全文索引

来源:互联网 发布:sql select where in 编辑:程序博客网 时间:2024/03/29 19:15

--新建一个测试数据库,并指定排序规则为Chinese_PRC_CI_AS
CREATE DATABASE TESTFT COLLATE Chinese_PRC_CI_AS   
GO
USE TESTFT
GO
--新建全文目录TestCL,并将其置为默认
CREATE FULLTEXT CATALOG TestCL AS DEFAULT   
GO

--新建测试表
CREATE TABLE TB       
(
    ID INT IDENTITY,
    Title VARCHAR(100),
    Body VARCHAR(1000),
    CONSTRAINT PK_TB PRIMARY KEY CLUSTERED (ID)
)
GO

--在TB表的title和body列上创建全文索引
CREATE FULLTEXT INDEX ON TB (Title,Body) KEY INDEX PK_TB
GO

--插入两行演示数据
INSERT TB(Title,Body) VALUES('艺术家评选','苍井空和小泽玛利亚是深受人民群众喜爱的著名艺术家')
INSERT TB(Title,Body) VALUES('给苍老师的一封信','宁夏固原有一位网友给敬爱的苍老师写了一封信')
GO

 

-----------------------------------------------------------------------------------------------

--例1:
SELECT * FROM TB WHERE CONTAINS(*,'小')
/*
ID          Title                          Body
----------- ------------------------------ ------------------------------------------------------
(0 行受影响)
*/
SELECT * FROM TB WHERE CONTAINS(*,'小泽')
/*
ID          Title                          Body
----------- ------------------------------ ------------------------------------------------------
1           艺术家评选                     苍井空和小泽玛利亚是深受人民群众喜爱的著名艺术家

(1 行受影响)
*/

--例2:
SELECT * FROM TB WHERE CONTAINS(*,'苍')
/*
ID          Title                          Body
----------- ------------------------------ ------------------------------------------------------
1           艺术家评选                     苍井空和小泽玛利亚是深受人民群众喜爱的著名艺术家
(1 行受影响)
*/
SELECT * FROM TB WHERE CONTAINS(*,'苍老师')
/*
ID          Title                          Body
----------- ------------------------------ ------------------------------------------------------
2           给苍老师的一封信               宁夏固原有一位网友给敬爱的苍老师写了一封信
(1 行受影响)
*/


----------------------------------------------------------------------------------------------
对于例1,这里涉及到全文索引的一个重要概念,干扰词(Noise Words)。
为了精简全文索引,Microsoft SQL Server 提供了一种机制,用来去掉那些经常出现但对搜索没有帮助的词。这些词称为“干扰词”或“终止词”。

如英文中的"a"、"and"和"the"等,中文中的"的"、"了"、"在"等,凭经验就知道这些词对于搜索意义不大。因此将他们排除在全文索引之外。

对于SQL 2005,干扰词存放在$SQL_Server_Install_Path/Microsoft SQL Server/MSSQL.1/MSSQL/FTDATA/ 目录中,每种语言对应一个文件。
对于SQL 2008,干扰词存放在系统表sys.fulltext_stopwords中,

(SQL2008R2干扰词是在fulltext_system_stopwords表中)

 

可通过下面的语句查看:

SQL code
SELECT stopword FROM sys.fulltext_stopwords WHERE language_id = 2052 --简体中文
--下面是部分结果:
/*





小    --请注意这里




*/
 

现在我们应该知道,例1中我们使用CONTAINS(*,'小')语句之所以查不到任何结果,是因为"小"字被系统当作干扰词,系统中没有存储关于"小"字的任何信息。

那么,这些干扰词我们可以修改么?答案是肯定的。对于SQL 2005,我们可以直接修改相应语言对应的干扰词文件;对于SQL 2008,我们可以用T-SQL语句来增加、删除干扰词。
 

----------------------------------------------------------------------------------------------------------

对于例2,和干扰词无关,是由于全文引擎断词不当造成的。这也是全文索引最为人诟病的一点。
在SQL 2008之前版本中,我们无法看到全文引擎到底是怎样断词的,但在SQL 2008中,我们可以通过查询系统表值函数sys.dm_fts_index_keywords
和sys.dm_fts_index_keywords_by_document来查看断词结果。

如对于第二条记录,我们可以这样看断词后的结果:
 SQL code SELECT display_term
FROM sys.dm_fts_index_keywords_by_document(DB_ID('TestFT'),OBJECT_ID('TB'))
WHERE document_id=2 and column_id = 3 --全文键值为2 第3列
/*
display_term
---------------
宁夏

原有

网友

敬爱
苍老    --注意这里




END OF FILE
*/
 
根据上述结果,我们可以看到,全文引擎将"苍老"当成了一个词,所以我们用CONTAINS(*,'苍')查询不到这条记录。同理,我们用CONTAINS(*,'老师')也查不到这条记录。

对于每种断字符语言,断词结果是无法改变的。如果实在想要改变,只能通过微软公布的接口,自行编程修改相应的组件。

除了使用上面的两个表值函数外,还可以使用sys.dm_fts_parser来分析断词结果,sys.dm_fts_parser函数用起来更加灵活。
比如,针对同样的一句话,我们可以比较繁体中文和简体中文的断词结果:
SQL code
SELECT special_term,display_term FROM sys.dm_fts_parser('宁夏固原有一位网友给敬爱的苍老师写了一封信',1028,0,0) --繁体中文
/*
special_term     display_term
---------------- ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Exact Match      宁
Exact Match      夏
Exact Match      固
Exact Match      原有
Noise Word       一
Exact Match      位
Exact Match      网
Exact Match      友
Exact Match      给
Exact Match      敬
Exact Match      爱
Noise Word       的
Exact Match      苍        --注意这里
Exact Match      老
Exact Match      师
Exact Match      写
Noise Word       了
Noise Word       一
Exact Match      封
Exact Match      信

(20 行受影响)
*/

SELECT special_term,display_term FROM sys.dm_fts_parser('宁夏固原有一位网友给敬爱的苍老师写了一封信',2052,0,0) --简体中文
/*
special_term     display_term
---------------- ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Exact Match      宁夏
Exact Match      固
Exact Match      原有
Noise Word       一
Exact Match      位
Exact Match      网友
Exact Match      给
Exact Match      敬爱
Noise Word       的
Exact Match      苍老    --注意这里
Exact Match      师
Exact Match      写
Noise Word       了
Noise Word       一
Exact Match      封
Exact Match      信

(16 行受影响)
*/
 
可以看到,对于"苍老师",简体和繁体的断词结果是不同的,对于繁体中文,用CONTAINS(*,'苍')是能够查到这条记录的.
顺便说一句,有意使用别的语言也是对付断词不准的一种方法.

后记:本来想写的全面一点,详细一点,但现在想想,这是个吃力不讨好的活儿,就此草草收场,文不对题,本人十分惭愧,对此有兴趣的同学,可以光临本人博客,我们私下交流。

本文来自CSDN博客,转载请标明出处:http://blog.csdn.net/coleling/archive/2011/03/22/6267236.aspx

原创粉丝点击