oracle 全文检索实践

http://yangtingkun.itpub.net/post/468/246823

1.oracle text

首先这里说oracle 全文检索,是针对我机器上的oracle 10g版本的。至少 10g 或以上的版本 适合这样来使用。

 

oracle 的全文检索,操作步骤为:将表中需要检索的字段,创建为全文检索的索引,然后通过select * from T where contains(F,'test',1)>0的语句进行全文检索,达到预期效果。

然后,oracle全文检索还是很强大的,能够检索文本啊、还有其他多种格式的文档。我做的测试只是针对数据库中的某一个字段的检索。比如针对地址表中的地址进行检索。

 

2.准备操作

首先,先建一个表用于测试,在名为testuser用户下建表。

 

 

Sql代码   收藏代码
  1. create table YU_TEST(  
  2.     id number,  
  3.     name varchar2(50)  
  4. );  

 

插入测试数据

 

 

Sql代码   收藏代码
  1. insert into YU_TEST values(1,'重庆市沙坪坝区');  
  2. insert into YU_TEST values(2,'成都市青羊区');  
  3. insert into YU_TEST values(3,'北京市西城区');  
  4. insert into YU_TEST values(4,'重庆市两江新区');  
  5. insert into YU_TEST values(5,'上海市浦东新区金桥镇');  
  6. insert into YU_TEST values(6,'上海东方明珠');  
  7. insert into YU_TEST values(7,'江苏省无锡市国家软件园');  
  8. insert into YU_TEST values(8,'成都市天府软件园');  
 

 

 

oracle全文检索需要ctxsys用户的支持,其实主要是需要使用ctxsys用户下的ctx_ddl这个包,这个包中绝大部分过程的创建都与全文检索有关。

 

首先需要对ctxsys用户解锁,以获得ctx_ddl包的操作权。

进入system用户,输入如下命令,解锁ctxsys用户

 

 

Sql代码   收藏代码
  1. alter user ctxsys account unlock;  

 

然后将ctx_ddl包的操作权限赋给testuser用户。

也是在system用户下,输入如下命令,赋予目标用户ctx_ddl包操作权限

 

 

Sql代码   收藏代码
  1. grant execute on ctx_ddl to testuser;  

 

至此,准备工作已经完成了

 

3.创建分析器

oracle text的分析器,类似于lucene中的分词器,将需要检索的记录,按照一定的方式进行词组拆分,然后存放在索引表中。检索的时候根据索引表中存放的拆分词组,对传入的关键字进行匹配,并返回匹配结果。

oracle text中的分析器有3种:

 

  • basic_lexer:只能根据空格和标点来进行拆分。比如“中国重庆”,只能拆分为“中国重庆”一个词组
  • chinese_vgram_lexer:专门的汉语分析器,按字单元进行拆分,比如“中国重庆”,可以拆分为“中”、“中国“、”国重”、“重庆”、“庆”五个词组。这种方式的好处是能够将所有有可能的词组全部保存进索引表,使得数据不会遗漏。
  • chinese_lexer:一种新的汉语分析器,能够认识大部分常用的汉语词汇,并按常用词汇进行拆分存储。比如“中国重庆”,只会被拆分为“中国”、“重庆”两个词组。

 

这里我使用chinese_lexer这个分词器,用testuser用户登录,执行下面的命令,创建分析器。

 

 

Sql代码   收藏代码
  1. exec ctx_ddl.create_preference ('my_lexer''chinese_lexer');  

 

 

这句话的意思是,创建一个“chinese_lexer”分析器,名称为my_lexer。

 

4.创建过滤词组

在我们建索引的时候,通常需要对一些常用的词组进行过滤,比如对公司名称进行检索时,肯定不希望输入“有限公司”、“公司”等关键词时,也会有搜索结果。

用testuser用户登录,执行下面的命令,创建过滤词组

 

 

Sql代码   收藏代码
  1. exec ctx_ddl.create_stoplist('my_stoplist');  

 

 

创建过滤词组成功以后,需要自定义需要过滤的词组

 

 

 

Sql代码   收藏代码
  1. ctx_ddl.add_stopword('my_stoplist','有限公司');  
  2. ctx_ddl.add_stopword('my_stoplist','股份有限公司');  

 

意思就是,创建了一个名为“my_stoplist”的过滤词组,“有限公司”、“股份有限公司”这两个词组不会被创建为索引

 

5.创建索引

其实前面的工作,都是为创建索引做准备的。

我要对YU_TEST表中的name字段进行检索,首先必须对name字段创建索引。

这里需要注意的是,name字段不能为nvarchar2类型,并且这个表的主键也不能为nvarchar2型,否则无法创建索引。

 

 

Sql代码   收藏代码
  1. create index YU_TEST_INDEX on YU_TEST(name) indextype is CTXSYS.CONTEXT parameters('lexer my_lexer stoplist my_stoplist');  
 

这句话的意思就是,在YU_TEST_INDEX表中的name字段上创建索引,索引类系那个为context类型,该索引用到的分析器为前面定义的my_lexer,该索引用到的过滤词组为前面定义得my_stoplist。

 

索引创建成功后,你回发现,在当前用户的表中,多了四个表

 

 

其中YU_TEST表中name字段被拆分后的词组保存在DR$YU_TEST_INDEX$I表中

 


这样可以看见索引的详细信息。

 

6.使用索引

 

 

Sql代码   收藏代码
  1. select * from YU_TEST where contains(name,'重庆')>0;  
 
  可以用contains来使用oracle的全文检索。
这样查出来的数据是没有经过排序的,有时候我们的需求是按照关键字的匹配程度排序,使用下面的语句:

Sql代码   收藏代码
  1. select score(1),y.* from YU_TEST y where contains(name,'重庆',1)>0 order by score(1) desc;  
 
这里的score是oracle全文检索对关键字的匹配程度所计算的分数,contains里的最后一个参数“1”就是对这个分数的一个标识

7.索引优化
前面已经能够进行检索了,现在就是对索引进行优化
当我们需要修改YU_TEST表中的数据,比如添加、删除、更新等操作时,YU_TEST_INDEX索引是不会同步更新数据的,需要我们在程序中手动的更新,可以写一个oracle的触发器,当添加、删除、修改操作时,进行索引更新。也可以定时进行更新。
索引同步:

Sql代码   收藏代码
  1. exec ctx_ddl.sync_index('yu_test_index')  
 
索引优化:

Sql代码   收藏代码
  1. exec ctx_ddl.optimize_index('yu_test_index','full')  
 
8.用户输入关键词切词

在执行检索的时候会发现这样的问题



 
表中存在两条“重庆”相关的记录和一条“天府”相关的记录,但是我传入“重庆天府”关键字时,确检索不出记录,这显然不是我们想要的结果,因为我们需要的是最大程度的匹配,传入“重庆天府”时应该同时检索出“重庆”相关和“天府”相关的信息。
要实现这种效果,需要用到oracle 10g的新特性,可以将传入的关键词先进行切词,然后在进行检索。
首先需要先创建一个POLICY过程

Sql代码   收藏代码
  1. exec CTX_DDL.CREATE_POLICY('MY_POLICY', LEXER => 'my_lexer');  
 
这里创建了一个名称为my_policy的policy过程,分析器用到了前面创建的my_lexer分析器

写一个oracle函数,来处理关键词切词:
Sql代码   收藏代码
  1. create or replace function p_split_chinese(p_input in varchar2)  
  2.     return varchar2 as   
  3.        v_tab CTX_DOC.TOKEN_TAB;  
  4.        v_return VARCHAR2(323767);  
  5.     begin  
  6.        CTX_DOC.POLICY_TOKENS('my_policy',p_input,v_tab);  
  7.        for i in 1..v_tab.count loop  
  8.           v_return := v_return || ',' || v_tab[i].token;  
  9.        end loop;  
  10.        return LTRIM(v_return,',');  
  11.      end;  
  12. /  
 
在plsql 中执行这个函数

这样就可以将关键词切词,在程序中直接将这个切词结果,进行检索。


 
  可以看到这里显示的只有“天府”相关的信息,那么“重庆”相关的呢?
先看一下DR$YU_TEST_INDEX$I表中的结构。


 


 
发现token_text字段中,只有重庆市、北京市这些词,而没有重庆、北京之类的
所以会发现,oracle全文检索的chinese lexer分析器,对"重庆市",只会认为这只有一个词组,而不会把“重庆市”分为“重庆”和“重庆市”。
所以,如果需要比较精确的检索到结果,还是 chinese_vgram_lexer分析器最好用,能够匹配到所有的词组。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值