用SQLite进行全文检索

转载地址：http://blog.sina.com.cn/s/blog_64aedc270100sf1x.html

对于应用软件开发人员来说，要解决这个问题有许多的方案可以选择。如，利用MySQL和PostgreSQL或者Sphinx和Lucene这样的独立软件进行本地执行。然而，这些要么用起来棘手，要么就过度了。

　　幸运的是，Google为SQLite贡献了一些资源以实现帮助。在版本3.3.8中第一次实现全文检索。此版本提供的功能可以创建一个依赖于外部延伸的虚拟表：在这里，全文搜索运算法则可用于任何虚拟表内的文本列。在PHP 5.3.0中，对应的支持只被默认的PDO和SQLite3激活。较早版本的PHP可以使用PECL 的SQLite3扩展库。

　　创建一个搜索索引通常情况如下：

　　• 把文本分解成记号。

　　• 转换为小写字母。

　　• 确定根词。

　　• 建立索引。

　　设置好一切

对于应用软件开发人员来说，要解决这个问题有许多的方案可以选择。如，利用MySQL和PostgreSQL或者Sphinx和Lucene这样的独立软件进行本地执行。然而，这些要么用起来棘手，要么就过度了。

　　幸运的是，Google为SQLite贡献了一些资源以实现帮助。在版本3.3.8中第一次实现全文检索。此版本提供的功能可以创建一个依赖于外部延伸的虚拟表：在这里，全文搜索运算法则可用于任何虚拟表内的文本列。在PHP 5.3.0中，对应的支持只被默认的PDO和SQLite3激活。较早版本的PHP可以使用PECL 的SQLite3扩展库。

　　创建一个搜索索引通常情况如下：

　　• 把文本分解成记号。

　　• 转换为小写字母。

　　• 确定根词。

　　• 建立索引。

　　设置好一切

　　在默认情况下，SQLite提供了两个基本的分词器，Simple和Porter。它们可以控制字的分开方式。Simple根据空格和标点符号将文本分解成不同的记号。Porter是专为英文使用而设计，它可以将大量的文字扩展化解为基础形式。例如，condolidate，consolidated，和consolidating这一类词语都会被转变成consolid。

　　遗憾的是，SQLite目前还没有取消停用词。所以常用词，例如，the,of和to仍位于索引内。这会极大地扩充索引的范畴并减缓搜索速度。最简单的解决办法是，在按下确认检索之前手动除去停用词。

　　下面，向您展示一些代码，教你如何创建自己的第一个全文索引。 SQLite之所以做到这些，是因为它通过使用FTS3扩展建立一个虚拟表。只有文本列位于这个虚拟表以内时，才可以被搜索，并且最后一列用来识别使用的分词器类型。

　　

      CREATE VIRTUAL TABLE example

　　USING FTS3(title TEXT, TOKENIZE SIMPLE)

　　创建表后，您可以使用SELECT， INSERT，UPDATE和DELETE语句询问此表。此处要附加说明的是：没有进一步的索引可以建立在表格上，所以简单的查询将导致对全表的扫描。

 

　　一旦你键入一些数据，你就可以试试。本文中其余的例子，我会使用出自英文版维基百科的所有标题。我的数据库有5，453，838行，相比较于没有索引时的146MB，若使用全文索引，其大小是233MB。

　　检索

　　搜索索引由匹配操作完成。查询可以包含多个方面，在这种情况下，只有文字行包含所有条件时才返回。还有支持“OR”的查询，但该查询排除了条件，精确的词组匹配以及前缀检索。

　　

 

      SELECT rowid, title FROM example WHERE title MATCH 'tea bag'

　　SELECT rowid, title FROM example WHERE title MATCH 'tea OR bag'

　　SELECT rowid, title FROM example WHERE title MATCH 'tea -bag'

　　SELECT rowid, title FROM example WHERE title MATCH '"tea bag"'

　　SELECT rowid, title FROM example WHERE title MATCH 'tea*'

　请注意：OR区分大小写，并且在一次查询中只允许一个MATCH操作。

　　创建片段

　　为了向匹配的搜索结果提供语境，可以使用snippet()功能。这一功能将突出显示搜索结果中任何文字列的关键词。

　　

      SELECT title, snippet(example)

　　FROM example

　　WHERE title

　　MATCH 'Advent'

　　ADVENT|ADVENT

　　Advent|Advent

　　Advent,_Cornwall|Advent,_Cornwall

　　Advent,_West_Virginia|Advent,_West_Virginia

　　Advent:_One-Winged_Angel|Advent:_One-Winged_Angel

　　Advent_(band)|Advent_(band)

　　额外的变量可以用来标示置标，置标过去常用于环绕匹配的表达和任何为缩短结果做的省略。这些分别是第二，第三和第四的变量，它们是第一次被用来标示表名。

 

　　非英语的标记

　　可以通过ICU(指令控制单元)库提供的一些基本功能实现对非英语文本进行全文检索的愿望。这个库是PHP 6 的一个核心部分，该库通过在intl 扩展的PHP5.3中也可得。这两种情况下的SQLite将有更多的分词器。

　　在ICU分词器将根据语言规则和指定的区域识别词语，然后按照界定拆分。这种方法只适用于某些地域。句法如下：

　　

      CREATE VIRTUAL TABLE example

　　USING FTS3(title TEXT, TOKENIZE icu en_GB)

　　此处的第二个变量由语言，国家和信息变体组成。