[转载]oracle Text 全文检索功能对中文分词的支持情况
下面例子在XE中测试通过。
准备工作:
CREATE TABLE issues (
ID NUMBER,
summary VARCHAR(120),
description CLOB,
author VARCHAR(80),
ot_version VARCHAR(10)
);
INSERT INTO issues
VALUES (1, 'Jane', 'Text does not make tea',
'Oracle Text is unable to make morning tea', 1);
INSERT INTO issues
VALUES (2, 'John', 'It comes in the wrong color',
'I want to have Text in pink', 1);
INSERT INTO issues
VALUES (3, 'Mike', 'I come from china', '所以我讲中文', 1);
--下面两句话很难解析的
INSERT INTO issues
VALUES (4, 'Mike', 'I come from china', '吉林省长春市的人民', 1);
INSERT INTO issues
VALUES (5, 'Mike', 'I come from china',
'我们要积极地主动作好计划生育工作', 1);
-- define datastore preference for issues
BEGIN
--ctx_ddl.drop_preference ('issue_lexer');
ctx_ddl.set_attribute ('issue_store', 'output_type', 'CLOB');
ctx_ddl.create_preference ('issue_lexer', 'CHINESE_LEXER');
END;
/
-- index issues 没有指定任何lexer
CREATE INDEX issue_index ON issues(author) INDEXTYPE IS ctxsys.CONTEXT;
--进行查询
SELECT *
FROM issues
WHERE contains (author, '中文', 1) > 0;
会返回no rows selected。
说明:不使用lexer参数,oracle Text无法对中文进行有效检索。
接下来我们使用oracle和网上各位仁兄推荐的CHINESE_LEXER看看,执行下列语句:
DROP INDEX issue_index;
-- index issues
CREATE INDEX issue_index ON issues(author) INDEXTYPE IS ctxsys.CONTEXT
PARAMETERS ('lexer issue_lexer');
SELECT *
FROM issues
WHERE contains (author, '中文', 1) > 0;
会返回一条记录。
再执行下列查询语句:
SELECT *
FROM issues
WHERE contains (author, '作好', 1) > 0;
SELECT *
FROM issues
WHERE contains (author, '吉林', 1) > 0;
都没有任何返回结果。
执行下列语句:
SELECT *
FROM issues
WHERE contains (author, '中文', 1) > 0;
有一个返回结果。
说明:CHINESE_LEXER对中文分词进行了优化,能够识别大部分中文单词,但是毕竟有很多单词难以区分。比如说,‘我们要积极地主动作好计划生育工作’被oracle 解释为:“我们要 积极 地主 动作 好 计划生育 工作”;'吉林省长春市的人民'解释为:“吉林省 长春市 的 人民”。不过效率方面自然很高。
再看看CHINESE_VGRAM_LEXER:
执行下列语句
BEGIN
ctx_ddl.drop_preference ('issue_lexer');
ctx_ddl.set_attribute ('issue_store', 'output_type', 'CLOB');
ctx_ddl.create_preference ('issue_lexer', 'CHINESE_VGRAM_LEXER');
END;
/
-- index issues 没有指定任何lexer
CREATE INDEX issue_index ON issues(author) INDEXTYPE IS ctxsys.CONTEXT
PARAMETERS ('lexer issue_lexer');
--进行查询
SELECT *
FROM issues
WHERE contains (author, '中文', 1) > 0;
SELECT *
FROM issues
WHERE contains (author, '作好', 1) > 0;
SELECT *
FROM issues
WHERE contains (author, '吉林', 1) > 0;
SELECT *
FROM issues
WHERE contains (author, '计划生育', 1) > 0;
SELECT *
FROM issues
WHERE contains (author, '地主', 1) > 0;
都有返回结果。
说明:CHINESE_VGRAM_LEXER使用的保守分词方法,不求有功但求无过。对所有的词都可以查询到。不过效率方面就有不足了。
所有的分词结果都可以在表DR$ISSUE_INDEX$I中看到。
例子中CHINESE_VGRAM_LEXER会创建39行数据,而CHINESE_LEXER只创建23行数据。
结论:oracle Text进行中文搜索必须指定lexer 参数。如果追求效率那么使用CHINESE_LEXER,如果追求准确度那么使用CHINESE_VGRAM_LEXER。
参考文章:
http://www.oracle.com/technology/global/cn/pub/articles/asplund-textsearch.html
http://www.vckbase.com/document/viewdoc/?id=1173
准备工作:
CREATE TABLE issues (
ID NUMBER,
summary VARCHAR(120),
description CLOB,
author VARCHAR(80),
ot_version VARCHAR(10)
);
INSERT INTO issues
VALUES (1, 'Jane', 'Text does not make tea',
'Oracle Text is unable to make morning tea', 1);
INSERT INTO issues
VALUES (2, 'John', 'It comes in the wrong color',
'I want to have Text in pink', 1);
INSERT INTO issues
VALUES (3, 'Mike', 'I come from china', '所以我讲中文', 1);
--下面两句话很难解析的
INSERT INTO issues
VALUES (4, 'Mike', 'I come from china', '吉林省长春市的人民', 1);
INSERT INTO issues
VALUES (5, 'Mike', 'I come from china',
'我们要积极地主动作好计划生育工作', 1);
-- define datastore preference for issues
BEGIN
--ctx_ddl.drop_preference ('issue_lexer');
ctx_ddl.set_attribute ('issue_store', 'output_type', 'CLOB');
ctx_ddl.create_preference ('issue_lexer', 'CHINESE_LEXER');
END;
/
-- index issues 没有指定任何lexer
CREATE INDEX issue_index ON issues(author) INDEXTYPE IS ctxsys.CONTEXT;
--进行查询
SELECT *
FROM issues
WHERE contains (author, '中文', 1) > 0;
会返回no rows selected。
说明:不使用lexer参数,oracle Text无法对中文进行有效检索。
接下来我们使用oracle和网上各位仁兄推荐的CHINESE_LEXER看看,执行下列语句:
DROP INDEX issue_index;
-- index issues
CREATE INDEX issue_index ON issues(author) INDEXTYPE IS ctxsys.CONTEXT
PARAMETERS ('lexer issue_lexer');
SELECT *
FROM issues
WHERE contains (author, '中文', 1) > 0;
会返回一条记录。
再执行下列查询语句:
SELECT *
FROM issues
WHERE contains (author, '作好', 1) > 0;
SELECT *
FROM issues
WHERE contains (author, '吉林', 1) > 0;
都没有任何返回结果。
执行下列语句:
SELECT *
FROM issues
WHERE contains (author, '中文', 1) > 0;
有一个返回结果。
说明:CHINESE_LEXER对中文分词进行了优化,能够识别大部分中文单词,但是毕竟有很多单词难以区分。比如说,‘我们要积极地主动作好计划生育工作’被oracle 解释为:“我们要 积极 地主 动作 好 计划生育 工作”;'吉林省长春市的人民'解释为:“吉林省 长春市 的 人民”。不过效率方面自然很高。
再看看CHINESE_VGRAM_LEXER:
执行下列语句
BEGIN
ctx_ddl.drop_preference ('issue_lexer');
ctx_ddl.set_attribute ('issue_store', 'output_type', 'CLOB');
ctx_ddl.create_preference ('issue_lexer', 'CHINESE_VGRAM_LEXER');
END;
/
-- index issues 没有指定任何lexer
CREATE INDEX issue_index ON issues(author) INDEXTYPE IS ctxsys.CONTEXT
PARAMETERS ('lexer issue_lexer');
--进行查询
SELECT *
FROM issues
WHERE contains (author, '中文', 1) > 0;
SELECT *
FROM issues
WHERE contains (author, '作好', 1) > 0;
SELECT *
FROM issues
WHERE contains (author, '吉林', 1) > 0;
SELECT *
FROM issues
WHERE contains (author, '计划生育', 1) > 0;
SELECT *
FROM issues
WHERE contains (author, '地主', 1) > 0;
都有返回结果。
说明:CHINESE_VGRAM_LEXER使用的保守分词方法,不求有功但求无过。对所有的词都可以查询到。不过效率方面就有不足了。
所有的分词结果都可以在表DR$ISSUE_INDEX$I中看到。
例子中CHINESE_VGRAM_LEXER会创建39行数据,而CHINESE_LEXER只创建23行数据。
结论:oracle Text进行中文搜索必须指定lexer 参数。如果追求效率那么使用CHINESE_LEXER,如果追求准确度那么使用CHINESE_VGRAM_LEXER。
参考文章:
http://www.oracle.com/technology/global/cn/pub/articles/asplund-textsearch.html
http://www.vckbase.com/document/viewdoc/?id=1173