代码改变世界

SQL Server 全文索引的硬伤

2010-05-13 21:10  听风吹雨  阅读(25197)  评论(16)  编辑  收藏  举报

本文关键字：SQL Server全文索引、CONTAINS、FREETEXT、CONTAINSTABLE、FREETEXTTABLE等谓词。

 

想象这样一个场景：在DataBase_name.dbo.Table_name中有一个名为Title（标题）和Contents（内容）的字段，现在需要查询在Title或者Contents中包括“qq”字符的所有记录。

 

面对这样的一个场景，我们通常都会写这样一个脚本：SELECT * FROM DataBase_name.dbo.Table_name WHERE Title LIKE '%qq%' OR Contents LIKE '%qq%'; 没错，这也是我第一个想到的方法。

但是我们需要思考的是：随着时间的推移，数据会越来越大，那个时候我们该如何提高我们的性能？客户随时都有可能要求加入对Remark（备注）字段的查询，难道我们就应该不厌其烦地修改程序代码？

 

面对上面的质问，我们需要提醒你的是：①对于这样的查询条件，即使Title和Contents上都有索引，我们也无法使用到索引，因为在 '%qq%'的“qq”前面使用了通配符，所以无法使用到索引；如果查询的条件是'qq%'，那倒是可以利用上索引。②在许多数据库性能调优的文章上都说OR这个谓词可以使用SELECT UNION ALL SELECT这样的方式来提高性能，但是需要提醒大家的是：如果在一条记录中字段Title和Contents都同时存在“中国”字符的话，那么返回的结果就会出现两条相同的记录，如果你希望是唯一的记录，那么这个时候你就要注意了。③其实有些时候，对于and的操作符，我们可以考虑使用：SQL Server 索引中include的魅力（具有包含性列的索引）

 

现在回到我们上面提出的疑问上，大概这个时候大家都应该想到了数据库的全文索引了。全文索引是一种特殊类型的基于标记的功能性索引，由 Microsoft SQL Server 全文引擎 (MSFTESQL) 服务创建和维护。创建全文索引的过程与创建其他类型的索引的过程差别很大。MSFTESQL 不是基于某一特定行中存储的值来构造 B 树结构，而是基于要索引的文本中的各个标记来创建倒排、堆积且压缩的索引结构。（摘自MSDN）

 

讲了那么久，硬伤在哪里呢？可能大家都怀疑我是不是标题党了，呵呵，马上就讲到，那就是这个全文索引能解决我们一开始提到的场景吗？回答是否定。为什么呢？因为SQL Server对字符串“tqq.tencent.com”进行分词和倒排索引后，我们是无法通过查询条件‘“*qq*”’来返回上面那条字符串的记录的，这样的查询条件只能查询到类似“qqt.tencent.com”、“www.qq.com”这样的字符串。SQL Server的分词应该是正向最大值的分词方法，它没有把字符串进行反方向再进行一次分词和索引，所以只能查询到词或短语的前缀符合的记录。这一点有可能会被大家所忽略掉。

 

就针对上面的说法，我们来进行测试一下：

--已经对表Test_FullText_Index的uri,uri_path建立了全文索引.
--下面的查询是为了说明CONTAINS与LIKE的区别.
SELECT ID,uri,uri_path 
FROM Test_FullText_Index
where uri LIKE '%qq%' 
AND ID NOT IN(SELECT ID FROM Test_FullText_Index WHERE CONTAINS(uri,'"qq*"'))

--下图为执行结果

 

 

如何大家有什么好的解决方案可以解决这样的Like查询的话，可以拿出来大家探讨一下。  

 

主题的内容讲完了，下面附带讲一些创建全文索引的步骤和注意事项，懂的童鞋（同学）可以跳过。 

 

设置全文索引的步骤

1：对着数据库点击右键-选择属性-选择文件，选中“使用全文索引”

2：对着表点击右键-全文索引-定义全文索引

 3：点击下一步，如果这个表中没有唯一性索引就会出现下图所示

 

4：选择表列，选择断字符语言。

5：点击下一步，这里的选项要注意，如果不想再表、视图更改的时候更新全文索引，那就选择不跟踪更改；这样就可以选择是否在创建索引时启动完全填充了。

6：点击下一步创建索引要保存的目录，全文索引的索引文件是以文件的形式保存到硬盘上的。

7：之后就可以设置自动填充、手动跟踪更改，还有设置计划了。

 

全文索引需要注意：

  1. 表中必须有一个唯一性索引，当并不需要是主键。
  2. 一个表中只能有一个全文索引。
  3. 你需要告诉你的脚本你想使用全文索引，如何告诉呢？那就是使用关键字：CONTAINS、FULLTEXT、CONTAINSTABLE、FREETEXTTABLE。例如：SELECT * FROM table_name WHERE CONTAINS(fullText_column,'"search contents*"');需要记住CONTAINS等在不同场景、需求下的用法。
  4. 如果定义了变量作为传入值，那么就要注意是否需要在set字符的时候的前面加入N标识。
  5. 要对表设置全文索引，那就得先对数据库设置了全文索引，这样点击表右键的时候，“全文索引”选项才能用。
  6. 脚本在查找的时候是不区分大小写的。解决办法：SELECT * FROM Table_name WHERE Column_name='A' COLLATE Chinese_PRC_CS_AI;或者SELECT * FROM Table_name WHERE ASCII(Column_name) = ASCII('A');
  7. Microsoft SQL Server 全文引擎 (MSFTESQL) 不是基于某一特定行中存储的值来构造 B 树结构，而是基于要索引的文本中的各个标记来创建倒排、堆积且压缩的索引结构。
  8. 全文索引并不一定能达到like这个谓词的效果，如LIKE '%qq%'。这正是本篇文章想要说明的。
  9. 如果数据库是在移动盘符上，好像就无法设置：数据库-属性-文件-“使用全文索引”了，这个时候chckbox是不可用的。（这个大家可以求证一下）
  10. 关于搜索结果的排序问题，全文索引并没有这个功能，也就是匹配度排序或者说是相似度排序。
  11. Lucene中有一个Similarity类，Lucene Practical Scoring Function就包含了得分的计算公式，tf、idf。 

CONTAINS的几种用法 

CONTAINS 谓词可以搜索：

  • 词或短语。
  • 词或短语的前缀。
  • 与另一个词相邻的词。
  • 由另一个词的词形变化而生成的词（例如，drive 一词是 drives、drove、driving 和 driven 词形变化的词干）。
  • 使用同义词库确定的另一个词的同义词（例如，metal 一词可能有 aluminum 和 steel 等同义词）。

 

 

参考文献

全文索引 

使用SQL SERVER 2000的全文检索功能

CONTAINS (Transact-SQL)

FREETEXT (Transact-SQL) 

sql 中contains的使用例子，参数详解

Contains全文索引与Like模糊查询的比较（虽然里面用%来匹配是错误的）