SQL Server全文搜索功能的示例分析

70次阅读
没有评论

共计 5174 个字符,预计需要花费 13 分钟才能阅读完成。

这篇文章主要为大家展示了“SQL Server 全文搜索功能的示例分析”,内容简而易懂,条理清晰,希望能够帮助大家解决疑惑,下面让丸趣 TV 小编带领大家一起研究并学习一下“SQL Server 全文搜索功能的示例分析”这篇文章吧。

SQL Server 的全文搜索 (Full-Text Search)是基于分词的文本检索功能,依赖于全文索引。全文索引不同于传统的平衡树(B-Tree)索引和列存储索引,它是由数据表构成的,称作倒转索引(Invert Index),存储分词和行的唯一键的映射关系。倒转索引是在创建全文索引或更新全文索引时,由 SQL Server 自动创建和维护的。全文索引主要包含三种分析器:分词器(Word Breaker)、词干分析器(stemmer)和同义词分析器。全文索引中存储的数据是分词及其位置等信息,分词是基于特定语言的语法规则,按照特定的符号寻找词语的边界,把文本分解为“单词”,每一个单词叫做一个分词(term);全文索引有时会提取分词的词干,把词干的多种派生形式存储为单一词干,这个过程叫做提取词干;根据用户提供的自定义同义词列表,把相关的单词转换为同义词,这个过程叫做提取同义词。

生成全文索引是把用户表中的文本数据进行分词(Word breaker)和提取词干(Stemmer),并转换同义词(Thesaurus),过滤掉分词中的停用词(Stopword),最后把处理之后的数据存储到全文索引中。把数据存储到全文数据的过程叫做填充(Populate)或爬虫(Crawl)进程,全文索引的更新方式可以手动填充,自动填充,或增量填充。

一,创建全文目录和唯一索引

创建全文索引之前,必须创建全文目录(Full-Text Catalog),全文目录用于组织全文索引,是全文索引的容器。每一个全文索引必须属于一个全文目录。全文目录是个逻辑结构,跟数据库的架构(Schema)相同,根据全文索引的存储位置无关。

create fulltext catalog catalog_test
as default;

为了创建全文索引,基础表上必须存在一个唯一的(unique)、单列的(single-column)、非空的(non-nullable)的索引,全文引擎使用该索引把基础表上的每行数据映射唯一索引键上,倒转索引存储的就是该索引键和分词之间的映射关系。

create unique index uidx_dbLogID 
on [dbo].[DatabaseLog]
([DatabaseLogID]);

二,创建全文索引

每个表只能创建一个全文索引,创建全文索引时,必须考虑全文索引存储的文件组,全文索引关联的停用词列表,全文索引的更新方式,以及跟文本关联的语言,全文索引列必须是文本字段,例如:

create fulltext index 
on [dbo].[DatabaseLog]
[tsql] language 1033
key index ui_dbLogID
on (catalog_test,filegroup [primary]) 
with(change_tracking=off ,no population ,stoplist=system);

1,语言(language)

选项 language 是可选的,用于指定列级别的语言,该选项的值可以是语言的名称或 LCID,如果没有指定 language 选项,那么使用 SQL Server 实例的默认语言。从系统视图 sys.fulltext_languages (Transact-SQL) 中查看系统支持的语言及其对应的 LCID 和名称。

2,全文目录(fulltext_catalog)

选项 fulltext_catalog_name 用于指定全文索引的分组,

3,文件组(filegroup)

选项 filegroup filegroup_name 用于指定全文索引存储的文件组,如果没有指定文件组,那么全文索引和基础表存储在相同的文件组中。由于更新全文索引是 IO 密集型操作,因此,为了更快的更新全文索引,最好把全文索引存储在不同于基础表的的物理硬盘或文件组上,以达到最大的 IO 并发。

4,填充全文索引的方式

和普通的索引相同,当基础表数据更新时,全文索引必须自动更新,这是系统默认的行为,也可以配置手动更新全文索引,或者间隔特定的时间点自动更新全文索引。

选项 CHANGE_TRACKING 用于指定跟全文索引列相关的数据更新(Update,Delete,或 Insert)是否需要同步到全文索引,
•CHANGE_TRACKING = MANUAL:手动更新
•CHANGE_TRACKING =AUTO:自动更新,默认设置,当基础表数据变化时,全文索引自动更新,
•CHANGE_TRACKING =OFF , NO POPULATION:不更新,指定选项 NO POPULATION,表明在创建全文索引之后,SQL Server 不会更新(populate)全文索引;如果未指定选项 NO POPULATION,在创建全文索引之后,SQL Server 更新全文索引。

5,停用词(STOPLIST)

停用词(StopWord)也称作噪音词,每一个全文索引都会关联一个停用词列表,默认情况下,全文索引关联的是系统停用词(system stoplist)。全文引擎把停用词从分词中删除,使全文索引不会包含停用词。

STOPLIST [ = ] { OFF | SYSTEM | stoplist_name }

三,填充全文索引

填充全文索引也叫做爬虫(crawl)进程,或填充(Population)进程。由于创建或填充全文索引会消耗大量的系统(IO、内存)资源,因此尽量选择在系统空闲时对全文索引进行填充。在创建全文索引时,通过指定选项 CHANGE_TRACKING= MANUAL,或 CHANGE_TRACKING= OFF, NO POPULATION,新建的全文索引不会立即填充,用户可以选择在系统空闲时,使用 alter fulltext index 语句执行填充操作。只有填充全文索引之后,全文索引才包含基础表的分词数据。

alter fulltext index 
on table_name
start { full | incremental | update } population;

更新全文索引有三种方式:

•FULL POPULATION:全部填充,从基础表中获取每一行,重新编入全文索引;
•INCREMENTAL POPULATION:增量填充,前提是基础表中包含 timestamp 字段,从上一次填充之后,只把更新之后的数据编入全文索引;
•UPDATE POPULATION:更新填充,从上一次填充之后执行更新(insert、update、或 delete)操作的数据行重新编入索引;

在创建全文索引时,如果指定 CHANGE_TRACKING=AUTO  或   CHANGE_TRACKING=  OFF,那么新建的全文索引会立即开始填充进程。

四,使用 contains 谓词查询全文索引

如果想要在查询中使用全文索引,通常使用 CONTAINS 谓词来调用全文索引,实现比 LIKE 关键字更复杂的文本匹配查询,而 LIKE 关键字是模糊匹配,不会调用全文索引。

例如,利用 contains 谓词执行单个分词的完全匹配查询:

select [tsql] 
from [dbo].[DatabaseLog] 
where contains([tsql],  searchword , language 1033);

全文查询跟 Like 相比,速度更快,支持的搜索功能更复杂,使用 contains 谓词,不仅能够执行分词的完全匹配或分词的前缀匹配查询,还能够执行基于词根的查询,基于自定义同义词的查询,基于距离和顺序的相邻分词查询。但是,和 Like 相比,contains 谓词不能进行后缀匹配查询。

contains 谓词返回的结果是布尔值,如果全文索引列中包含指定的关键字或查找模式(pattern),返回 TRUE;否则,返回 FALSE。

contains 谓词支持 word 查询和短语查询,word 是指单个分词,短语(phrase)是由多个 word 和间隔的空格组成的,对于短语,必须使用双引号,将多个 word 组成一个短语。

1,逻辑组合查询

使用 and,and not,或 or 逻辑运算符 匹配多个 word 或 多个 phrase

CONTAINS(Name,  Mountain  OR  Road  )
CONTAINS(Name,   Mountain OR Road )

2,前缀查询

使用 contains 谓词进行前缀匹配,和 like prefix% 功能相同,只不过 contains 谓词使用“*”作为通配符,“*”匹配 0,1 或多个字符,前缀匹配的写法是:prefix*,全文索引只能执行前缀匹配。

CONTAINS(Name,    Chain*  )
CONTAINS(Name,  chain*  OR  full*)

3,查询同义词(thesaurus)或词干(stemmer)

Stemmer(词干),例如,根据语法规程,英语的动词 根据数(单数,复数),人称,时态的不同而存在不同的变化形式,这些单词都是同源的。

CONTAINS(Description,   FORMSOF (INFLECTIONAL, ride)  )

THESAURUS(同义词),需要导入 XML 进行配置,SQL Server 提供一个默认的 Thesaurus file,是 Empty 的。如果在 Thesaurus file 配置“Author”,“Writer”,“journalist”是同义词,在使用 fulltext index 查询时,只要满足任意一个同义词,都匹配成功。

CONTAINS(Description,   FORMSOF (THESAURUS, author)  )

4,距离查询

使用 near 函数,查询匹配相邻分词的数据行,near 函数的定义如下,用于需要在查询模式中指定距离查询的查询模式:

NEAR ( ( {  simple_term  |  prefix_term  } [ ,…n ] ) [,  maximum_distance  ] [,  match_order  ] )

例如:使用 Near 函数指定相邻分词的距离和匹配顺序,near((term1,term2,term3),5) 表示任意两个 term 之间的距离不能超过 5, near((term1,term2,term3),5,true),表示任意两个 term 的距离不能超过 5,并且按照 term1,term2,term3 的顺序存在于字符串中。

--regardless of the intervening distance and regardless of order
CONTAINS(column_name,  NEAR(term1, term3 term4) )
--searches for  AA  and  BB , in either order, within a maximum distance of five
CONTAINS(column_name,  NEAR((AA,BB),5) )
--in the specified order with regardless of the distance
CONTAINS(column_name,  NEAR ((Monday, Tuesday, Wednesday), MAX, TRUE) )

对于 near((term1,term2,term3),5,true),term1 和 term5 之间最多存在 5 个 term,不包括内部的搜索分词,“term2”,例如:

CONTAINS(column_name,  NEAR((AA,BB,CC),5) )

这个查询会匹配下面的文本,注意,内部的搜索分词 CC 没有计算距离:

BB one two CC three four five AA

例如,在原文本中,分词 bike 和 control 的最大距离不能超过 10,分词 bike 必须出现在分词 control 的前面:

CONTAINS(Comments ,  NEAR((bike,control), 10, TRUE) )

SQL Server 提供的全文搜索功能,比 LIKE 关键字丰富,具备初级的全文搜索功能,速度快,维护简单,缺点是,全文搜索功能非常有限,在实际的开发中,可以配合开源的全文搜索引擎,例如,Solr,Elasticsearch 等来开发功能更强大的全文搜索功能。

以上是“SQL Server 全文搜索功能的示例分析”这篇文章的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注丸趣 TV 行业资讯频道!

正文完
 
丸趣
版权声明:本站原创文章,由 丸趣 2023-08-04发表,共计5174字。
转载说明:除特殊说明外本站除技术相关以外文章皆由网络搜集发布,转载请注明出处。
评论(没有评论)