pg_bigm(模糊查询)

pg_bigm是PolarDB PostgreSQL版(兼容Oracle)的一款插件,该插件提供了全文本搜索能力,允许创建一个二元语法(2-gram)的GIN索引来加速搜索过程。

前提条件

支持的PolarDB PostgreSQL版(兼容Oracle)版本如下:

  • Oracle语法兼容 2.0(内核小版本2.0.14.2.0及以上)

  • Oracle语法兼容 1.0(内核小版本1.1.28及以上)

说明

您可通过如下语句查看PolarDB PostgreSQL版(兼容Oracle)的内核小版本号:

SHOW polar_version;

与pg_trgm异同

pg_trgm是PolarDB PostgreSQL版(兼容Oracle)的另一款插件,使用3-gram的模型来实现全文本搜索。pg_bigm插件是在pg_trgm基础上继续开发的,两者的区别如下。

功能和特性

pg_trgm

pg_bigm

全文搜索的短语匹配方法

3-gram

2-gram

支持的索引类型

GIN和GIST

GIN

支持的全文本搜索操作符号

LIKEILIKE~~*

LIKE

非字母语言的全文本搜索

不支持

支持

带有1~2个字符的关键字的全文本搜索

相似性搜索

支持

支持

最大可以索引的列大小

238,609,291字节(约228 MB)

107,374,180字节(约102 MB)

注意事项

  • 建立GIN索引的列的长度不可以超过107,374,180字节(约102 MB)。示例如下:

    CREATE TABLE t1 (description text);
    
    CREATE INDEX t1_idx ON t1 USING gin (description gin_bigm_ops);
    
    INSERT INTO t1 SELECT repeat('A', 107374181);
  • 如果数据库中存储的内容语言是非ASCII,则建议将数据库的编码方式改为UTF8。查询当前数据库编码方式的命令如下:

    SELECT pg_encoding_to_char(encoding)
    FROM pg_database
    WHERE datname = current_database();

基本操作

  • 创建插件。

    CREATE EXTENSION pg_bigm;
  • 创建GIN索引时需要指定pg_bigm插件提供的操作符。

    CREATE TABLE pg_tools (tool text, description text);
    
    INSERT INTO pg_tools VALUES ('pg_hint_plan', 'Tool that allows a user to specify an optimizer HINT to PostgreSQL');
    INSERT INTO pg_tools VALUES ('pg_dbms_stats', 'Tool that allows a user to stabilize planner statistics in PostgreSQL');
    INSERT INTO pg_tools VALUES ('pg_bigm', 'Tool that provides 2-gram full text search capability in PostgreSQL');
    INSERT INTO pg_tools VALUES ('pg_trgm', 'Tool that provides 3-gram full text search capability in PostgreSQL');
    
    CREATE INDEX pg_tools_idx ON pg_tools USING gin (description gin_bigm_ops);
    CREATE INDEX pg_tools_multi_idx ON pg_tools USING gin (tool gin_bigm_ops, description gin_bigm_ops) WITH (FASTUPDATE = off);
  • 执行全文本搜索。

    SELECT * FROM pg_tools WHERE description LIKE '%search%';

    返回结果如下:

      tool   |                             description
    ---------+---------------------------------------------------------------------
     pg_bigm | Tool that provides 2-gram full text search capability in PostgreSQL
     pg_trgm | Tool that provides 3-gram full text search capability in PostgreSQL
    (2 rows)
  • 使用=%操作符执行相似性搜索。

    SELECT tool FROM pg_tools WHERE tool =% 'bigm';

    返回结果如下:

      tool   
    ---------
     pg_bigm
    (1 row)
  • 卸载插件

    DROP EXTENSION pg_bigm;

插件常用函数

  • likequery函数

    • 作用:生成可以被LIKE关键字识别的字符串。

    • 参数:1个请求参数,类型为字符串。

    • 返回值:可以被LIKE关键字识别的搜索字符串。

    • 实现原理:

      • 在关键词前后添加%符号。

      • 使用\来自动转义符号%

    • 示例如下:

      • SELECT likequery('pg_bigm has improved the full text search performance by 200%');

        返回结果如下:

                                     likequery
        -------------------------------------------------------------------
         %pg\_bigm has improved the full text search performance by 200\%%
        (1 row)
      • SELECT * FROM pg_tools WHERE description LIKE likequery('search');

        返回结果如下:

          tool   |                             description
        ---------+---------------------------------------------------------------------
         pg_bigm | Tool that provides 2-gram full text search capability in PostgreSQL
         pg_trgm | Tool that provides 3-gram full text search capability in PostgreSQL
        (2 rows)
  • show_bigm函数

    • 作用:返回给定字符串的所有2-gram元素的集合。

    • 参数:1个请求参数,类型为字符串。

    • 返回值:数组,包含所有的2-gram元素。

    • 实现原理:

      • 在字符串前后添加空格字符。

      • 计算所有的2-gram子串。

    • 示例如下:

      SELECT show_bigm('full text search');

      显示结果如下:

                                  show_bigm
      ------------------------------------------------------------------
       {" f"," s"," t",ar,ch,ea,ex,fu,"h ","l ",ll,rc,se,"t ",te,ul,xt}
      (1 row)
  • bigm_similarity函数

    • 作用:计算两个字符串的相似度。

    • 参数:2个请求参数,类型为字符串。

    • 返回值:浮点数,表示相似度。

    • 实现原理:

      • 统计两个字符串共有的2-gram元素。

      • 相似度范围是[0, 1],0代表两个字符串完全不一样,1代表两个字符串一样。

      说明
      • 由于计算2-gram时,会在字符串前后添加空格,于是ABCB的相似度为0,ABCA的相似度为0.25。

      • bigm_similarity函数是大小写敏感的,例如,ABCabc的相似度为0。

    • 示例如下:

      • SELECT bigm_similarity('full text search', 'text similarity search');

        返回结果如下:

         bigm_similarity 
        -----------------
                0.571429
        (1 row)
      • SELECT bigm_similarity('ABC', 'A');

        返回结果如下:

         bigm_similarity
        -----------------
                    0.25
        (1 row)
      • SELECT bigm_similarity('ABC', 'B');

        返回结果如下:

         bigm_similarity
        -----------------
                       0
        (1 row)
      • SELECT bigm_similarity('ABC', 'abc');

        返回结果如下:

         bigm_similarity
        -----------------
                       0
        (1 row)
  • pg_gin_pending_stats函数

    • 作用:返回GIN索引的pending list中页面和元组的个数。

    • 参数:1个,GIN索引的名字或者OID。

    • 返回值:2个,pending list中页面的数量和元组的数量。

      说明

      如果GIN索引创建时,指定参数FASTUPDATEFalse,则该GIN索引不存在pending list,即返回结果为0。

    • 示例如下:

      SELECT * FROM pg_gin_pending_stats('pg_tools_idx');

      显示结果如下:

       pages | tuples
      -------+--------
           0 |      0
      (1 row)

插件行为控制参数

  • pg_bigm.enable_recheck

    决定是否进行recheck。

    说明

    建议您保持默认值(ON)以保证结果正确性。

    示例如下:

    1. 准备测试数据。

      CREATE TABLE tbl (doc text);
      
      INSERT INTO tbl VALUES('He is awaiting trial');
      INSERT INTO tbl VALUES('It was a trivial mistake');
      
      CREATE INDEX tbl_idx ON tbl USING gin (doc gin_bigm_ops);
    2. 执行如下查询语句。

      • pg_bigm.enable_recheck为on时,即进行recheck:

        SET enable_seqscan TO off;
        
        EXPLAIN ANALYZE SELECT * FROM tbl WHERE doc LIKE likequery('trial');

        返回结果如下:

                                                           QUERY PLAN
        -----------------------------------------------------------------------------------------------------------------
         Bitmap Heap Scan on tbl  (cost=20.00..24.01 rows=1 width=32) (actual time=0.020..0.021 rows=1 loops=1)
           Recheck Cond: (doc ~~ '%trial%'::text)
           Rows Removed by Index Recheck: 1
           Heap Blocks: exact=1
           ->  Bitmap Index Scan on tbl_idx  (cost=0.00..20.00 rows=1 width=0) (actual time=0.013..0.013 rows=2 loops=1)
                 Index Cond: (doc ~~ '%trial%'::text)
         Planning Time: 0.117 ms
         Execution Time: 0.043 ms
        (8 rows)

        执行如下查询语句:

        SELECT * FROM tbl WHERE doc LIKE likequery('trial');

        返回结果如下:

                 doc
        ----------------------
         He is awaiting trial
        (1 row)
      • pg_bigm.enable_recheck为off时,即不进行recheck:

        SET pg_bigm.enable_recheck = off;
        
        SELECT * FROM tbl WHERE doc LIKE likequery('trial');

        返回结果如下:

                   doc
        --------------------------
         He is awaiting trial
         It was a trivial mistake
        (2 rows)
  • pg_bigm.gin_key_limit

    限制用于全文本搜索的2-gram元素的最大个数,默认为0,0代表使用所有的2-gram元素。

    说明

    如果发现使用所有的2-gram元素导致性能下降,可以调整该参数值,限制2-gram元素的个数来提高性能。

  • pg_bigm.similarity_limit

    设置相似度阈值,相似度超过这个阈值的元组会做为相似性搜索的结果。