SQL Server 全文搜索

2022-08-18 00:00:00 索引全文分词填充用词

SQL Server 的全文搜索(Full-Text Search）是基于分词的文本检索功能，依赖于全文索引。全文索引不同于传统的平衡树（B-Tree）索引和列存储索引，它是由数据表构成的，称作倒转索引（Invert Index），存储分词和行的键的映射关系。倒转索引是在创建全文索引或更新全文索引时，由SQL Server自动创建和维护的。全文索引主要包含三种分析器：分词器（Word Breaker）、词干分析器（stemmer）和同义词分析器。全文索引中存储的数据是分词及其位置等信息，分词是基于特定语言的语法规则，按照特定的符号寻找词语的边界，把文本分解为“单词”，每一个单词叫做一个分词（term)；全文索引有时会提取分词的词干，把词干的多种派生形式存储为单一词干，这个过程叫做提取词干；根据用户提供的自定义同义词列表，把相关的单词转换为同义词，这个过程叫做提取同义词。

生成全文索引是把用户表中的文本数据进行分词（Word breaker）和提取词干（Stemmer），并转换同义词（Thesaurus），过滤掉分词中的停用词（Stopword），后把处理之后的数据存储到全文索引中。把数据存储到全文数据的过程叫做填充（Populate）或爬虫（Crawl）进程，全文索引的更新方式可以手动填充，自动填充，或增量填充。

一，全文搜索的基本组件

1，分词器

分词器（Word Breaker），顾名思义，用于分词，它根据特定语言的语法规则，分割文本中的单词，分词器在拆分单词时，还会记录每个分词在字符串中的位置，分词器把分词，分词的位置，文档ID，全文索引列的序号等信息的组合，称作标记（Token）。

例如，对于语句"Kitty is a cute cat"，在全文索引填充时，分词器把该语句拆分成5个单词：Kitty，is，a，cute，cat。如果使用默认的停用词列表，那么“is”，“a”都是停用词，全文索引会把停用词丢失，只存储分词：Kitty，cute，cat。

虽然停用词不会添加到全文索引中，但是分词的位置会被考虑。“Kitty” ，“cute” 和 “cat”的Position 分别是1，4 和 5。通过分词的位置，全文搜索能够进行位置相邻的查询：两个分词之间多存在N个单词。例如，查询语句：contains(column, 'near((Kitty,cate),3)') 的含义是存在两个word，“Kitty” 和 “cate”，其大距离是3，从column中查询出包含该条件的phrase，字符串“Kitty is a cute cat.” 满足匹配条件。

2，停用词

停用字词列表（StopList）是非索引字词的列表，每个StopList中存储的分词都是不会用于搜索的分词，叫做停用词（StopWords），全文索引不会存储停用词，但是停用词所占的位置会被记录，如果对停用词进行contians查询，即使基础表（underly table）中的字段中存在该停用词，全文索引也不会返回任何数据行。通常情况下，停用词（Stopword）都是常用的单词，在语句中出现的频率十分高，过滤掉停用词，能够减少全文索引的size，提高全文查询的性能。

3，词干（Stemmer）和同义词（Thesaurus）

词干抽取器（Stemmer ）用于把同源单词转换为其根形式，能够转换为相同根形式的单词是同源的。例如，对于单词run，有很多同源的单词：

ran
running
runs
runner (perhaps)

同义词词典（Thesaurus）是一个XML文件，用于定义特定语言的同义词列表，例如，我们可以设置“Author” ， “Writer” ，“journalist”是同义词。

二，创建全文索引

创建全文索引之前，必须创建全文目录（Full-Text Catalog），全文目录用于组织全文索引，是全文索引的容器。每一个全文索引必须属于一个全文目录。全文目录是个逻辑结构，跟数据库的架构（Schema）相同，根据全文索引的存储位置无关。

create fulltext catalog catalog_test
as default;

为了创建全文索引，基础表上必须存在一个的（unique）、单列的（single-column）、非空的（non-nullable）的索引，全文引擎使用该索引把基础表上的每行数据映射索引键上，倒转索引存储的就是该索引键和分词之间的映射关系。

create unique index uidx_dbLogID 
on [dbo].[DatabaseLog]
([DatabaseLogID]);

每个表只能创建一个全文索引，创建全文索引时，必须考虑全文索引存储的文件组，全文索引关联的停用词列表，全文索引的更新方式，以及跟文本关联的语言，全文索引列必须是文本字段，例如：

create fulltext index 
on [dbo].[DatabaseLog]
(
[tsql] language 1033
)
key index ui_dbLogID
on (catalog_test,filegroup [primary]) 
with(change_tracking=off ,no population ,stoplist=system);

1，语言（language）

选项 language 是可选的，用于指定列级别的语言，该选项的值可以是语言的名称或LCID，如果没有指定language选项，那么使用SQL Server实例的默认语言。从系统视图 sys.fulltext_languages (Transact-SQL)中查看系统支持的语言及其对应的LCID 和名称。

2，全文目录（fulltext_catalog）

选项fulltext_catalog_name 用于指定全文索引的分组，

3，文件组（filegroup）

选项 filegroup filegroup_name 用于指定全文索引存储的文件组，如果没有指定文件组，那么全文索引和基础表存储在相同的文件组中。由于更新全文索引是IO密集型操作，因此，为了更快的更新全文索引，好把全文索引存储在不同于基础表的的物理硬盘或文件组上，以达到大的IO并发。

4，填充全文索引的方式

和普通的索引相同，当基础表数据更新时，全文索引必须自动更新，这是系统默认的行为，也可以配置手动更新全文索引，或者间隔特定的时间点自动更新全文索引。

选项CHANGE_TRACKING 用于指定跟全文索引列相关的数据更新（Update，Delete，或Insert）是否需要同步到全文索引，

CHANGE_TRACKING = MANUAL ：手动更新
CHANGE_TRACKING =AUTO：自动更新，默认设置，当基础表数据变化时，全文索引自动更新，
CHANGE_TRACKING =OFF , NO POPULATION：不更新，指定选项NO POPULATION，表明在创建全文索引之后，SQL Server不会更新（populate）全文索引；如果未指定选项NO POPULATION，在创建全文索引之后，SQL Server更新全文索引。

5，停用词（STOPLIST）

停用词（StopWord）也称作噪音词，每一个全文索引都会关联一个停用词列表，默认情况下，全文索引关联的是系统停用词（system stoplist）。全文引擎把停用词从分词中删除，使全文索引不会包含停用词。

STOPLIST [ = ] { OFF | SYSTEM | stoplist_name }

三，填充全文索引

填充全文索引也叫做爬虫（crawl）进程，或填充（Population）进程。由于创建或填充全文索引会消耗大量的系统（IO、内存）资源，因此尽量选择在系统空闲时对全文索引进行填充。在创建全文索引时，通过指定选项 CHANGE_TRACKING= MANUAL，或 CHANGE_TRACKING= OFF, NO POPULATION，新建的全文索引不会立即填充，用户可以选择在系统空闲时，使用 alter fulltext index 语句执行填充操作。只有填充全文索引之后，全文索引才包含基础表的分词数据。

alter fulltext index 
on table_name
start { full | incremental | update } population;

更新全文索引有三种方式：

FULL POPULATION：全部填充，从基础表中获取每一行，重新编入全文索引；
INCREMENTAL POPULATION：增量填充，前提是基础表中包含timestamp字段，从上一次填充之后，只把更新之后的数据编入全文索引；
UPDATE POPULATION：更新填充，从上一次填充之后执行更新（insert、update、或delete）操作的数据行重新编入索引；

在创建全文索引时，如果指定CHANGE_TRACKING=AUTO 或 CHANGE_TRACKING= OFF ，那么新建的全文索引会立即开始填充进程。

四，使用 contains 谓词查询全文索引

如果想要在查询中使用全文索引，通常使用CONTAINS谓词来调用全文索引，实现比LIKE关键字更复杂的文本匹配查询，而LIKE关键字是模糊匹配，不会调用全文索引。

例如，利用contains谓词执行单个分词的完全匹配查询：

select [tsql] 
from [dbo].[DatabaseLog] 
where contains([tsql], 'searchword', language 1033);

全文查询跟Like相比，速度更快，支持的搜索功能更复杂，使用contains谓词，不仅能够执行分词的完全匹配或分词的前缀匹配查询，还能够执行基于词根的查询，基于自定义同义词的查询，基于距离和顺序的相邻分词查询。但是，和Like 相比，contains谓词不能进行后缀匹配查询。

contains谓词返回的结果是布尔值，如果全文索引列中包含指定的关键字或查找模式（pattern），返回TRUE；否则，返回FALSE。

contains谓词支持word查询和短语查询，word是指单个分词，短语（phrase）是由多个word和间隔的空格组成的，对于短语，必须使用双引号，将多个word组成一个短语。

1，逻辑组合查询

使用and ，and not，或 or 逻辑运算符匹配多个word 或多个phrase

CONTAINS(Name, '"Mountain" OR "Road" ')
CONTAINS(Name, ' Mountain OR Road ')

2，前缀查询

使用contains谓词进行前缀匹配，和like 'prefix%'功能相同，只不过contains谓词使用“*”作为通配符，“*”匹配0，1或多个字符，前缀匹配的写法是：'"prefix*"'，全文索引只能执行前缀匹配。

CONTAINS(Name, ' "Chain*" ')
CONTAINS(Name, '"chain*" OR "full*"')

3，查询同义词（thesaurus）或词干（stemmer）

Stemmer（词干），例如，根据语法规程，英语的动词根据数（单数，复数），人称，时态的不同而存在不同的变化形式，这些单词都是同源的。

CONTAINS(Description, ' FORMSOF (INFLECTIONAL, ride) ')

THESAURUS （同义词），需要导入XML进行配置，SQL Server 提供一个默认的Thesaurus file，是Empty的。如果在Thesaurus file 配置“Author”，“Writer”，“journalist” 是同义词，在使用fulltext index查询时，只要满足任意一个同义词，都匹配成功。

CONTAINS(Description, ' FORMSOF (THESAURUS, author) ')

4，距离查询

使用 near 函数，查询匹配相邻分词的数据行，near函数的定义如下，用于需要在查询模式中指定距离查询的查询模式：

NEAR ( ( { <simple_term> | <prefix_term> } [ ,…n ] )  [, <maximum_distance> ] [, <match_order> ] )

例如：使用Near 函数指定相邻分词的距离和匹配顺序，near((term1,term2，term3),5)表示任意两个term之间的距离不能超过5, near((term1,term2，term3),5,true)，表示任意两个term的距离不能超过5，并且按照 term1，term2，term3的顺序存在于字符串中。

--regardless of the intervening distance and regardless of order
CONTAINS(column_name, 'NEAR(term1,"term3 term4")')
--searches for "AA" and "BB", in either order, within a maximum distance of five
CONTAINS(column_name, 'NEAR((AA,BB),5)')
--in the specified order with regardless of the distance
CONTAINS(column_name, 'NEAR ((Monday, Tuesday, Wednesday), MAX, TRUE)')

对于 near((term1,term2,term3),5,true)，term1 和 term5之间多存在5个term，不包括内部的搜索分词，“term2”，例如：

CONTAINS(column_name, 'NEAR((AA,BB,CC),5)')

这个查询会匹配下面的文本，注意，内部的搜索分词CC没有计算距离：

BB one two CC three four five AA

例如，在原文本中，分词bike和control的大距离不能超过10，分词bike必须出现在分词control的前面：

CONTAINS(Comments , 'NEAR((bike,control), 10, TRUE)')

SQL Server提供的全文搜索功能，比LIKE关键字丰富，具备初级的全文搜索功能，速度快，维护简单，缺点是，全文搜索功能非常有限，在实际的开发中，可以配合开源的全文搜索引擎，例如，Solr，Elasticsearch等来开发功能更强大的全文搜索功能。

参考文档：

Full-Text Search (SQL Server)

CONTAINS (Transact-SQL)

CREATE FULLTEXT CATALOG (Transact-SQL)

Get Started with Full-Text Search

SQLSERVER全文搜索

Improve the Performance of Full-Text Queries

相关文章