原理简介:
Oracle通过其专利的词法分析器(lexer),将文章中所有的表意单元(Oracle称为term)找出来,记录在一组以dr$开头的表中,同时记下该term出现的位置、次数、hash值等信息。检索时,Oracle从这组表中查找相应的term,并计算其出现频率,根据某个算法来计算每个文档的得分(score),即所谓的‘匹配率’。而lexer则是该机制的核心,它决定了全文检索的效率。Oracle针对不同的语言提供了三个不同的lexer:
basic_lexer:(缺省)
针对英语。它能根据空格和标点来将英语单词从句子中分离,还能自动将一些出现频率过高已经失去检索意义的单词作为‘垃圾’处理,如if , is等,具有较高的处理效率。但该lexer应用于汉语则有很多问题,由于它只认空格和标点,而汉语的一句话中通常不会有空格,因此,它会把整句话作为一个term,事实上失去检索能力。以‘中国人民站起来了’这句话为例,basic_lexer分析的结果只有一个term ,就是‘中国人民站起来了’。此时若检索‘中国’,将检索不到内容。
chinese_vgram_lexer:
专门的汉语分析器,支持所有汉字字符集(ZHS16CGB231280ZHS16GBKZHT32EUCZHT16BIG5ZHT32TRISZHT16MSWIN950ZHT16HKSCSUTF8)。该分析器按字为单元来分析汉语句子。‘中国人民站起来了’这句话,会被它分析成如下几个term: ‘中’,‘中国’,‘国人’,‘人民’,‘民站’,‘站起’,起来’,‘来了’,‘了’。可以看出,这种分析方法,实现算法很简单,并且能实现‘一网打尽’,但效率则是差强人意。
chinese_lexer:
这是一个新的汉语分析器,只支持utf8字符集。上面已经看到,chinese vgram lexer这个分析器由于不认识常用的汉语词汇,因此分析的单元非常机械,像上面的‘民站’,‘站起’在汉语中根本不会单独出现,因此这种term是没有意义的,反而影响效率。chinese_lexer的最大改进就是该分析器能认识大部分常用汉语词汇,因此能更有效率地分析句子,像以上两个愚蠢的单元将不会再出现,极大提高了效率。但是它只支持utf8,如果你的数据库是zhs16gbk字符集,则只能使用笨笨的那个Chinese vgram lexer.
简单例子:
假设当前Oracle用户为:nicholas
创建测试表:
create table TBL_TEST ( ID NUMBER(9) not null, NAME VARCHAR2(50) ) tablespace TBL_TEST_TS pctfree 10 initrans 1 maxtrans 255 storage ( initial 64K minextents 1 maxextents unlimited );
插入测试数据:
设置词法分析器(lexer)
SQL> grant execute on ctxsys.ctx_ddl to nicholas; SQL> BEGIN 2 ctx_ddl.create_preference('name_lexer','chinese_lexer'); 3 END; 4 /
针对字段name建立全文索引
SQL> create index tbl_test_index on tbl_test(name) indextype is ctxsys.context parameters('lexer name_lexer');
查看词法分析器分析结果
SQL> select token_text,token_count from dr$tbl_test_index$i;
TOKEN_TEXT TOKEN_COUNT
---------------------------------------------------------------- -----------
I 2
中华人民共和国 1
中国 6
丽君 1
了 1
人民 1
仿佛 1
克邓 1
几个 1
君 1
啊 1
啊啊 1
垃圾 1
就 1
就萨 1
快 2
搜救 1
救给 1
睡觉 2
给 2
TOKEN_TEXT TOKEN_COUNT
---------------------------------------------------------------- -----------
美国 2
萨克 1
路 1
邓丽 1
附近 1
飞机 1
设置自动更新索引job(在pl/sql developer中)
点击应用即可。
设置自动优化索引job
测试:
SQL> select score(1) as score , id,name from tbl_test where contains(name,'中国',1)>0 order by score(1) desc;
结果:
SCORE ID NAME ---------- ---------- -------------------------------------------------- 4 1 中国 4 2 中国人民 4 3 中国快睡觉路附近了 4 4 中国啊啊啊 4 5 中国搜救给i 4 7 中国就萨克邓丽君