquery*是包含 SQL 查询的文本值，该查询必须返回单个tsvector列。ts_stat执行查询并返回tsvector数据中包含的每个不同词素（单词）的统计信息。返回的列是

  • word text — 词素的值

  • ndoc integer — 单词出现的文档（tsvector）数

  • nentry integer — 单词出现总数

如果提供了*weights*，则只计算具有其中一个权重的出现次数。

例如，要查找文档集合中最频繁出现的十个单词

SELECT * FROM ts_stat('SELECT vector FROM apod')
ORDER BY nentry DESC, ndoc DESC, word
LIMIT 10;

相同，但仅计算权重为A或B的单词出现次数

SELECT * FROM ts_stat('SELECT vector FROM apod', 'ab')
ORDER BY nentry DESC, ndoc DESC, word
LIMIT 10;