标签
Postgresql,搜索引擎,GIN,ranking,high light,全文检索,模糊查询,正则查询,相似查询,ADHOC查询
背景
1、前缀+模糊查询。（可以使用b-tree索引）
select * from tbl where col like 'ab%'; 或 select * from tbl where col ~ '^ab';
2、后缀+模糊查询。（可以使用reverse(col)表达式b-tree索引）
select * from tbl where col like '%ab'; 或 select * from tbl where col ~ 'ab$'; 写法 select * from tbl where reverse(col) like 'ba%'; 或 select * from tbl where reverse(col) ~ '^ba';
3、前后模糊查询。（可以使用pg_trgm和gin索引）
https://www.postgresql.org/docs/10/static/pgtrgm.html
select * from tbl where col like '%ab%'; 或 select * from tbl where col ~ 'ab';
4、全文检索。（可以使用全文检索类型以及gin或rum索引）
select * from tbl where tsvector_col @@ 'postgres & china | digoal:A' order by ts_rank(tsvector_col,'postgres & china | digoal:A') limit xx; 详细语法后面介绍
5、正则查询。（可以使用pg_trgm和gin索引）
select * from tbl where col ~ '^a[0-9]{1,5}\ +digoal$';
6、相似查询。（可以使用pg_trgm和gin索引）
select * from tbl order by similarity(col,'postgre') desc limit 10;
7、ADHOC查询，任意字段组合查询。（通过bloom index,multi-index bitmap scan,gin-index bitmap scan 等索引都可以实现）
select * from tbl where a=? and b=? or c=? and d=? or e between ? and ? and f in (?);
通常来说，数据库并不具备3以后的加速能力，但是Postgresql的功能非常强大，它可以非常完美的支持这类查询的加速。（是指查询和写入不冲突的，并且索引BUILD是实时的。）
用户完全不需要将数据同步到搜索引擎，再来查询，而且搜索引擎也只能做到全文检索，并不你做到正则、相似、前后模糊这几个需求。
使用Postgresql可以大幅度的简化用户的架构，开发成本，同时保证数据查询的绝对实时性。
一、全文检索
全文检索中几个核心的功能：
词典、分词语法、搜索语法、排序算法、效率、命中词高亮等。
Postgresql都已经实现，并支持扩展。例如扩展词典、扩展排序算法等。
支持4种文档结构（标题、作者、摘要、内容），可以在生成tsvector时指定。在一个tsvector中允许多个文档结构。
文档结构在ranking算法中，被用于计算权值，例如在标题中命中的词权值可以设更大一些。
支持掩码，主要用于调和很长的文本，调和ranking的输出。
通过设置不同文档结构权值，调和ranking的输出。
词典
默认PG没有中文分词，但是好在我们可以基于text search框架扩展，例如开源的zhparser,jieba等中文分词插件。
https://github.com/jaiminpan/pg_jieba
https://github.com/jaiminpan/pg_scws
甚至可以通过pljava,plpython等来实现对中文的分词，这个实际上是对应编程体系内的分词能力，通过Postgresql的过程语言引入，是不是很炫酷。
《使用阿里云PostgreSQL zhparser中文分词时不可不知的几个参数》
《PostgreSQL Greenplum 结巴分词(by plpython)》
分词介绍
1、parser，功能是将字符串转换为token（可以自定义parser）。
default parser的token类别如下：
例子
SELECT alias,description,token FROM ts_debug('http://example.com/stuff/index.html');
alias | description | token
----------+---------------+------------------------------
protocol | Protocol head | http://
url | URL | example.com/stuff/index.html
host | Host | example.com
url_path | URL path | /stuff/index.html
创建text parser的语法
https://www.postgresql.org/docs/10/static/sql-createtsparser.html
2、配合text search configuration 和dictionary，将token转换为lexemes
例如创建了一个同义词字典
postgres pgsql postgresql pgsql postgre pgsql gogle googl indices index*
然后用这个字典来将token转换为lexemes，转换后得到的是lexeme. (tsvector中存储的也是lexeme，并不是原始token)
mydb=# CREATE TEXT SEARCH DICTIONARY syn (template=synonym,synonyms='synonym_sample');
mydb=# SELECT ts_lexize('syn','indices');
ts_lexize
-----------
{index}
(1 row)
mydb=# CREATE TEXT SEARCH CONFIGURATION tst (copy=simple);
mydb=# ALTER TEXT SEARCH CONFIGURATION tst ALTER MAPPING FOR asciiword WITH syn;
mydb=# SELECT to_tsvector('tst','indices');
to_tsvector
-------------
'index':1
(1 row)
mydb=# SELECT to_tsquery('tst','indices');
to_tsquery
------------
'index':*
(1 row)
mydb=# SELECT 'indexes are very useful'::tsvector;
tsvector
---------------------------------
'are' 'indexes' 'useful' 'very'
(1 row)
mydb=# SELECT 'indexes are very useful'::tsvector @@ to_tsquery('tst','indices');
?column?
----------
t
(1 row)
创建text dictionary的语法
https://www.postgresql.org/docs/10/static/sql-createtsdictionary.html
3、将lexemes存储为tsvector
text search configuration 决定了要存哪些东西。
convert过程中，parser得到的token依次与configuration配置的dictionary匹配，并存储从dictionary中对应的lexeme。
ALTER TEXT SEARCH CONFIGURATION tsconfig名
ADD MAPPING FOR token类型1 WITH 字典1,字典2,字典3;
如果使用这个tsconfig来转换文本为tsvector，那么对于 token类型1，首先与字典1匹配，如果匹配上了，会存储字典1中对应的lexeme，如果没有对应上，则继续搜索字典2......
创建text search configuration的语法
https://www.postgresql.org/docs/10/static/sql-createtsconfig.html
创建text search template的语法
https://www.postgresql.org/docs/10/static/sql-createtstemplate.html
4、控制参数
通常parser有一些控制参数，例如是否输出单字、双字等。例如zhparser这个parser的参数如下：
5、文档结构
使用ABCD来表示。
