pgsql_全文检索_使用空间换时间的方法支持中文搜索

pgsql_全文检索_使用空间换时间的方法支持中文搜索

一、环境

• PostgreSQL 14.2, compiled by Visual C++ build 1914, 64-bit

二、引言

提到全文检索首先想到的就是ES(ElasticSearch)和Lucene，专业且强大。对于一些小众场景对于搜索要求不高，数据量也不大的情况，
上ES等有些繁重，增加工作量还增加了后期运维成本。
PgSql也支持全文检索原理和ES一样，支持分词和反向索引(倒排索引)，比如数据量只有几十万时，可以考虑直接使用DB去做查询。

三、帮助文档

• 全文检索
• 控制文本搜索
• 文本搜索类型

四、概念

ES执行全文检索的逻辑是：

1. 需要对目标内容（文档）做分词，分词是将内容拆分成各个独立的词，每个词会有词频和在内容中的位置等信息；
2. 使用分词后的内容生成索引文件，这个就是生成倒排索引的阶段，是每个词关联到不同的文档；
3. 查询时需要对查询关键词进行分词，跟第一步很像只带分词的文档长度小了很多；
4. 使用查询关键词匹配索引文件，按照词频、相似度、权重等指标对目标文档检索并按得分对文档排序；
5. 返回最终匹配的文档（记录）；

五、PgSQL全文检索基础

PgSQL全局检索前需要了解三个基础概念：文档、查询、操作符。
tsvector类型表示一个为文本搜索优化的形式下的文档，tsquery类型表示一个文本查询。

• tsvector（文档）类型
  
  tsvector是一个数据类型，和varchar、integer类似。一个tsvector值是一个排序的可区分词位的列表，记录了分词后的词条、词频、词位、权重信息。

SELECT to_tsvector('hello word!hello word!');
------
'hello':1,3 'word':2,4
1
2
3

其中hello是词条后边的数据是词位，逗号分割的是多个词条在文档中的位置，词位的数量可以反应该词在文档中的词频。

• tsquery（查询）类型
  
  对多个查询关键词做与或非逻辑表达，支持的逻辑操作符有：&（与）、|（或）和!（非）；

select to_tsquery('hello & word');
------
'hello' & 'word'
1
2
3

• 匹配操作符@@
  
  使用"查询"检索"文档"，返回一个true/false的结果，标记操作是否匹配；

SELECT
  to_tsvector('hello word!') @@ query q1,
  to_tsvector('hello word1!') @@ query q2,
  to_tsvector('hello word2!') @@ query q3
from to_tsquery('hello & word') query;
------
q1      q2      q3
true	false	false
1
2
3
4
5
6
7
8

六、排序&计算匹配得分

• 排序有两个函数支持：ts_rank()、ts_rank_cd()
  他们都会参考词频、相似度，但ts_rank_cd()会计算覆盖密度排名。

-- 计算文档中同时包含hello和word的文档得分
SELECT ts_rank_cd(to_tsvector('hello word!'), to_tsquery('hello & word'));
SELECT ts_rank(to_tsvector('hello word!'), to_tsquery('word & word'));
-- 
SELECT ts_rank_cd (to_tsvector('hello word!'), query)
     ,ts_rank (to_tsvector('hello word!'),query)
from  to_tsquery('hello & word') query;
1
2
3
4
5
6
7

七、控制权重

tsvector是一个标准的DB类型，是类型就可以做显示转换，在pgsql中类型显示转换的操作符是两个冒号(:😃。
前面用到的to_tsvector()函数，默认会按照英文的语法使用空格对文档进行分词，把文档分词后做词频统计。
pgsql支持的权重值有四个，按照权重从大到小分别是：A、 B、C、D。

• 将字符串转tsvector类型
  • 原始文档“hello word! hello word!”
  • 分词 select to_tsvector(‘hello word! hello word!’);
  • 自定义权重：select ‘hello:1A,3B word:2C,4D’::tsvector;
    • 其中的权重值A、B、C、D是人为加的,需要满足下列格式要求；
    • 1.多个词条用空格分隔；
    • 2.每个词条后用冒号（:）分隔，冒号左边是词右边是词位、词频、权重信息；

--文档分词
select to_tsvector('hello word! hello word!');
select 'hello:1A,3B word:2C,4D'::tsvector;
--词频影响得分
SELECT
  ts_rank(to_tsvector('hello word!'),query) rank1,
  ts_rank(to_tsvector('hello word! hello word!'),query) rank2
from to_tsquery('hello & word') query;
----
rank1       rank2
0.09910322	0.34000534
1
2
3
4
5
6
7
8
9
10
11

rank2中word出现两次，所以在计算得分时rank2比rank1高。

--权重影响得分
SELECT
  ts_rank('hello:1,3 word:2,4'::tsvector,query) rank1,
  ts_rank('hello:1A word:2A'::tsvector,query) rank2
from to_tsquery('word') query;
----------
rank1       rank2
0.075990885	0.6079271
1
2
3
4
5
6
7
8

word词条在rank1的词频，比rank2词频高，但通过权重控制，最终词频低的得分变高了。

八、高亮显示

高亮显示比较简单使用 tsquery 类型对文档内的关键字加上html的b标签。

--高亮
SELECT 'ts_headline'
     ,ts_headline ('hello word!hello word!',query)
from  to_tsquery('word') query;
------
hello word!hello word!
1
2
3
4
5
6

九、提高性能使用 GIN 和 GiST 索引

有两种索引可以被用来加速全文搜索。注意全文搜索并非一定需要索引，但是在一个定期会被搜索的列上，通常需要有一个索引。

• CREATE INDEX name ON table USING GIN(column);
  • 创建一个基于 GIN（通用倒排索引）的索引。column必须是tsvector类型。
• CREATE INDEX name ON table USING GIST(column);
  • 创建一个基于 GiST（通用搜索树）的索引。column可以是tsvector或tsquery类型。

GIN 索引是更好的文本搜索索引类型。作为倒排索引，每个词（词位）在 其中都有一个索引项，其中有压缩过的匹配位置的列表。多词搜索可以找到 第一个匹配，然后使用该索引移除缺少额外词的行。GIN 索引只存储 tsvector值的词（词位），并且不存储它们的权重标签。因此， 在使用涉及权重的查询时需要一次在表行上的重新检查。

一个 GiST 索引是有损的，这表示索引可能产生假匹配，并且有必要检查真实的表行来消除这种假匹配（PostgreSQL在需要时会自动做这一步）。GiST 索引之所以是有损的，是因为每一个文档在索引中被表示为一个定长的签名。该签名通过哈希每一个词到一个 n 位串中的一个单一位来产生，通过将所有这些位 OR 在一起产生一个 n 位的文档签名。当两个词哈希到同一个位位置时就会产生假匹配。如果查询中所有词都有匹配（真或假），则必须检索表行查看匹配是否正确。

GiST 索引可以被覆盖，例如使用INCLUDE子句。 包含的列可以具有没有任何 GiST 操作符类的数据类型。 包含的属性将非压缩存储。

有损性导致的性能下降归因于不必要的表记录（即被证实为假匹配的记录）获取。因为表记录的随机访问是较慢的，这限制了 GiST 索引的可用性。假匹配的可能性取决于几个因素，特别是唯一词的数量，因此推荐使用词典来缩减这个数量。

总结

对于简单的全文检索场景，使用pgsql就可以实现，对于检索的基础概念如文档、查询和操作符，词频、权重、排序、高亮都简单说明。

pgsql默认的to_tsvector()函数只支持使用空格进行分词，对于中文这个函数就不好用了。

对于中文分词有两个方案解决：1>使用pgsql的中文分词插件；2>利用空间换时间的方法，在记录写入db前利用java的jieba等分词组件对文档分词，并按
tsvector格式拼接，独立一列记录分词后的类型。如果需要提高检索效率，考虑在tsvector字段上添加GIN类型索引。

两种方法各有利弊，使用是权衡考虑。