使用PostgreSQL数据库进行中文全文搜索的实现方法

如何使用zhparser

安装相应插件

1 安装 pg_trgm

用于执行文本相似性和模糊搜索。它基于 trigram 算法，允许你在文本数据上执行模糊匹配、相似性搜索和索引。命令如下

CREATE EXTENSION pg_trgm

2 安装 zhparser

专门用于处理中文文本数据。它允许 PostgreSQL 在中文文本上执行全文搜索，包括分词、词干提取、停用词处理等操作，以便提高中文文本数据的搜索准确性和性能。命令如下

CREATE EXTENSION zhparser

创建基于zhparser的搜索配置

CREATE TEXT SEARCH CONFIGURATION chinese_zh (PARSER = zhparser)

这个命令创建了一个名为chinese_zh的中文文本搜索配置。该配置使用了zhparser解析器，表明它将用于分析和处理中文文本数据。

ALTER TEXT SEARCH CONFIGURATION chinese_zh ADD MAPPING FOR n,v,a,i,e,l WITH simple

这个命令将指定的词汇类别（n，v，a，i，e，l）与已存在的simple配置进行映射。这意味着对于这些词汇类别，将使用simple配置的规则来进行文本分析和处理。

进行搜索查询

select ts_debug(\’chinese_zh\’, \’春秋、战国是中国历史上思想迸发的时代，出现了百家争鸣的现象\’);

执行结果：

\”(t,\”\”time,时语素\”\”,春秋,{},,)\”
\”(u,\”\”auxiliary,助词\”\”,、,{},,)\”
\”(t,\”\”time,时语素\”\”,战国,{},,)\”
\”(v,\”\”verb,动词\”\”,是,{simple},simple,{是})\”
\”(n,\”\”noun,名词\”\”,中国,{simple},simple,{中国})\”
\”(n,\”\”noun,名词\”\”,历史,{simple},simple,{历史})\”
\”(n,\”\”noun,名词\”\”,上思,{simple},simple,{上思})\”
\”(v,\”\”verb,动词\”\”,想,{simple},simple,{想})\”
\”(v,\”\”verb,动词\”\”,迸发,{simple},simple,{迸发})\”
\”(u,\”\”auxiliary,助词\”\”,的,{},,)\”
\”(n,\”\”noun,名词\”\”,时代,{simple},simple,{时代})\”
\”(u,\”\”auxiliary,助词\”\”,，,{},,)\”
\”(v,\”\”verb,动词\”\”,出现,{simple},simple,{出现})\”
\”(v,\”\”verb,动词\”\”,了,{simple},simple,{了})\”
\”(n,\”\”noun,名词\”\”,百家争鸣,{simple},simple,{百家争鸣})\”
\”(u,\”\”auxiliary,助词\”\”,的,{},,)\”
\”(n,\”\”noun,名词\”\”,现象,{simple},simple,{现象})\”
select to_tsvector(\’chinese_zh\’, \’春秋、战国是中国历史上思想迸发的时代，出现了百家争鸣的现象\’);

执行结果：

\”\’上思\’:4 \’中国\’:2 \’了\’:9 \’出现\’:8 \’历史\’:3 \’想\’:5 \’时代\’:7 \’是\’:1 \’现象\’:11 \’百家争鸣\’:10 \’迸发\’:6\”

可以看到春秋和战国没有出现在里面，这里我们把t,time,时语素的映射添加下

ALTER TEXT SEARCH CONFIGURATION chinese_zh ADD MAPPING FOR t WITH simple;

再执行上面的语句就会得到下面的结果

\”\’上思\’:6 \’中国\’:4 \’了\’:11 \’出现\’:10 \’历史\’:5 \’想\’:7 \’战国\’:2 \’时代\’:9 \’春秋\’:1 \’是\’:3 \’现象\’:13 \’百家争鸣\’:12 \’迸发\’:8\”

可以看到春秋和战国已经出现在文本向量的结果中了。我们搜索下春秋看下

select to_tsquery(\’战国\’) @@ to_tsvector(\’chinese_zh\’, \’春秋、战国是中国历史上思想迸发的时代，出现了百家争鸣的现象\’);

true

添加自定义词典(txt)

select to_tsquery(\’二十四节谷\’) @@ to_tsvector(\’chinese_zh\’, \’春秋、战国是中国历史上思想迸发的时代，在二十四节谷出现了百家争鸣的现象\’);
false

这里竟然没有，仔细观察上面对这个句子的向量化分析,破案了，没有把‘二十四节谷’这个词作为一个整体

\’上思\’:6 \’中国\’:4 \’了\’:11 \’出现\’:10 \’历史\’:5 \’想\’:7

在以下位置创建客户字典/usr/share/postgresql/14/tsearch_data/kkdict.utf8.txt：（必须在该目录中）

#word TF IDF ATTR
二十四节谷 1 1 n

然后修改/var/lib/postgresql/data/posrgresql.conf，在末尾添加以下行：zhparser.extra_dicts = 'kkdict.utf8.txt'

select ts_debug(\’chinese_zh\’, \’春秋、战国是中国历史上思想迸发的时代，在二十四节谷出现了百家争鸣的现象\’);
(n,\”noun,名词\”,二十四节谷,{simple},simple,{二十四节谷})

可见现在已经变成一个名词了。

创建索引

这里使用to_tsvector函数方式，不单独增加一列tsvector字段

create table testing(
title text
);
insert into testing values(\’春秋、战国是中国历史上思想迸发的时代，出现了百家争鸣的现象\’);
insert into testing values(\’春秋、战国是中国历史上思想迸发的时代，在二十四节谷出现了百家争鸣的现象\’);
create index ind_testing on testing using gin (to_tsvector(\’chinese_zh\’, title));

这样就可以在查询中使用中文检索了,注意当你数据量不够的时候不会走索引，会直接便利。

select * from testing where to_tsquery(\’chinese_zh\’, \’二十四节谷\’) @@ to_tsvector(\’chinese_zh\’, title);