oracle 分词函数,利用Oracle的全文索引实现切词功能

今天在ITPUB上看到这样一个需求，给出一个中文语句，如何对其实现切词。

如果Oracle全文索引的切词可以满足需求的话，那么可以借用Oracle的功能来实现这个功能。

Oracle的全文索引本身具备中文分析、切词功能，否则就无法有效的对中文进行搜索，如果这个切词结果可以满足要求的话，那么可以自己封装一个函数，来借用Oracle的功能。

由于建立全文索引函数后，Oracle会将切词结果放到DR$index_name$I表中，因此获取这个表中的记录就可以得到最终的切词结果。

建立自定义函数的时候注意，由于这个操作包括很多DDL操作，因此如果希望这个函数可以在SQL中被调用，就必须使用自主事务。

为了方便的选择CHINESE_LEXER还是CHINESE_VGRAM_LEXER，将MY_CHINESE_LEXER的创建放到了函数之外，这样方便对切词规则进行修改。这个过程也是唯一需要在建立自定义函数之前做的步骤。

下面是实现这个功能的建立的例子：

SQL> EXEC CTX_DDL.CREATE_PREFERENCE('MY_CHINESE_LEXER', 'CHINESE_VGRAM_LEXER')

PL/SQL过程已成功完成。

SQL> CREATE OR REPLACE FUNCTION F_SPLIT_CHINESE(P_INPUT IN VARCHAR2) RETURN VARCHAR2 AS

2   PRAGMA AUTONOMOUS_TRANSACTION; V_RETURN VARCHAR2(32767);

3  BEGIN

4   BEGIN

5    EXECUTE IMMEDIATE 'DROP TABLE T_TEMP_TABLE PURGE';

6   EXCEPTION

7    WHEN OTHERS THEN

8     NULL;

9   END;

10

11   EXECUTE IMMEDIATE 'CREATE TABLE T_TEMP_TABLE (STR VARCHAR2(4000))';

12   EXECUTE IMMEDIATE 'INSERT INTO T_TEMP_TABLE VALUES (:STR)' USING P_INPUT;

13   EXECUTE IMMEDIATE 'CREATE INDEX IND_T_TEMP_TABLE_STR ON T_TEMP_TABLE(STR) INDEXTYPE IS CTXSYS.CONTEXT

14    PARAMETERS(''LEXER MY_CHINESE_LEXER'')';

15   EXECUTE IMMEDIATE 'SELECT MAX(LTRIM(SYS_CONNECT_BY_PATH(TOKEN_TEXT, '',''), '',''))

16    FROM

17    (

18     SELECT TOKEN_TEXT, ROW_NUMBER() OVER(ORDER BY TOKEN_TEXT) RN

19     FROM DR$IND_T_TEMP_TABLE_STR$I

20    )

21    START WITH RN = 1

22    CONNECT BY PRIOR RN + 1 = RN' INTO V_RETURN;

23   EXECUTE IMMEDIATE 'DROP TABLE T_TEMP_TABLE PURGE';

24   RETURN V_RETURN;

25  END;

26  /

函数已创建。

SQL> SELECT F_SPLIT_CHINESE('测试一下中文切词') FROM DUAL;

F_SPLIT_CHINESE('测试一下中文切词')

------------------------------------------------------------------------测试,词,切词,试一,文切,下中,一下,中文

SQL> EXEC CTX_DDL.DROP_PREFERENCE('MY_CHINESE_LEXER')

PL/SQL过程已成功完成。

SQL> EXEC CTX_DDL.CREATE_PREFERENCE('MY_CHINESE_LEXER', 'CHINESE_LEXER')

PL/SQL过程已成功完成。

SQL> SELECT F_SPLIT_CHINESE('测试一下中文切词') FROM DUAL;

F_SPLIT_CHINESE('测试一下中文切词')

-----------------------------------------------------------------------测试,词,切词,一下,中文

通过修改不同的LEXER语法，可以明显的看出CHINESE_VGRAM_LEXER和CHINESE_LEXER在中文分词上的区别。关于二者区别的一些描述可以参考：

需要注意的是，这个函数声明了自主事务，虽然可以在SQL中调用，但是并不意味着这个函数不修改数据库中的内容。

这个函数在调用的过程中会执行建表、建立索引、删除表等一系列操作。因此调用这个函数的SELECT语句，不但会引起数据库数据的变化，而且会导致DDL的发生，导致很多的递归调用、逻辑读和REDO的产生。这是在使用这个函数之前需要理解的。

最后，这个函数在10g环境中完成，如果在9i版本使用，需要将DROP语句中的PURGE语句去掉，否则会造成语法错误。