在 PostgreSQL 数据库使用中文全文搜索

引言

目前在PostgreSQL中常见的两个中文分词插件是zhparser和pg_jieba。这里我们使用zhparser。插件的编译和安装请查看 官方文档 ，安装还是比较复杂的，建议找个现成docker镜像。

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，会直接遍历。

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

总结

到这简单的使用已经介绍完毕，还能支持权重、停用词、同义词、查询结果高亮等，感兴趣的小伙伴可以看以下文档：

PostGreSQL插件

PostgreSQL官方文档了解全文检索内容

阿里云Polar DB zhparser