12.4. 其他功能

• 12 .4.1. 处理文件

• 12 .4.2. 操纵查询

• 12 .4.3. 自动更新的触发器

• 12 .4.4. 收集文件统计

本节介绍在文本搜索中有用的其他功能和运算符。

12 .4.1. 处理文件

Section 12.3.1显示了如何将原始文本文档转换为tsvector值。 PostgreSQL 还提供了可用于处理tsvector形式的文档的函数和运算符。

• tsvector || tsvector

  • tsvector串联运算符返回一个向量，该向量结合了作为参数给出的两个向量的词素和位置信息。在连接过程中保留位置和重量标签。出现在右侧向量中的位置偏移了左侧向量中提到的最大位置，因此结果几乎等于对两个原始文档字符串的串联执行to_tsvector的结果。 (等价关系并不精确，因为从左手参数末尾删除的任何停用词都不会影响结果，而如果使用文本串联，它们会影响右手参数中词素的位置.)

在矢量形式中使用串联而不是在应用to_tsvector之前串联文本的一个优点是，您可以使用不同的配置来解析文档的不同部分。同样，由于setweight函数以相同的方式标记给定向量的所有词素，因此如果要使用不同的权重标记文档的不同部分，则必须在连接之前分析文本并执行setweight。

• setweight(vector tsvector, weight "char") returns tsvector

  • setweight返回 Importing 向量的副本，其中每个位置都已用给定的* weight *(A，B，C或D)标记。 (D是新向量的默认值，因此不会在输出中显示.)将向量连接在一起时将保留这些标签，从而允许通过排序功能对来自文档不同部分的单词进行不同的加权。

请注意，权重标签适用于位置，不适用于词缀。如果 Importing 向量已去除位置，则setweight不执行任何操作。

• length(vector tsvector) returns integer

  • 返回向量中存储的词素数。

• strip(vector tsvector) returns tsvector

  • 返回一个列出与给定向量相同的词素的向量，但缺少任何位置或权重信息。结果通常比未剥离的矢量小得多，但它的用处也较小。相关度排序在未剥离向量上的效果不如未剥离向量。同样，<->(FOLLOWED BY)tsquery运算符将永远不会匹配剥离的 Importing，因为它无法确定词素出现之间的距离。

Table 9.41提供了与tsvector相关的功能的完整列表。

12 .4.2. 操纵查询

Section 12.3.2显示了如何将原始文本查询转换为tsquery值。 PostgreSQL 还提供了可用于处理已经为tsquery形式的查询的函数和运算符。

• tsquery && tsquery

  • 返回两个给定查询的 AND 组合。

• tsquery || tsquery

  • 返回两个给定查询的 OR 组合。

• !! tsquery

  • 返回给定查询的否定(NOT)。

• tsquery <-> tsquery

  • 返回一个查询，该查询使用<->(FOLLOWED BY)tsquery运算符立即搜索与第一个给定查询的匹配项，然后立即搜索与第二个给定查询的匹配项。例如：

SELECT to_tsquery('fat') <-> to_tsquery('cat | rat');
             ?column?
-----------------------------------
 'fat' <-> 'cat' | 'fat' <-> 'rat'

• tsquery_phrase(query1 tsquery, query2 tsquery [, distance integer ]) returns tsquery

  • 返回一个查询，该查询使用<N> tsquery运算符搜索与第一个给定查询的匹配项，然后搜索与第二个给定查询的匹配项，它们的距离为* distance *词素。例如：

SELECT tsquery_phrase(to_tsquery('fat'), to_tsquery('cat'), 10);
  tsquery_phrase
------------------
 'fat' <10> 'cat'

• numnode(query tsquery) returns integer

  • 返回tsquery中的节点数(词法加运算符)。此功能对于确定* query *是否有意义(返回> 0)或仅包含停用词(返回 0)很有用。例子：

SELECT numnode(plainto_tsquery('the any'));
NOTICE:  query contains only stopword(s) or doesn't contain lexeme(s), ignored
 numnode
---------
       0

SELECT numnode('foo & bar'::tsquery);
 numnode
---------
       3

• querytree(query tsquery) returns text

  • 返回tsquery的一部分，可用于搜索索引。此功能对于检测无法索引的查询(例如仅包含停用词或否定词的查询)很有用。例如：

SELECT querytree(to_tsquery('!defined'));
 querytree
-----------

12 .4.2.1. 查询 Rewrite

ts_rewrite系列函数在给定的tsquery中搜索目标子查询的出现，并用替代子查询替换每个出现。本质上，此操作是tsquery特定版本的子字符串替换。目标和替代组合可以视为查询重写规则。此类重写规则的集合可能是强大的搜索帮助。例如，您可以使用同义词(例如new york，big apple，nyc，gotham)扩展搜索范围，或缩小搜索范围以将用户引导至某个热门 Topic。此功能和同义词词典(Section 12.6.4)在功能上有一些重叠。但是，您可以即时修改一组重写规则而无需重新编制索引，而更新同义词库需要重新编制索引才能有效。

• ts_rewrite (query tsquery, target tsquery, substitute tsquery) returns tsquery

  • ts_rewrite的这种形式仅应用一个重写规则：* target 被 substitute 替换为 query *中的任何地方。例如：

SELECT ts_rewrite('a & b'::tsquery, 'a'::tsquery, 'c'::tsquery);
 ts_rewrite
------------
 'b' & 'c'

• ts_rewrite (query tsquery, select text) returns tsquery

  • 这种形式的ts_rewrite接受起始* query *和 SQL * select *命令，该命令以文本字符串形式给出。 * select 必须产生两列tsquery类型的列。对于 select 结果的每一行，在当前 query *值内，第一列值(目标)的出现被第二列值(替代)替换。例如：

CREATE TABLE aliases (t tsquery PRIMARY KEY, s tsquery);
INSERT INTO aliases VALUES('a', 'c');

SELECT ts_rewrite('a & b'::tsquery, 'SELECT t,s FROM aliases');
 ts_rewrite
------------
 'b' & 'c'

请注意，以这种方式应用多个重写规则时，应用的 Sequences 可能很重要。因此在实践中，您将希望源查询ORDER BY一些 Order 密钥。

让我们考虑一个真实的天文学例子。我们将使用表驱动的重写规则来扩展查询supernovae：

CREATE TABLE aliases (t tsquery primary key, s tsquery);
INSERT INTO aliases VALUES(to_tsquery('supernovae'), to_tsquery('supernovae|sn'));

SELECT ts_rewrite(to_tsquery('supernovae & crab'), 'SELECT * FROM aliases');
           ts_rewrite            
---------------------------------
 'crab' & ( 'supernova' | 'sn' )

我们可以通过更新表来更改重写规则：

UPDATE aliases
SET s = to_tsquery('supernovae|sn & !nebulae')
WHERE t = to_tsquery('supernovae');

SELECT ts_rewrite(to_tsquery('supernovae & crab'), 'SELECT * FROM aliases');
                 ts_rewrite                  
---------------------------------------------
 'crab' & ( 'supernova' | 'sn' & !'nebula' )

当存在许多重写规则时，重写会很慢，因为它会检查每个规则是否可能匹配。要过滤掉明显的非候选规则，我们可以对tsquery类型使用包含运算符。在下面的示例中，我们仅选择那些可能与原始查询匹配的规则：

SELECT ts_rewrite('a & b'::tsquery,
                  'SELECT t,s FROM aliases WHERE ''a & b''::tsquery @> t');
 ts_rewrite
------------
 'b' & 'c'

12 .4.3. 自动更新的触发器

当使用单独的列存储文档的tsvector表示形式时，有必要创建触发器以在文档内容列更改时更新tsvector列。为此有两个内置的触发功能，或者您可以编写自己的触发功能。

tsvector_update_trigger(tsvector_column_name, config_name, text_column_name [, ... ])
tsvector_update_trigger_column(tsvector_column_name, config_column_name, text_column_name [, ... ])

这些触发函数在CREATE TRIGGER命令中指定的参数的控制下，自动从一个或多个文本列中计算出tsvector列。其用法的一个示例是：

CREATE TABLE messages (
    title       text,
    body        text,
    tsv         tsvector
);

CREATE TRIGGER tsvectorupdate BEFORE INSERT OR UPDATE
ON messages FOR EACH ROW EXECUTE PROCEDURE
tsvector_update_trigger(tsv, 'pg_catalog.english', title, body);

INSERT INTO messages VALUES('title here', 'the body text is here');

SELECT * FROM messages;
   title    |         body          |            tsv             
------------+-----------------------+----------------------------
 title here | the body text is here | 'bodi':4 'text':5 'titl':1

SELECT title, body FROM messages WHERE tsv @@ to_tsquery('title & body');
   title    |         body          
------------+-----------------------
 title here | the body text is here

创建此触发器后，title或body中的任何更改都将自动反映到tsv中，而应用程序不必担心。

第一个触发器参数必须是要更新的tsvector列的名称。第二个参数指定用于执行转换的文本搜索配置。对于tsvector_update_trigger，配置名称仅作为第二个触发器参数给出。它必须是如上所述的架构限定符，以便触发行为不会随着search_path的改变而改变。对于tsvector_update_trigger_column，第二个触发器参数是另一个表列的名称，该表列的类型必须为regconfig。这允许按行选择配置。其余参数是文本列的名称(类型为text，varchar或char)。这些将按照给定的 Sequences 包含在文档中。 NULL 值将被跳过(但其他列仍将被索引)。

这些内置触发器的局限性在于它们对所有 Importing 列的处理方式相同。要以不同方式处理列(例如，以不同的方式称呼标题)，必须编写自定义触发器。这是一个使用 PL/pgSQL 作为触发语言的示例：

CREATE FUNCTION messages_trigger() RETURNS trigger AS $$
begin
  new.tsv :=
     setweight(to_tsvector('pg_catalog.english', coalesce(new.title,'')), 'A') ||
     setweight(to_tsvector('pg_catalog.english', coalesce(new.body,'')), 'D');
  return new;
end
$$ LANGUAGE plpgsql;

CREATE TRIGGER tsvectorupdate BEFORE INSERT OR UPDATE
    ON messages FOR EACH ROW EXECUTE PROCEDURE messages_trigger();

请记住，在触发器内创建tsvector值时，显式指定配置名称很重要，这样列的内容就不会受到对default_text_search_config的更改的影响。否则，可能会导致诸如转储和重新加载后搜索结果发生更改之类的问题。

12 .4.4. 收集文件统计

ts_stat功能对于检查配置和查找停用词候选很有用。

ts_stat(sqlquery text, [ weights text, ]
        OUT word text, OUT ndoc integer,
        OUT nentry integer) returns setof record

• sqlquery *是包含 SQL 查询的文本值，该查询必须返回单个tsvector列。 ts_stat执行查询并返回有关tsvector数据中包含的每个不同词素(单词)的统计信息。返回的列是

• • word * text-lexeme 的值
• • ndoc * integer-单词出现的文档数(tsvector s)
• • nentry * integer-单词出现的总数

如果提供* weights *，则仅对具有这些权重之一的事件进行计数。

例如，要查找文档集中最常见的十个单词：

SELECT * FROM ts_stat('SELECT vector FROM apod')
ORDER BY nentry DESC, ndoc DESC, word
LIMIT 10;

相同，但只计算权重为A或B的单词出现次数：

SELECT * FROM ts_stat('SELECT vector FROM apod', 'ab')
ORDER BY nentry DESC, ndoc DESC, word
LIMIT 10;