ArteryBase-模糊匹配大杀器
问题背景
随着pg越来越强大,abase目前已经升级到5.0(postgresql10.4),目前abase5.0继承了全文检索插件(zhparser),使用全文检索越来越方便。本文会对abase支持的like模糊匹配,全文检索,创建何种索引,如何使用进行说明。针对于各种模糊匹配均可走索引
前模糊匹配(%xxx),后模糊匹配(xxx%)
使用场景:如果简单的前模糊匹配或者后模糊匹配则可以建一个简单的btree索引。
--1.后模糊匹配(xxx%)
create index i_t_msys_btrre_c_ajmc on db_msys.t_msys using btree(c_ajmc text_pattern_ops);
CREATE INDEX
Time: 4189.886 ms (00:04.190)
db_15fb=# select c_ajmc from db_msys.t_msys where c_ajmc like '北京%';
c_ajmc
------------------------
北京决定和华宇
北京和华宇信息
北京
北京华宇,北京华宇
、、、
db_15fb=# explain analyze select c_ajmc from db_msys.t_msys where c_ajmc like '北京%';
QUERY PLAN
-------------------------------------------------------------------------
Bitmap Heap Scan on t_msys (cost=43.92..2177.91 rows=4204 width=80) (actual time=0.570..2.667 rows=1570 loops=1)
Filter: ((c_ajmc)::text ~~ '北京%'::text)
Heap Blocks: exact=500
-> Bitmap Index Scan on i_t_msys_btrre_c_ajmc (cost=0.00..42.87 rows=632 width=0) (actual time=0.477..0.477 rows=1570 loops=1)
Index Cond: (((c_ajmc)::text ~>=~ '北京'::text) AND ((c_ajmc)::text ~<~ '北亭'::text))
Planning time: 0.956 ms
Execution time: 2.841 ms
(7 rows)
Time: 4.848 ms
--2.前模糊匹配(%xxx),查询以c_ajmc以信息结尾的记录,使用反转函数reverse
db_15fb=# create index i_t_msys_reverse_c_ajmc on db_msys.t_msys using btree(reverse(c_ajmc) text_pattern_ops);
CREATE INDEX
Time: 4011.131 ms (00:04.011)
--查询以张三结尾的信息
db_15fb=# select c_ajmc from db_msys.t_msys where reverse(c_ajmc) like reverse('%张三');
c_ajmc
----------
华宇张三
北京张三
(2 rows)
Time: 0.910 ms
--前模糊匹配也可走索引
db_15fb=# explain analyze select c_ajmc from db_msys.t_msys where reverse(c_ajmc) like reverse('%张三');
QUERY PLAN
-------------------------------------------------------------------------
Bitmap Heap Scan on t_msys (cost=114.86..5312.88 rows=1787 width=80) (actual time=0.064..0.066 rows=2 loops=1)
Filter: (reverse((c_ajmc)::text) ~~ '三张%'::text)
Heap Blocks: exact=1
-> Bitmap Index Scan on i_t_msys_reverse_c_ajmc (cost=0.00..114.42 rows=1787 width=0) (actual time=0.042..0.042 rows=2 loops=1)
Index Cond: ((reverse((c_ajmc)::text) ~>=~ '三张'::text) AND (reverse((c_ajmc)::text) ~<~ '三弡'::text))
Planning time: 0.236 ms
Execution time: 0.148 ms
(7 rows)
Time: 1.211 ms
--或者使用like '三张%'等效于 reverse('%张三')
db_15fb=# explain analyze select c_ajmc from db_msys.t_msys where reverse(c_ajmc) like '三张%';
QUERY PLAN
-------------------------------------------------------------------------
Bitmap Heap Scan on t_msys (cost=114.86..5312.88 rows=1787 width=80) (actual time=0.056..0.058 rows=2 loops=1)
Filter: (reverse((c_ajmc)::text) ~~ '三张%'::text)
Heap Blocks: exact=1
-> Bitmap Index Scan on i_t_msys_reverse_c_ajmc (cost=0.00..114.42 rows=1787 width=0) (actual time=0.036..0.036 rows=2 loops=1)
Index Cond: ((reverse((c_ajmc)::text) ~>=~ '三张'::text) AND (reverse((c_ajmc)::text) ~<~ '三弡'::text))
Planning time: 0.259 ms
Execution time: 0.108 ms
(7 rows)
Time: 1.119 ms
前模糊匹配的原理是将数据反转存储,查询时字段需要反转,输入的值也需要反转。 原理和前模糊匹配一样。
全模糊匹配(%xxx%)-三元组匹配pg_trgm
使用场景:pg_trgm支持前模糊匹配,后模糊匹配以及全模糊匹配,但是全模糊匹配至少要三个字符才会走索引,在全模糊匹配不少于三个字符的场景才生效(abase一个汉字为一个字符),也就是like ‘%xxx%’不能少于三个汉字。
pg_trgm的扩展abase也是自带的,如果不能使用可以尝试先删除扩展,然后在创建扩展
--查看安装扩展
db_sqlfx=# select * from pg_extension;
extname | extowner | extnamespace | extrelocatable | extversion | extconfig | extcondition
--------------+----------+--------------+----------------+------------+--
plpgsql | 10 | 11 | f | 1.0 | |
uuid-ossp | 10 | 2200 | t | 1.1 | |
adminpack | 10 | 11 | f | 1.1 | |
postgres_fdw | 10 | 2200 | t | 1.0 | |
file_fdw | 10 | 2200 | t | 1.0 | |
pg_prewarm | 10 | 2200 | t | 1.1 | |
btree_gin | 10 | 2200 | t | 1.2 | |
zhparser | 10 | 2200 | t | 1.0 | |
pg_trgm | 10 | 2200 | t | 1.3 | |
(9 rows)
--如果没有则可以创建扩展:
create extension pg_trgm;
--删除扩展
drop extension pg_trgm;
--c_ajmc创建gin索引
db_15fb=# create index i_t_msys_gin_c_ajmc on db_msys.t_msys using gin(c_ajmc gin_trgm_ops);
CREATE INDEX
Time: 25013.192 ms (00:25.013)
--查询'洞庭湖'
db_15fb=# select c_ajmc from db_msys.t_msys where c_ajmc like ('%洞庭湖%');
c_ajmc
----------------
测试洞庭湖数据
(1 row)
Time: 1.005 ms
--全模糊匹配可走索引
db_15fb=# explain analyze select c_ajmc from db_msys.t_msys where c_ajmc like ('%洞庭湖%');
QUERY PLAN
-------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on t_msys (cost=24.27..159.92 rows=35 width=80) (actual time=0.088..0.088 rows=1 loops=1)
Recheck Cond: ((c_ajmc)::text ~~ '%洞庭湖%'::text)
Heap Blocks: exact=1
-> Bitmap Index Scan on i_t_msys_gin_c_ajmc (cost=0.00..24.27 rows=35 width=0) (actual time=0.069..0.069rows=1 loops=1)
Index Cond: ((c_ajmc)::text ~~ '%洞庭湖%'::text)
Planning time: 0.404 ms
Execution time: 0.152 ms
(7 rows)
Time: 1.263 ms
--后模糊匹配,需要先删除前面的btree,默认会走btree因为代价比gin低,(需要注意的是pg_trgm的后模糊匹配至少需要提供一个字符才会走,前模糊匹配需要提供两个字符)
drop index i_t_msys_btrre_c_ajmc;
db_15fb=# explain analyze select c_ajmc from db_msys.t_msys where c_ajmc like ('北京%');
QUERY PLAN
-------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on t_msys (cost=72.58..9791.59 rows=4204 width=80) (actual time=1.058..4.993 rows=1570 loo
ps=1)
Recheck Cond: ((c_ajmc)::text ~~ '北京%'::text)
Rows Removed by Index Recheck: 855
Heap Blocks: exact=989
-> Bitmap Index Scan on i_t_msys_gin_c_ajmc (cost=0.00..71.53 rows=4204 width=0) (actual time=0.869..0.8
69 rows=2425 loops=1)
Index Cond: ((c_ajmc)::text ~~ '北京%'::text)
Planning time: 0.589 ms
Execution time: 5.160 ms
(8 rows)
Time: 6.658 ms
--使用gin索引 前模糊匹配
db_15fb=# explain analyze select c_ajmc from db_msys.t_msys where c_ajmc like ('%合同纠纷');
QUERY PLAN
-------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on t_msys (cost=1220.09..19633.34 rows=126980 width=80) (actual time=62.980..298.705 rows=166872 loops=1)
Recheck Cond: ((c_ajmc)::text ~~ '%合同纠纷'::text)
Rows Removed by Index Recheck: 12
Heap Blocks: exact=16654
-> Bitmap Index Scan on i_t_msys_gin_c_ajmc (cost=0.00..1188.35 rows=126980 width=0) (actual time=58.905..58.905 rows=166886 loops=1)
Index Cond: ((c_ajmc)::text ~~ '%合同纠纷'::text)
Planning time: 0.623 ms
Execution time: 309.385 ms
(8 rows)
Time: 311.072 ms
--使用btree的反转函数
db_15fb=# explain analyze select c_ajmc from db_msys.t_msys where reverse(c_ajmc) like reverse('%合同纠纷'); QUERY PLAN
-------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on t_msys (cost=114.86..5312.88 rows=1787 width=80) (actual time=51.135..289.537 rows=166872 loops=1)
Filter: (reverse((c_ajmc)::text) ~~ '纷纠同合%'::text)
Heap Blocks: exact=16654
-> Bitmap Index Scan on i_t_msys_reverse_c_ajmc (cost=0.00..114.42 rows=1787 width=0) (actual time=46.970..46.970 rows=166874 loops=1)
Index Cond: ((reverse((c_ajmc)::text) ~>=~ '纷纠同合'::text) AND (reverse((c_ajmc)::text) ~<~ '纷纠吉'::text))
Planning time: 0.268 ms
Execution time: 301.174 ms
(7 rows)
Time: 302.413 ms
可以看出前模糊匹配使用gin和btree都可以走索引,gin和btree的效率相差不大,但是gin索引大小比btree大,且创建耗费时间
pg_trgm扩展的前模糊匹配和后模糊匹配也均可走索引,后模糊匹配btree的效率比gin要高。
全文检索-zhparser
使用场景:单个字段全文检索,多字段全文检索,行级全文检索
目前abase5.0自带了全文检索支持,使用select * from pg_extension可以看到zhparser的扩展。在abase5.0以前需要手动安装
--查看安装扩展
db_sqlfx=# select * from pg_extension;
extname | extowner | extnamespace | extrelocatable | extversion | extconfig | extcondition
--------------+----------+--------------+----------------+------------+-----------+--------------
plpgsql | 10 | 11 | f | 1.0 | |
uuid-ossp | 10 | 2200 | t | 1.1 | |
adminpack | 10 | 11 | f | 1.1 | |
postgres_fdw | 10 | 2200 | t | 1.0 | |
file_fdw | 10 | 2200 | t | 1.0 | |
pg_prewarm | 10 | 2200 | t | 1.1 | |
btree_gin | 10 | 2200 | t | 1.2 | |
zhparser | 10 | 2200 | t | 1.0 | |
pg_trgm | 10 | 2200 | t | 1.3 | |
(9 rows)
--如果没有则可以创建扩展:
db_15fb=# create extension zhparser;
CREATE EXTENSION
--创建使用zhparser作为解析器的全文搜索的配置
db_15fb=# create text search configuration testzhcfg(parser = zhparser);
CREATE TEXT SEARCH CONFIGURATION
--往全文搜索配置中增加token映射
db_15fb=# alter text search configuration testzhcfg add mapping for n,v,a,i,e,l with simple;
ALTER TEXT SEARCH CONFIGURATION
上面的token映射只映射了名词(n),动词(v),形容词(a),成语(i),叹词(e)和习用语(l)6种,这6种以外的token全部被屏蔽。词典使用的是内置的simple词典,即仅做小写转换。根据需要可以灵活定义词典和token映射,以实现屏蔽词和同义词归并等功能。
--分词效果
db_15fb=# select to_tsvector('testzhcfg','南京市长江大桥');
to_tsvector
----------------------------------------------------------------------------------------
'南京':2 '南京市':1 '大':9 '大桥':6 '市':3 '桥':10 '江':8 '长':7 '长江':5 '长江大桥':4
(1 row)
全文检索查询
--c_ajmc创建索引,可以看出创建gin索引相比btree是比较耗时的
db_15fb=# create index i_t_msys_c_ajmc on db_msys.t_msys using gin(to_tsvector('testzhcfg',c_ajmc));
CREATE INDEX
Time: 32601.072 ms (00:32.601)
--查询c_ajmc包含北京华宇,to_tsquery('testzhcfg','北京华宇')
db_15fb=# select c_baah,c_ajmc from db_msys.t_msys where to_tsvector('testzhcfg',c_ajmc)@@to_tsquery('testzhcfg','北京华宇');
c_baah | c_ajmc
---------------+----------------------
华宇 | 北京决定和华宇
测试案号 | 测试北京与华宇xx纠纷
北京五环之歌 | 北京和华宇信息
(2018)xxxxxx1 | 北京出席华宇科技
测试案号华宇 | 北京华宇
(5 rows)
Time: 1.927 ms
db_15fb=# explain analyze select c_baah,c_ajmc from db_msys.t_msys where to_tsvector('testzhcfg',c_ajmc)@@to_tsquery('testzhcfg','北京华宇');
QUERY PLAN
-------------------------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on t_msys (cost=56.00..60.26 rows=1 width=106) (actual time=0.989..1.004 rows=3 loops=1)
Recheck Cond: (to_tsvector('testzhcfg'::regconfig, (c_ajmc)::text) @@ '''北京'' & ''华宇'' & ''华'' & ''宇'''::tsquery)
Heap Blocks: exact=5
-> Bitmap Index Scan on i_t_msys_c_ajmc (cost=0.00..56.00 rows=1 width=0) (actual time=0.971..0.971 rows=13 loops=1)
Index Cond: (to_tsvector('testzhcfg'::regconfig, (c_ajmc)::text) @@ '''北京'' & ''华宇'' & ''华'' & ''宇'''::tsquery)
Planning time: 0.275 ms
Execution time: 1.055 ms
(7 rows)
Time: 2.290 ms
--to_tsquery('testzhcfg','北京华宇')等效于to_tsquery('testzhcfg','北京&华宇')
db_15fb=# select c_baah,c_ajmc from db_msys.t_msys where to_tsvector('testzhcfg',c_ajmc)@@to_tsquery('testzhcfg','北京&华宇');
c_baah | c_ajmc
---------------+----------------------
华宇 | 北京决定和华宇
测试案号 | 测试北京与华宇xx纠纷
北京五环之歌 | 北京和华宇信息
(2018)xxxxxx1 | 北京出席华宇科技
测试案号华宇 | 北京华宇
(5 rows)
Time: 2.037 ms
db_15fb=# explain analyze select c_baah,c_ajmc from db_msys.t_msys where to_tsvector('testzhcfg',c_ajmc)@@to_tsquery('testzhcfg','北京&华宇');
QUERY PLAN
---------------------------------------------------------------------------------------
Bitmap Heap Scan on t_msys (cost=56.00..60.26 rows=1 width=106) (actual time=0.941..0.958 rows=5 loops=1)
Recheck Cond: (to_tsvector('testzhcfg'::regconfig, (c_ajmc)::text) @@ '''北京'' & ''华宇'' & ''华'' & ''宇'''::tsquery)
Heap Blocks: exact=5
-> Bitmap Index Scan on i_t_msys_c_ajmc (cost=0.00..56.00 rows=1 width=0) (actual time=0.921..0.921 rows=15 loops=1)
Index Cond: (to_tsvector('testzhcfg'::regconfig, (c_ajmc)::text) @@ '''北京'' & ''华宇'' & ''华'' &
''宇'''::tsquery)
Planning time: 0.295 ms
Execution time: 1.008 ms
(7 rows)
Time: 2.070 ms
--包含'北京'或者'华宇'的:to_tsquery('testzhcfg','北京|华宇')
db_15fb=# select c_baah,c_ajmc from db_msys.t_msys where to_tsvector('testzhcfg',c_ajmc)@@to_tsquery('testzhcfg','北京|华宇');
c_baah | c_ajmc
---------------------------+--------------
北京科技园 | 华宇信息
华宇 | 北京决定和华宇
测试案号 | 测试北京与华宇xx纠纷
北京五环之歌 | 北京和华宇信息
(2017)xx民初xx号 | 华宇
(2017)xx民初xx号 | 北京
...
Time: 10.426 ms
db_15fb=# explain analyze select c_baah,c_ajmc from db_msys.t_msys where to_tsvector('testzhcfg',c_ajmc)@@to_tsquery('testzhcfg','北京|华宇');
QUERY PLAN
-------------------------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on t_msys (cost=69.85..5710.15 rows=1787 width=106) (actual time=2.269..7.338 rows=2941 loops=1)
Recheck Cond: (to_tsvector('testzhcfg'::regconfig, (c_ajmc)::text) @@ '''北京'' | ''华宇'' & ''华'' & ''宇'''::tsquery)
Heap Blocks: exact=1355
-> Bitmap Index Scan on i_t_msys_c_ajmc (cost=0.00..69.41 rows=1787 width=0) (actual time=2.034..2.034 rows=2954 loops=1)
Index Cond: (to_tsvector('testzhcfg'::regconfig, (c_ajmc)::text) @@ '''北京'' | ''华宇'' & ''华'' & ''宇'''::tsquery)
Planning time: 0.268 ms
Execution time: 7.565 ms
(7 rows)
Time: 8.655 ms
这里查询的结果包含了北京和华宇,如果想让只查询包含'北京'和'华宇'中间不包含其他名词或动词等,可使用phraseto_tsquery,此处不管是'北京华宇','北京|华宇','北京&华宇'结果都一样。
db_15fb=# select c_baah,c_ajmc from db_msys.t_msys where to_tsvector('testzhcfg',c_ajmc)@@phraseto_tsquery('testzhcfg','北京华宇');
c_baah | c_ajmc
--------------+----------------------
测试案号 | 测试北京与华宇xx纠纷
北京五环之歌 | 北京和华宇信息
测试案号华宇 | 北京华宇
(3 rows)
Time: 2.203 ms
db_15fb=# explain analyze select c_baah,c_ajmc from db_msys.t_msys where to_tsvector('testzhcfg',c_ajmc)@@phraseto_tsquery('testzhcfg','北京华宇');
QUERY PLAN
------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on t_msys (cost=56.00..60.26 rows=1 width=106) (actual time=1.147..1.258 rows=3 loops=1)
Recheck Cond: (to_tsvector('testzhcfg'::regconfig, (c_ajmc)::text) @@ '''北京'' <-> ''华宇'' <-> ''华'' <-> ''宇'''::tsquery)
Rows Removed by Index Recheck: 2
Heap Blocks: exact=5
-> Bitmap Index Scan on i_t_msys_c_ajmc (cost=0.00..56.00 rows=1 width=0) (actual time=1.016..1.016 rows=15 loops=1)
Index Cond: (to_tsvector('testzhcfg'::regconfig, (c_ajmc)::text) @@ '''北京'' <-> ''华宇'' <-> ''华'' <-> ''宇'''::tsquery)
Planning time: 0.333 ms
Execution time: 1.307 ms
(8 rows)
但是结果中包含了'测试北京与华宇xx纠纷','北京和华宇信息',原因是token映射中忽略了名词(n),动词(v),形容词(a),成语(i),叹词(e)和习用语(l)6种以外的词。如果需要可以加入其中那样就可以更加精确匹配出'北京华宇'
--不包含'与'
ALTER TEXT SEARCH CONFIGURATION testzhcfg ADD MAPPING FOR n,v,a,i,e,l WITH simple;
db_sqlfx=# select to_tsvector('testzhcfg','北京与华宇');
to_tsvector
---------------------------------
'北京':1 '华':3 '华宇':2 '宇':4
(1 row)
--将所有词性全部影射出后就就包含'与'
ALTER TEXT SEARCH CONFIGURATION testzhcfg ADD MAPPING FOR a,b,c,d,e,f,g,h,i,j,k,l,m,n,o,p,q,r,s,t,u,v,w,x,y,z WITH simple;
db_sqlfx=# select to_tsvector('testzhcfg','北京与华宇')
;
to_tsvector
------------------------------------------------------
'与':4 '京':3 '北':2 '北京':1 '华':6 '华宇':5 '宇':7
(1 row)
--'北京'和'华宇'中间不包含任何词,结果包含'北京华宇'
ALTER TEXT SEARCH CONFIGURATION testzhcfg alter MAPPING FOR a,b,c,d,e,f,g,h,i,j,k,l,m,n,o,p,q,r,s,t,u,v,w,x,y,z WITH simple;
db_15fb=# select c_baah,c_ajmc from db_msys.t_msys where to_tsvector('testzhcfg',c_ajmc)@@phraseto_tsquery('testzhcfg','北京华宇');
c_baah | c_ajmc
------------------------+----------------------
(2017)川0191民初3198号 | 测试北京华宇信息技术
(2017)川0191民初9022号 | 测试北京华宇xxx
(2 rows)
Time: 1.347 ms
多字段全文检索
前面是单个字段的全文检索,如果我需要对多个字段做全文检索如何做呢?
比如我需要对案号,案件名称等字段 查询其中包含‘北京’的行。由于pg_trgm是三元组匹配,所以这个地方就不能实现。
ALTER TEXT SEARCH CONFIGURATION testzhcfg ADD MAPPING FOR n,v,a,i,e,l WITH simple;
--针对多个字段的函数索引
创建函数索引,需要将函数修改为稳定状态(immutable)
db_15fb=# create or replace function f1(regconfig,text) returns tsvector as $$
select to_tsvector($1,$2);
$$ language sql immutable strict;
CREATE FUNCTION
Time: 13.580 ms
db_15fb=# create or replace function f1(text) returns tsvector as $$
select to_tsvector($1);
$$ language sql immutable strict;
CREATE FUNCTION
Time: 17.822 ms
db_15fb=# alter function record_out(record) immutable;
ALTER FUNCTION
Time: 20.823 ms
db_15fb=# alter function textin(cstring) immutable;
ALTER FUNCTION
Time: 15.078 ms
--创建c_baah,c_ajmc字段索引
db_15fb=# create index i_t_msys_ah_ajmc on db_msys.t_msys using gin(f1('testzhcfg'::regconfig,c_baah||c_ajmc::text));
CREATE INDEX
Time: 38587.146 ms (00:38.587)
--查询c_baah,c_ajmc包含'北京'和'华宇'的记录,等效于to_tsquery('testzhcfg','北京华宇') ; to_tsquery('北京&华宇')效率稍高
db_15fb=# select c_baah,c_ajmc from db_msys.t_msys where f1('testzhcfg'::regconfig,c_baah||c_ajmc::text) @@ to_tsquery('北京&华宇') ;
c_baah | c_ajmc
---------------+----------------------
北京科技园 | 华宇信息
华宇 | 北京决定和华宇
测试案号 | 测试北京与华宇xx纠纷
北京五环之歌 | 北京和华宇信息
(2018)xxxxxx1 | 北京出席华宇科技
测试案号华宇 | 北京华宇
(6 rows)
Time: 1.222 ms
db_15fb=# explain analyze select c_baah,c_ajmc from db_msys.t_msys where f1('testzhcfg'::regconfig,c_baah||c_ajmc::text) @@ to_tsquery('北京&华宇') ;
QUERY PLAN
---------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on t_msys (cost=32.32..72.33 rows=9 width=106) (actual time=0.184..0.197 rows=6 loops=1)
Recheck Cond: (to_tsvector('testzhcfg'::regconfig, ((c_baah)::text || (c_ajmc)::text)) @@ to_tsquery('北京&华宇'::text))
Heap Blocks: exact=3
-> Bitmap Index Scan on i_t_msys_ah_ajmc (cost=0.00..32.32 rows=9 width=0) (actual time=0.163..0.163 rows=7 loops=1)
Index Cond: (to_tsvector('testzhcfg'::regconfig, ((c_baah)::text || (c_ajmc)::text)) @@ to_tsquery('北京&华宇'::text))
Planning time: 0.329 ms
Execution time: 0.251 ms
(7 rows)
Time: 1.396 ms
----查询c_baah,c_ajmc包含'北京'或'华宇'的记录
db_15fb=# select c_baah,c_ajmc from db_msys.t_msys where f1('testzhcfg'::regconfig,c_baah||c_ajmc::text) @@ to_tsquery('北京|华宇') ;
c_baah | c_ajmc
---------------------------+--------------------
北京科技园 | 华宇信息
华宇 | 北京决定和华宇
测试案号 | 测试北京与华宇xx纠纷
北京五环之歌 | 北京和华宇信息
北京奥运 | 之歌
(2017)xxxxx民初xxxx号 | 华宇
(2017)xxxx1民初xxxx号 | 北京
...未显示完全
Time: 9.965 ms
db_15fb=# explain analyze select c_baah,c_ajmc from db_msys.t_msys where f1('testzhcfg'::regconfig,c_baah||c_ajmc::text) @@ to_tsquery('北京|华宇') ;
QUERY PLAN
--------------------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on t_msys (cost=63.89..10564.67 rows=3566 width=106) (actual time=1.104..6.190 rows=2942 loops=1)
Recheck Cond: (to_tsvector('testzhcfg'::regconfig, ((c_baah)::text || (c_ajmc)::text)) @@ to_tsquery('北京|华宇'::text))
Heap Blocks: exact=1353
-> Bitmap Index Scan on i_t_msys_ah_ajmc (cost=0.00..62.99 rows=3566 width=0) (actual time=0.853..0.853 rows=2944 loops=1)
Index Cond: (to_tsvector('testzhcfg'::regconfig, ((c_baah)::text || (c_ajmc)::text)) @@ to_tsquery('北京|华宇'::text))
Planning time: 0.285 ms
Execution time: 6.429 ms
(7 rows)
Time: 7.670 ms
--查询'北京华宇'
db_15fb=# select c_baah,c_ajmc from db_msys.t_msys where f1('testzhcfg'::regconfig,c_baah||c_ajmc::text) @@ phraseto_tsquery('testzhcfg','北京华宇') ;
c_baah | c_ajmc
------------------------+----------------------
(2017)川0191民初3198号 | 测试北京华宇信息技术
(2017)川0191民初9022号 | 测试北京华宇xxx
(2 rows)
Time: 1.786 ms
行级全文检索
比如需要在所有列中找到匹配'北京'的值
使用t_msys::text可以将行转成一个大文本。
--创建行级全文检索
db_15fb=# create index i_t_msys_all on db_msys.t_msys using gin(f1('testzhcfg'::regconfig,t_msys::text));
CREATE INDEX
Time: 128538.026 ms (02:08.538)
--查询所有字段包含'北京'的情况
db_15fb=# select c_jksxcsmc,c_baah,c_ajmc from db_msys.t_msys where to_tsvector('testzhcfg'::regconfig,t_msys::text)@@to_tsquery('北京');
c_jksxcsmc | c_baah | c_ajmc
----------------------------+---------------------------+-------------------------------------------------------------------------
南京xx信息技术有限公司 | 北京科技园 | 华宇信息
南京xx信息技术有限公司 | 华宇 | 北京决定和华宇
南京xx信息技术有限公司 | 测试案号 | 测试北京与华宇xx纠纷
南京xx信息技术有限公司 | 北京五环之歌 | 北京和华宇信息
南京xx信息技术有限公司 | 北京奥运 | 之歌
北京华宇信息技术有限公司 | 测试数据 | 测试数据
测试北京信息技术 | 测试数据 | 测试数据
...
Time: 10.382 ms
db_15fb=# explain analyze select c_jksxcsmc,c_baah,c_ajmc from db_msys.t_msys where to_tsvector('testzhcfg'::regconfig,t_msys::text)@@to_tsquery('北京');
QUERY PLAN
----------------------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on t_msys (cost=38.10..6134.09 rows=1787 width=146) (actual time=1.014..6.792 rows=2841 loops=1)
Recheck Cond: (to_tsvector('testzhcfg'::regconfig, (t_msys.*)::text) @@ to_tsquery('北京'::text))
Heap Blocks: exact=1281
-> Bitmap Index Scan on i_t_msys_all (cost=0.00..37.66 rows=1787 width=0) (actual time=0.788..0.788 rows=2843 loops=1)
Index Cond: (to_tsvector('testzhcfg'::regconfig, (t_msys.*)::text) @@ to_tsquery('北京'::text))
Planning time: 0.312 ms
Execution time: 7.056 ms
(7 rows)
Time: 8.364 ms
权重排序
查询术语在文档中出现的频率,术语在文档中的接近程度,以及文档中出现的部分的重要性
--c_ajmc根据权重排序
db_15fb=# select c_ajmc,ts_rank(to_tsvector('testzhcfg',c_ajmc),to_tsquery('testzhcfg','北京华宇')) rank
from db_msys.t_msys where to_tsvector('testzhcfg',c_ajmc) @@to_tsquery('testzhcfg','北京华宇')
order by rank desc
;
c_ajmc | rank
----------------------+----------
北京华宇,北京华宇 | 0.910206
测试北京与华宇xx纠纷 | 0.463622
北京和华宇信息 | 0.463622
北京华宇 | 0.463622
北京决定和华宇 | 0.457134
北京出席华宇科技 | 0.457134
(6 rows)
Time: 2.179 ms
--c_baah,c_ajmc多字段权重排序
db_15fb=# select c_baah,c_ajmc,ts_rank(f1('testzhcfg'::regconfig,c_baah||c_ajmc::text),to_tsquery('北京&华宇')) rank
db_15fb-# from db_msys.t_msys where f1('testzhcfg'::regconfig,c_baah||c_ajmc::text) @@to_tsquery('北京&华宇')
db_15fb-# order by rank desc;
c_baah | c_ajmc | rank
-------------------+----------------------+-----------
北京华宇,北京华宇 | 北京华宇,北京华宇 | 0.733734
测试案号华宇 | 北京华宇 | 0.186813
华宇 | 北京决定和华宇 | 0.185238
北京五环之歌 | 北京和华宇信息 | 0.181526
测试案号 | 测试北京与华宇xx纠纷 | 0.0991032
(2018)xxxxxx1 | 北京出席华宇科技 | 0.0973585
北京科技园 | 华宇信息 | 0.095243
(7 rows)
Time: 2.038 ms
--查询离婚信息,返回结果26610条,耗时849ms
db_15fb=# explain (analyze,verbose,buffers) select c_ajmc,ts_rank(to_tsvector('testzhcfg',c_ajmc),to_tsquery('testzhcfg','离婚')) rank
db_15fb-# from db_msys.t_msys where to_tsvector('testzhcfg',c_ajmc) @@to_tsquery('testzhcfg','离婚') order by rank desc limit 10
db_15fb-# ;
QUERY PLAN
-------------------------------------------------------------------------------------------------------------------------------------------
Limit (cost=48.53..48.53 rows=1 width=84) (actual time=849.020..849.023 rows=10 loops=1)
Output: c_ajmc, (ts_rank(to_tsvector('testzhcfg'::regconfig, (c_ajmc)::text), '''离婚'' & ''离'' & ''婚'''::tsquery))
Buffers: shared hit=11372
-> Sort (cost=48.53..48.53 rows=1 width=84) (actual time=849.017..849.018 rows=10 loops=1)
Output: c_ajmc, (ts_rank(to_tsvector('testzhcfg'::regconfig, (c_ajmc)::text), '''离婚'' & ''离'' & ''婚'''::tsquery))
Sort Key: (ts_rank(to_tsvector('testzhcfg'::regconfig, (t_msys.c_ajmc)::text), '''离婚'' & ''离'' & ''婚'''::tsquery)) DESC
Sort Method: top-N heapsort Memory: 25kB
Buffers: shared hit=11372
-> Bitmap Heap Scan on db_msys.t_msys (cost=44.00..48.52 rows=1 width=84) (actual time=14.057..825.193 rows=26610 loops=1)
Output: c_ajmc, ts_rank(to_tsvector('testzhcfg'::regconfig, (c_ajmc)::text), '''离婚'' & ''离'' & ''婚'''::tsquery)
Recheck Cond: (to_tsvector('testzhcfg'::regconfig, (t_msys.c_ajmc)::text) @@ '''离婚'' & ''离'' & ''婚'''::tsquery)
Heap Blocks: exact=11336
Buffers: shared hit=11372
-> Bitmap Index Scan on i_t_msys_c_ajmc (cost=0.00..44.00 rows=1 width=0) (actual time=11.260..11.260 rows=26610 loops=1)
Index Cond: (to_tsvector('testzhcfg'::regconfig, (t_msys.c_ajmc)::text) @@ '''离婚'' & ''离'' & ''婚'''::tsquery)
Buffers: shared hit=36
Planning time: 0.384 ms
Execution time: 849.099 ms
(18 rows)
Time: 850.649 ms
--查询合同|纠纷,返回179308条数据,耗时10s
db_15fb=# explain (analyze,verbose,buffers) select c_ajmc,ts_rank(to_tsvector('testzhcfg',c_ajmc),to_tsquery('testzhcfg','合同|纠纷')) rank
from db_msys.t_msys where to_tsvector('testzhcfg',c_ajmc) @@to_tsquery('testzhcfg','合同|纠纷')
;
QUERY PLAN
--------------------------------------------------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on db_msys.t_msys (cost=80.00..84.52 rows=1 width=84) (actual time=148.596..10658.341 rows=179308 loops=1)
Output: c_ajmc, ts_rank(to_tsvector('testzhcfg'::regconfig, (c_ajmc)::text), '''合同'' & ''合'' & ''同'' | ''纠纷'' & ''纠'' & ''纷'''::tsquery)
Recheck Cond: (to_tsvector('testzhcfg'::regconfig, (t_msys.c_ajmc)::text) @@ '''合同'' & ''合'' & ''同'' | ''纠纷'' & ''纠'' & ''纷'''::tsquery)
Heap Blocks: exact=16632
Buffers: shared hit=16811
-> Bitmap Index Scan on i_t_msys_c_ajmc (cost=0.00..80.00 rows=1 width=0) (actual time=144.298..144.298 rows=179310 loops=1)
Index Cond: (to_tsvector('testzhcfg'::regconfig, (t_msys.c_ajmc)::text) @@ '''合同'' & ''合'' & ''同'' | ''纠纷'' & ''纠'' & ''纷'''::tsquery)
Buffers: shared hit=179
Planning time: 0.373 ms
Execution time: 10695.288 ms
(10 rows)
可以看出当查询的结果集大的时候排序是非常耗时的,因为它要求查询每一个匹配文档的tsvector,如果一行较大,可能存储在toast表中,这样就涉及到大量的随机访问
磁盘io会升高。不幸的是,这几乎不可能避免,因为实际查询常常导致巨大数目的匹配。
表大小:
db_15fb=# select pg_size_pretty(pg_relation_size('t_msys'));
pg_size_pretty
----------------
131 MB
(1 row)
Time: 0.858 ms
--索引使用
| 索引类型 | 索引名称 | 索引大小 | 创建耗时 | 场景 |
| :----------- | ----------------------- | -------- | -------------|--------------|
| btree | i_t_msys_btrre_c_ajmc | 37MB | 4189.886 ms |前模糊匹配 |
| btree-reverse| i_t_msys_reverse_c_ajmc | 37MB | 4011.131 ms |后模糊匹配 |
| gin-pg_trgm |i_t_msys_gin_c_ajmc | 67MB | 25013.192 ms |全模糊匹配三元组|
| gin-zhparser |i_t_msys_c_ajmc | 21MB | 32601.072 ms |单字段全文检索 |
| gin-zhparser |i_t_msys_ah_ajmc | 25MB | 38587.146 ms |多字段全文检索 |
| gin-zhparser |i_t_msys_all | 106MB | 128538.026 ms|行级全文检索 |
行级全文检索占用空间接近表达小,创建也比较耗时。
结语
1.后模糊匹配(xxx%),可使用btree创建索引,效率比gin索引高,using btree(c_ajmc text_pattern_ops).
2.前模糊匹配(%xxx),btree和gin的效率相差不大,但是gin创建耗费时间,且gin比btree索引大。所以推荐使用btree reverse函数创建索引。using btree(reverse(c_ajmc))
3.全模糊匹配(%xxx%),可使用gin创建索引,但是pg_trgm支持最少三个字符。using gin(c_ajmc gin_trgm_ops)
4.如果需要对多个字段的全文检索,比如查询案号,或者案件名称这两个字段中包含‘北京’的值,或者案件名称中包含‘北京’和‘华宇’可以使用全文检索,具体的创建参考上面的例子。
5.需要注意的是当全文检索返回的结果集很大时,按照权重排序效率会很低!!!
6.需要注意的是使用全模糊匹配,查询的字符太少返回的结果多,会影响查询效率!!!
7.如果该字段仅需要后模糊匹配只需要建索引:using btree(c_ajmc text_pattern_ops)。如果该字段仅需要前模糊匹配则建索引using btree(reverse(c_ajmc))。如果字段有全模糊匹配也有前后模糊匹配就只需要建一个gin索引即可。
7.pg_trgm
8.zhparser
参考资料
参考资料
ts_rank