Pg trgm

[编辑] pg_trgm

**表 F-29. pg_trgm 函数**
函数	返回	描述
similarity(text, text)	real	返回一个数值表示的两个参数的相似性。结果范围是 0 （表示两个字串完全不同）到 1 （表示两个字串相等）。
show_trgm(text)	text[]	返回给出字串里的所有 trigram 的数组（实际上这个函数除了调试之外很少有用。）
show_limit()	real	返回 % 操作符使用的当前的相似性阈值。这个阈值设置两个词之间的最小相似性，以决定诸如是否为相互的拼写错误这样的情况。
set_limit(real)	real	设置 % 操作符使用的当前的相似性阈值。阈值必须在 0 和 1 之间（缺省是 0.3）。返回传递进去的同样的数值。

**表 F-30. pg_trgm 操作符**
操作符	返回	描述
text % text	boolean	如果它的参数的相似性比 set_limit 设置的当前的相似性阈值大，则返回真。

pg_trgm 模块提供了 GiST 和 GIN 索引操作符表，允许你在一个文本字段上创建一个索引用于非常快的相似性搜索。这些索引类型支持 % 相似性操作符（没有其它操作符了，所以你可能还需要正则的 btree 索引）。

例子：

 CREATE TABLE test_trgm (t text);
 CREATE INDEX trgm_idx ON test_trgm USING gist (t gist_trgm_ops);

或者

 CREATE INDEX trgm_idx ON test_trgm USING gin (t gin_trgm_ops);

在这一点上，你在 t 字段上就有了一个可用于相似性搜索的索引。常用的查询类似：

SELECT t, similarity(t, 'word') AS sml
  FROM test_trgm
  WHERE t % 'word'
  ORDER BY sml DESC, t;

这个查询会返回在文本字段里与 word 足够接近所有数值，以最接近向最差排序。索引可以让这个操作变得很快，即使在非常大的数据集上也会相当快。

GiST 和 GIN 索引之间的选择一来与 GiST 和 GIN 的性能特征的区别，我们在其它地方讨论这些。就拇指定律而言，GIN 索引搜索的速度比 GiST 索引快，但是创建和更新的速度满，因此 GIN 更适用于静态数据，而 GiST 适用于常更新的数据。

在和全文索引结合使用的时候，trigram 匹配是非常有用的工具。特别是它可以帮助识别输入的拼写错误，而错误的拼写会直接和全文搜索极致进行匹配。

第一步是生成一个包含文档中所有唯一词的辅助表：

CREATE TABLE words AS SELECT word FROM
        ts_stat('SELECT to_tsvector(''simple'', bodytext) FROM documents');

这里的 document 是一个有文本字段 bodytext 的表，我们希望搜索 bodytext 这个字段。在 to_tsvector 函数中使用 simple 配置，而不用语言相关的配置的原因是我们希望一个原始（未词根化）的词的列表。

然后，在 word 字段上创建 trigram 索引：

 CREATE INDEX words_idx ON words USING gin(word gin_trgm_ops);

现在，就可以在用户搜索的项上，用一个类似前面例子的 SELECT 查询来给出拼写建议和拼写纠错了。一个额外的有用的测试是选出的词和拼写错误的词的长度也类似。

注意：因为 words 表是独立生成的、静态的表，所以，我们需要周期性的重新生成它，以保持它和文档集合之间的合理的同步。让它保持在精确的当前状态通常是没用的。

Oleg Bartunov <oleg@sai.msu.su>, Moscow, Moscow University, Russia

Teodor Sigaev <teodor@sigaev.ru>, Moscow, Delta-Soft Ltd.,Russia

文档：Christopher Kings-Lynne

这个模块是由 Delta-Soft Ltd., Moscow, Russia 赞助开发的。