oracle 全文检索实践

前段时间，项目组长让我看一下有没有实时检索数据的方案，并说明不是用数据库模糊查询关键字like，而是像baidu那样的搜索效果，做到最大匹配。并提示我看一下lucene。

我就熟悉了下lucene，然后写了个demo，他们又说为了一个简单的查询检索，确引入了一个lucene，有点不划算。所以让我找其他的解决办法。
我找呀找，居然找到了select * from T where contains(F,'test',1)>0，这种oracle全文检索的方式，以前没见过的，貌似能解决我的问题。所以我就学习了一下oracle的全文检索。
在这里我记录了一下我的学习笔记，如果各位想要了解更全面的全文检索要点，请看这篇博客，讲的很详细，我认为非常非常的好。

http://yangtingkun.itpub.net/post/468/246823

1.oracle text
首先这里说oracle 全文检索，是针对我机器上的oracle 10g版本的。至少 10g 或以上的版本 适合这样来使用。

oracle 的全文检索，操作步骤为：将表中需要检索的字段，创建为全文检索的索引，然后通过select * from T where contains(F,'test',1)>0的语句进行全文检索，达到预期效果。

然后，oracle全文检索还是很强大的，能够检索文本啊、还有其他多种格式的文档。我做的测试只是针对数据库中的某一个字段的检索。比如针对地址表中的地址进行检索。

2.准备操作
首先，先建一个表用于测试，在名为testuser用户下建表。


Sql代码  收藏代码
create table YU_TEST( 
    id number, 
    name varchar2(50) 
); 

插入测试数据


Sql代码  收藏代码
insert into YU_TEST values(1,'重庆市沙坪坝区'); 
insert into YU_TEST values(2,'成都市青羊区'); 
insert into YU_TEST values(3,'北京市西城区'); 
insert into YU_TEST values(4,'重庆市两江新区'); 
insert into YU_TEST values(5,'上海市浦东新区金桥镇'); 
insert into YU_TEST values(6,'上海东方明珠'); 
insert into YU_TEST values(7,'江苏省无锡市国家软件园'); 
insert into YU_TEST values(8,'成都市天府软件园'); 



oracle全文检索需要ctxsys用户的支持，其实主要是需要使用ctxsys用户下的ctx_ddl这个包，这个包中绝大部分过程的创建都与全文检索有关。

首先需要对ctxsys用户解锁，以获得ctx_ddl包的操作权。
进入system用户，输入如下命令，解锁ctxsys用户


Sql代码  收藏代码
alter user ctxsys account unlock; 

然后将ctx_ddl包的操作权限赋给testuser用户。
也是在system用户下，输入如下命令，赋予目标用户ctx_ddl包操作权限


Sql代码  收藏代码
grant execute on ctx_ddl to testuser; 

至此，准备工作已经完成了

3.创建分析器
oracle text的分析器，类似于lucene中的分词器，将需要检索的记录，按照一定的方式进行词组拆分，然后存放在索引表中。检索的时候根据索引表中存放的拆分词组，对传入的关键字进行匹配，并返回匹配结果。
oracle text中的分析器有3种：

basic_lexer：只能根据空格和标点来进行拆分。比如“中国重庆”，只能拆分为“中国重庆”一个词组
chinese_vgram_lexer：专门的汉语分析器，按字单元进行拆分，比如“中国重庆”，可以拆分为“中”、“中国“、”国重”、“重庆”、“庆”五个词组。这种方式的好处是能够将所有有可能的词组全部保存进索引表，使得数据不会遗漏。
chinese_lexer：一种新的汉语分析器，能够认识大部分常用的汉语词汇，并按常用词汇进行拆分存储。比如“中国重庆”，只会被拆分为“中国”、“重庆”两个词组。

这里我使用chinese_lexer这个分词器，用testuser用户登录，执行下面的命令，创建分析器。


Sql代码  收藏代码
exec ctx_ddl.create_preference ('my_lexer', 'chinese_lexer'); 


这句话的意思是，创建一个“chinese_lexer”分析器，名称为my_lexer。

4.创建过滤词组
在我们建索引的时候，通常需要对一些常用的词组进行过滤，比如对公司名称进行检索时，肯定不希望输入“有限公司”、“公司”等关键词时，也会有搜索结果。
用testuser用户登录，执行下面的命令，创建过滤词组


Sql代码  收藏代码
exec ctx_ddl.create_stoplist('my_stoplist'); 


创建过滤词组成功以后，需要自定义需要过滤的词组



Sql代码  收藏代码
ctx_ddl.add_stopword('my_stoplist','有限公司'); 
ctx_ddl.add_stopword('my_stoplist','股份有限公司'); 

意思就是，创建了一个名为“my_stoplist”的过滤词组，“有限公司”、“股份有限公司”这两个词组不会被创建为索引

5.创建索引
其实前面的工作，都是为创建索引做准备的。
我要对YU_TEST表中的name字段进行检索，首先必须对name字段创建索引。
这里需要注意的是，name字段不能为nvarchar2类型，并且这个表的主键也不能为nvarchar2型，否则无法创建索引。


Sql代码  收藏代码
create index YU_TEST_INDEX on YU_TEST(name) indextype is CTXSYS.CONTEXT parameters('lexer my_lexer stoplist my_stoplist'); 

这句话的意思就是，在YU_TEST_INDEX表中的name字段上创建索引，索引类系那个为context类型，该索引用到的分析器为前面定义的my_lexer，该索引用到的过滤词组为前面定义得my_stoplist。

索引创建成功后，你回发现，在当前用户的表中，多了四个表



其中YU_TEST表中name字段被拆分后的词组保存在DR$YU_TEST_INDEX$I表中



这样可以看见索引的详细信息。

6.使用索引


Sql代码  收藏代码
select * from YU_TEST where contains(name,'重庆')>0; 

  可以用contains来使用oracle的全文检索。
这样查出来的数据是没有经过排序的，有时候我们的需求是按照关键字的匹配程度排序，使用下面的语句：

Sql代码  收藏代码
select score(1),y.* from YU_TEST y where contains(name,'重庆',1)>0 order by score(1) desc; 

这里的score是oracle全文检索对关键字的匹配程度所计算的分数，contains里的最后一个参数“1”就是对这个分数的一个标识

7.索引优化
前面已经能够进行检索了，现在就是对索引进行优化
当我们需要修改YU_TEST表中的数据，比如添加、删除、更新等操作时，YU_TEST_INDEX索引是不会同步更新数据的，需要我们在程序中手动的更新，可以写一个oracle的触发器，当添加、删除、修改操作时，进行索引更新。也可以定时进行更新。
索引同步：

Sql代码  收藏代码
exec ctx_ddl.sync_index('yu_test_index') 

索引优化：

Sql代码  收藏代码
exec ctx_ddl.optimize_index('yu_test_index','full') 

8.用户输入关键词切词

在执行检索的时候会发现这样的问题




表中存在两条“重庆”相关的记录和一条“天府”相关的记录，但是我传入“重庆天府”关键字时，确检索不出记录，这显然不是我们想要的结果，因为我们需要的是最大程度的匹配，传入“重庆天府”时应该同时检索出“重庆”相关和“天府”相关的信息。
要实现这种效果，需要用到oracle 10g的新特性，可以将传入的关键词先进行切词，然后在进行检索。
首先需要先创建一个POLICY过程

Sql代码  收藏代码
exec CTX_DDL.CREATE_POLICY('MY_POLICY', LEXER => 'my_lexer'); 

这里创建了一个名称为my_policy的policy过程，分析器用到了前面创建的my_lexer分析器

写一个oracle函数，来处理关键词切词：
Sql代码  收藏代码
create or replace function p_split_chinese(p_input in varchar2) 
    return varchar2 as  
       v_tab CTX_DOC.TOKEN_TAB; 
       v_return VARCHAR2(323767); 
    begin 
       CTX_DOC.POLICY_TOKENS('my_policy',p_input,v_tab); 
       for i in 1..v_tab.count loop 
          v_return := v_return || ',' || v_tab[i].token; 
       end loop; 
       return LTRIM(v_return,','); 
     end; 
/ 

在plsql 中执行这个函数


这样就可以将关键词切词，在程序中直接将这个切词结果，进行检索。



可以看到这里显示的只有“天府”相关的信息，那么“重庆”相关的呢？
先看一下DR$YU_TEST_INDEX$I表中的结构。






发现token_text字段中，只有重庆市、北京市这些词，而没有重庆、北京之类的
所以会发现，oracle全文检索的chinese lexer分析器，对"重庆市"，只会认为这只有一个词组，而不会把“重庆市”分为“重庆”和“重庆市”。
所以，如果需要比较精确的检索到结果，还是chinese_vgram_lexer分析器最好用，能够匹配到所有的词组。