如何使用Zhparser支持中文分词_云原生数据仓库 AnalyticDB PostgreSQL版(AnalyticDB for PostgreSQL)-阿里云帮助中心

云原生数据仓库 AnalyticDB PostgreSQL 版数据库安装Zhparser插件后可以实现全文检索时的中文分词。

全文检索概述

PostgreSQL默认按照空格及各种标点符号来分词，不支持中文分词。云原生数据仓库 AnalyticDB PostgreSQL 版通过集成Zhparser扩展来支持中文分词。

一般情况下，全文检索可以采用如下两种方法：

搜索表：

SELECT name FROM <table...>
WHERE to_tsvector('english', name) @@ to_tsquery('english', 'friend');

创建GIN索引：

CREATE INDEX <idx_...> ON <table...> USING gin(to_tsvector('english', name));

配置Zhparser

安装Zhparser插件。
使用全文检索时的中文分词功能之前，您需要在云原生数据仓库 AnalyticDB PostgreSQL 版实例插件管理中安装Zhparser插件。具体操作，请参见安装、升级与卸载插件。

配置中文解析器，取名为zh_cn。

CREATE TEXT SEARCH CONFIGURATION zh_cn (PARSER = zhparser);

查看分词策略。

查看Zhparser的词典配置：

SELECT ts_token_type('zhparser');

返回信息如下：

          ts_token_type
---------------------------------
 (97,a,"adjective,形容词")
 (98,b,"differentiation,区别词")
 (99,c,"conjunction,连词")
 (100,d,"adverb,副词")
 (101,e,"exclamation,感叹词")
 (102,f,"position,方位词")
 (103,g,"root,词根")
 (104,h,"head,前连接成分")
 (105,i,"idiom,成语")
 (106,j,"abbreviation,简称")
 (107,k,"tail,后连接成分")
 (108,l,"tmp,习用语")
 (109,m,"numeral,数词")
 (110,n,"noun,名词")
 (111,o,"onomatopoeia,拟声词")
 (112,p,"prepositional,介词")
 (113,q,"quantity,量词")
 (114,r,"pronoun,代词")
 (115,s,"space,处所词")
 (116,t,"time,时语素")
 (117,u,"auxiliary,助词")
 (118,v,"verb,动词")
 (119,w,"punctuation,标点符号")
 (120,x,"unknown,未知词")
 (121,y,"modal,语气词")
 (122,z,"status,状态词")
(26 rows)

查看zh_cn的结构（Configuration）：

SELECT * FROM pg_ts_config_map 
WHERE mapcfg=(SELECT oid FROM pg_ts_config WHERE cfgname='zh_cn');

添加或删除分词策略：
- 添加分词策略：
  添加名词（n）、动词（v）、形容词（a）、成语（i）、叹词（e）和习用语（l）六种分词策略：
```
ALTER TEXT SEARCH CONFIGURATION zh_cn ADD MAPPING FOR n,v,a,i,e,l WITH simple;
```
- 删除分词策略：
  删除名词（n）、动词（v）、形容词（a）、成语（i）、叹词（e）和习用语（l）六种分词策略：
```
ALTER TEXT SEARCH CONFIGURATION zh_cn DROP MAPPING IF EXISTS FOR n,v,a,i,e,l;
```

通过以下下两个函数测试全文检索中文分词功能：

to_tsvector：

SELECT to_tsvector('zh_cn', '有两种方法进行全文检索');

返回信息如下：

 to_tsvector
---------------------------------------
'全文检索':4 '方法':2 '有':1 '进行':3
(1 ROW)

to_tsquery：

SELECT to_tsquery('zh_cn', '有两种方法进行全文检索');

返回信息如下：

 to_tsquery
-------------------------------------
 '有' & '方法' & '进行' & '全文检索'
(1 ROW)

自定义词典

云原生数据仓库 AnalyticDB PostgreSQL 版Zhparser插件支持自定义词典。通过向自定义词典表zhparser.zhprs_custom_word写入或删除数据，实现添加或删除自定义词的功能。词典表zhparser.zhprs_custom_word的表结构如下。

说明

您无需手动创建词典表。安装zhparser插件时，系统会自动创建词典表zhparser.zhprs_custom_word。
已安装zhparser插件的用户，系统也已经自动创建了词典表zhparser.zhprs_custom_word，您无需再手动创建。

CREATE TABLE zhparser.zhprs_custom_word
(
    word text PRIMARY key,                                   --- 自定义词
    tf FLOAT DEFAULT '1.0',                                  --- 该词的自定义TF值，默认1.0
    idf FLOAT DEFAULT '1.0',                                 --- 该词的自定义IDF值，默认1.0
    attr CHAR DEFAULT '@', CHECK(attr = '@' OR attr = '!')   --- 该词的词性：@ 新增；! 停止
);

添加自定义词典配置

添加自定义分词配置至解析器zh_cn中，具体SQL语句如下。

ALTER TEXT SEARCH CONFIGURATION zh_cn ADD MAPPING FOR x with simple;

添加自定义词

INSERT INTO zhparser.zhprs_custom_word(word, attr) VALUES('两种方法', '@');

删除自定义词

DELETE FROM zhparser.zhprs_custom_word WHERE word='两种方法';

查询自定义词典表

SELECT * FROM zhparser.zhprs_custom_word;

加载自定义词典表

在添加或删除自定义词之后，需要重新加载自定义词典表，新的自定义词典表才能生效。重新加载自定义词典表的SQL语句如下。

SELECT sync_zhprs_custom_word();

自定义分词的检索效果

在配置自定义词典表前后，分别执行示例语句，验证分词结果。示例SQL语句如下。

SELECT to_tsvector('zh_cn', '有两种方法进行全文检索');

分词检索效果如下：

未配置自定义词典表

+---------------------------------------+
| to_tsvector             |  
+---------------------------------------+
|'全文检索':4 '方法':2 '有':1 '进行':3 ｜
+---------------------------------------+
(1 ROW)

在词典表中添加词“两种方法”

+---------------------------------------+
| to_tsvector             |  
+---------------------------------------+
|'两种方法':2 '全文检索':4 '有':1 '进行':3｜
+---------------------------------------+
(1 ROW)

全文检索概述

配置Zhparser

自定义词典

添加自定义词典配置

添加自定义词

删除自定义词

查询自定义词典表

加载自定义词典表

自定义分词的检索效果

未配置自定义词典表

在词典表中添加词“两种方法”

相关文档