Postgresql 中文操作指南

8.11. Text Search Types #

PostgreSQL 提供了两种数据类型，旨在支持全文搜索，即在自然语言 _documents_集合中搜索以找到与 _query_最匹配的文本的活动。_tsvector_类型表示以优化文本搜索格式的文档；_tsquery_类型同样表示文本查询。 Chapter 12对该工具进行了详细说明，而 Section 9.13总结了相关函数和运算符。

8.11.1. tsvector #

_tsvector_值是有序的唯一 _lexemes_列表，这些词语已被 _normalized_合并为同一词语的不同变体（有关详细信息，请参见 Chapter 12）。排序和消除重复操作在输入期间自动完成，如示例所示：

SELECT 'a fat cat sat on a mat and ate a fat rat'::tsvector;
                      tsvector
----------------------------------------------------
 'a' 'and' 'ate' 'cat' 'fat' 'mat' 'on' 'rat' 'sat'

用引号将包含空格或标点的词素前后包起来，表示词素：

SELECT $$the lexeme '    ' contains spaces$$::tsvector;
                 tsvector
-------------------------------------------
 '    ' 'contains' 'lexeme' 'spaces' 'the'

（我们在此示例和下一个示例中使用美元引号字符串文本，以避免出现文本中使用双引号的混乱情况。）嵌入的引号和反斜杠必须加倍：

SELECT $$the lexeme 'Joe''s' contains a quote$$::tsvector;
                    tsvector
------------------------------------------------
 'Joe''s' 'a' 'contains' 'lexeme' 'quote' 'the'

也可以对词素附加整数 positions：

SELECT 'a:1 fat:2 cat:3 sat:4 on:5 a:6 mat:7 and:8 ate:9 a:10 fat:11 rat:12'::tsvector;
                                  tsvector
-------------------------------------------------------------------------------
 'a':1,6,10 'and':8 'ate':9 'cat':3 'fat':2,11 'mat':7 'on':5 'rat':12 'sat':4

位置通常表示文档中源词的位置。位置信息可以用于 proximity ranking。位置值范围为 1-16383；较大的数字会自动设置为 16383。同一词素的重复位置会被舍弃。

具有位置的词素可以使用 weight 进一步标记，可以是 A、B、C 或 D。D 是默认值，因此不会显示在输出中：

SELECT 'a:1A fat:2B,4C cat:5D'::tsvector;
          tsvector
----------------------------
 'a':1A 'cat':5 'fat':2B,4C

权重通常用于反映文档结构，例如通过将标题词与正文词不同地标记。文本搜索排序函数可以为不同的权重标记分配不同的优先级。

理解 tsvector 类型本身不执行任何单词规范化非常重要；它假定给定的单词已针对应用程序适当规范化。例如：

SELECT 'The Fat Rats'::tsvector;
      tsvector
--------------------
 'Fat' 'Rats' 'The'

对于大多数英语文本搜索应用程序，上述单词将被视为未规范化，但 tsvector 并不关心。原始文档文本通常应通过 to_tsvector 进行传递，以适当规范化用于搜索的单词：

SELECT to_tsvector('english', 'The Fat Rats');
   to_tsvector
-----------------
 'fat':2 'rat':3

再次参阅 Chapter 12以了解详细信息。

8.11.2. tsquery #

tsquery 值存储要搜索的词素，并可以使用布尔运算符 &(AND)、| (OR) 和 ! (NOT) 及词组搜索运算符 <→ (FOLLOWED BY) 对它们进行组合。还有 FOLLOWED BY 运算符的变体 <_N>_，其中 N 是一个整数常量，指定要搜索的两个词素之间的距离。<→ 等效于 <1>。

可以使用括号来强制对这些运算符进行分组。在没有括号的情况下，! (NOT) 绑定得最紧密，<→ (FOLLOWED BY) 次紧密，然后是 & (AND)，| (OR) 绑定得最不紧密。

这里一些示例：

SELECT 'fat & rat'::tsquery;
    tsquery
---------------
 'fat' & 'rat'

SELECT 'fat & (rat | cat)'::tsquery;
          tsquery
---------------------------
 'fat' & ( 'rat' | 'cat' )

SELECT 'fat & rat & ! cat'::tsquery;
        tsquery
------------------------
 'fat' & 'rat' & !'cat'

可选地，tsquery 中的词素可以用一个或多个权重字母标记，这将限制它们仅匹配具有这些权重之一的 tsvector 词素：

SELECT 'fat:ab & cat'::tsquery;
    tsquery
------------------
 'fat':AB & 'cat'

此外，tsquery 中的词素可以用 * 标记以指定前缀匹配：

SELECT 'super:*'::tsquery;
  tsquery
-----------
 'super':*

此查询将匹配 tsvector 中以“super”开头的任何单词。

词素的引用规则与先前描述的 tsvector 中的词素相同；并且，与 tsvector 一样，在转换为 tsquery 类型之前，必须对单词进行任何必需的规范化。to_tsquery 函数便于执行此类规范化：

SELECT to_tsquery('Fat:ab & Cats');
    to_tsquery
------------------
 'fat':AB & 'cat'

请注意，to_tsquery 以与其他单词相同的方式处理前缀，这意味着此比较返回 true：

SELECT to_tsvector( 'postgraduate' ) @@ to_tsquery( 'postgres:*' );
 ?column?
----------
 t

因为 postgres 被词干化为 postgr：

SELECT to_tsvector( 'postgraduate' ), to_tsquery( 'postgres:*' );
  to_tsvector  | to_tsquery
---------------+------------
 'postgradu':1 | 'postgr':*

这将匹配 postgraduate 的词干形式。