SQL Server 全文搜索

SQL Server 的全文搜索(Full-Text Search）是基於分詞的文本檢索功能，依賴於全文索引。全文索引不一樣於傳統的平衡樹（B-Tree）索引和列存儲索引，它是由數據表構成的，稱做倒轉索引（Invert Index），存儲分詞和行的惟一鍵的映射關係。倒轉索引是在建立全文索引或更新全文索引時，由SQL Server自動建立和維護的。全文索引主要包含三種分析器：分詞器（Word Breaker）、詞幹分析器（stemmer）和同義詞分析器。全文索引中存儲的數據是分詞及其位置等信息，分詞是基於特定語言的語法規則，按照特定的符號尋找詞語的邊界，把文本分解爲「單詞」，每個單詞叫作一個分詞（term)；全文索引有時會提取分詞的詞幹，把詞幹的多種派生形式存儲爲單一詞幹，這個過程叫作提取詞幹；根據用戶提供的自定義同義詞列表，把相關的單詞轉換爲同義詞，這個過程叫作提取同義詞。

生成全文索引是把用戶表中的文本數據進行分詞（Word breaker）和提取詞幹（Stemmer），並轉換同義詞（Thesaurus），過濾掉分詞中的停用詞（Stopword），最後把處理以後的數據存儲到全文索引中。把數據存儲到全文數據的過程叫作填充（Populate）或爬蟲（Crawl）進程，全文索引的更新方式能夠手動填充，自動填充，或增量填充。

一，全文搜索的基本組件

1，分詞器

分詞器（Word Breaker），顧名思義，用於分詞，它根據特定語言的語法規則，分割文本中的單詞，分詞器在拆分單詞時，還會記錄每一個分詞在字符串中的位置，分詞器把分詞，分詞的位置，文檔ID，全文索引列的序號等信息的組合，稱做標記（Token）。

例如，對於語句"Kitty is a cute cat"，在全文索引填充時，分詞器把該語句拆分紅5個單詞：Kitty，is，a，cute，cat。 若是使用默認的停用詞列表，那麼「is」，「a」都是停用詞，全文索引會把停用詞丟失，只存儲分詞：Kitty，cute，cat。

雖然停用詞不會添加到全文索引中，可是分詞的位置會被考慮。「Kitty」 ，「cute」 和  「cat」的Position 分別是1，4 和 5。經過分詞的位置，全文搜索可以進行位置相鄰的查詢：兩個分詞之間最多存在N個單詞。例如，查詢語句：contains(column, 'near((Kitty,cate),3)') 的含義是存在兩個word，「Kitty」 和 「cate」，其最大距離是3，從column中查詢出包含該條件的phrase，字符串「Kitty is a cute cat.」  知足匹配條件。

2，停用詞

停用字詞列表（StopList）是非索引字詞的列表，每一個StopList中存儲的分詞都是不會用於搜索的分詞，叫作停用詞（StopWords），全文索引不會存儲停用詞，可是停用詞所佔的位置會被記錄，若是對停用詞進行contians查詢，即便基礎表（underly table）中的字段中存在該停用詞，全文索引也不會返回任何數據行。一般狀況下，停用詞（Stopword）都是經常使用的單詞，在語句中出現的頻率十分高，過濾掉停用詞，可以減小全文索引的size，提升全文查詢的性能。

3，詞幹（Stemmer） 和 同義詞（Thesaurus）

詞幹抽取器（Stemmer ）用於把同源單詞轉換爲其根形式，可以轉換爲相同根形式的單詞是同源的。例如，對於單詞run，有不少同源的單詞：

• ran
• running
• runs
• runner (perhaps)

同義詞詞典（Thesaurus）是一個XML文件，用於定義特定語言的同義詞列表，例如，咱們能夠設置「Author」 ， 「Writer」 ，「journalist」是同義詞。

二，建立全文索引

建立全文索引以前，必須建立全文目錄（Full-Text Catalog），全文目錄用於組織全文索引，是全文索引的容器。每個全文索引必須屬於一個全文目錄。全文目錄是個邏輯結構，跟數據庫的架構（Schema）相同，根據全文索引的存儲位置無關。

create fulltext catalog catalog_test
as default;

爲了建立全文索引，基礎表上必須存在一個惟一的（unique）、單列的（single-column）、非空的（non-nullable）的索引，全文引擎使用該索引把基礎表上的每行數據映射惟一索引鍵上，倒轉索引存儲的就是該索引鍵和分詞之間的映射關係。

create unique index uidx_dbLogID 
on [dbo].[DatabaseLog]
([DatabaseLogID]);

每一個表只能建立一個全文索引，建立全文索引時，必須考慮全文索引存儲的文件組，全文索引關聯的停用詞列表，全文索引的更新方式，以及跟文本關聯的語言，全文索引列必須是文本字段，例如：

create fulltext index 
on [dbo].[DatabaseLog]
(
[tsql] language 1033
)
key index ui_dbLogID
on (catalog_test,filegroup [primary]) 
with(change_tracking=off ,no population ,stoplist=system);

1，語言（language）

選項 language 是可選的，用於指定列級別的語言，該選項的值能夠是語言的名稱或LCID，若是沒有指定language選項，那麼使用SQL Server實例的默認語言。從系統視圖 sys.fulltext_languages (Transact-SQL)中查看系統支持的語言及其對應的LCID 和名稱。

2，全文目錄（fulltext_catalog）

選項fulltext_catalog_name 用於指定全文索引的分組，

3，文件組（filegroup）

選項 filegroup filegroup_name 用於指定全文索引存儲的文件組，若是沒有指定文件組，那麼全文索引和基礎表存儲在相同的文件組中。因爲更新全文索引是IO密集型操做，所以，爲了更快的更新全文索引，最好把全文索引存儲在不一樣於基礎表的的物理硬盤或文件組上，以達到最大的IO併發。

4，填充全文索引的方式

和普通的索引相同，當基礎表數據更新時，全文索引必須自動更新，這是系統默認的行爲，也能夠配置手動更新全文索引，或者間隔特定的時間點自動更新全文索引。

選項CHANGE_TRACKING 用於指定跟全文索引列相關的數據更新（Update，Delete，或Insert）是否須要同步到全文索引，

• CHANGE_TRACKING = MANUAL ：手動更新
• CHANGE_TRACKING =AUTO：自動更新，默認設置，當基礎表數據變化時，全文索引自動更新，
• CHANGE_TRACKING =OFF , NO POPULATION：不更新，指定選項NO POPULATION，代表在建立全文索引以後，SQL Server不會更新（populate）全文索引；若是未指定選項NO POPULATION，在建立全文索引以後，SQL Server更新全文索引。

5，停用詞（STOPLIST）

停用詞（StopWord）也稱做噪音詞，每個全文索引都會關聯一個停用詞列表，默認狀況下，全文索引關聯的是系統停用詞（system stoplist）。全文引擎把停用詞從分詞中刪除，使全文索引不會包含停用詞。

STOPLIST [ = ] { OFF | SYSTEM | stoplist_name }  

三，填充全文索引

填充全文索引也叫作爬蟲（crawl）進程，或填充（Population）進程。因爲建立或填充全文索引會消耗大量的系統（IO、內存）資源，所以儘可能選擇在系統空閒時對全文索引進行填充。在建立全文索引時，經過指定選項 CHANGE_TRACKING= MANUAL，或 CHANGE_TRACKING= OFF, NO POPULATION，新建的全文索引不會當即填充，用戶能夠選擇在系統空閒時，使用 alter fulltext index 語句執行填充操做。只有填充全文索引以後，全文索引才包含基礎表的分詞數據。

alter fulltext index 
on table_name
start { full | incremental | update } population;

更新全文索引有三種方式：

• FULL POPULATION：所有填充，從基礎表中獲取每一行，從新編入全文索引；
• INCREMENTAL POPULATION：增量填充，前提是基礎表中包含timestamp字段，從上一次填充以後，只把更新以後的數據編入全文索引；
• UPDATE POPULATION：更新填充，從上一次填充以後執行更新（insert、update、或delete）操做的數據行從新編入索引；

在建立全文索引時，若是指定CHANGE_TRACKING=AUTO   或   CHANGE_TRACKING=  OFF ， 那麼新建的全文索引會當即開始填充進程。 

四，使用 contains 謂詞查詢全文索引

若是想要在查詢中使用全文索引，一般使用CONTAINS謂詞來調用全文索引，實現比LIKE關鍵字更復雜的文本匹配查詢，而LIKE關鍵字是模糊匹配，不會調用全文索引。

例如，利用contains謂詞執行單個分詞的徹底匹配查詢：

select [tsql] 
from [dbo].[DatabaseLog] 
where contains([tsql], 'searchword', language 1033);

全文查詢跟Like相比，速度更快，支持的搜索功能更復雜，使用contains謂詞，不只可以執行分詞的徹底匹配或分詞的前綴匹配查詢，還可以執行基於詞根的查詢，基於自定義同義詞的查詢，基於距離和順序的相鄰分詞查詢。可是，和Like 相比，contains謂詞不能進行後綴匹配查詢。

contains謂詞返回的結果是布爾值，若是全文索引列中包含指定的關鍵字或查找模式（pattern），返回TRUE；不然，返回FALSE。

contains謂詞支持word查詢和短語查詢，word是指單個分詞，短語（phrase）是由多個word和間隔的空格組成的，對於短語，必須使用雙引號，將多個word組成一個短語。

1，邏輯組合查詢

使用and ，and not， 或 or 邏輯運算符 匹配多個word 或 多個phrase

CONTAINS(Name, '"Mountain" OR "Road" ')
CONTAINS(Name, ' Mountain OR Road ')

2，前綴查詢

使用contains謂詞進行前綴匹配，和like 'prefix%'功能相同，只不過contains謂詞使用「*」做爲通配符，「*」匹配0，1或多個字符，前綴匹配的寫法是：'"prefix*"'，全文索引只能執行前綴匹配。

CONTAINS(Name, ' "Chain*" ')
CONTAINS(Name, '"chain*" OR "full*"')

3，查詢同義詞（thesaurus）或詞幹（stemmer）

Stemmer（詞幹），例如，根據語法規程，英語的動詞 根據數（單數，複數），人稱，時態的不一樣而存在不一樣的變化形式，這些單詞都是同源的。

CONTAINS(Description, ' FORMSOF (INFLECTIONAL, ride) ')

THESAURUS （同義詞），須要導入XML進行配置，SQL Server 提供一個默認的Thesaurus file，是Empty的。若是在Thesaurus file 配置「Author」，「Writer」，「journalist」 是同義詞，在使用fulltext index查詢時，只要知足任意一個同義詞，都匹配成功。

CONTAINS(Description, ' FORMSOF (THESAURUS, author) ')

4，距離查詢

使用 near 函數，查詢匹配相鄰分詞的數據行，near函數的定義以下，用於須要在查詢模式中指定距離查詢的查詢模式：

NEAR ( ( { <simple_term> | <prefix_term> } [ ,…n ] )  [, <maximum_distance> ] [, <match_order> ] ) 

例如：使用Near 函數指定相鄰分詞的距離和匹配順序，near((term1,term2，term3),5)表示任意兩個term之間的距離不能超過5, near((term1,term2，term3),5,true)，表示任意兩個term的距離不能超過5，而且按照 term1，term2，term3的順序存在於字符串中。

--regardless of the intervening distance and regardless of order
CONTAINS(column_name, 'NEAR(term1,"term3 term4")')
--searches for "AA" and "BB", in either order, within a maximum distance of five
CONTAINS(column_name, 'NEAR((AA,BB),5)')
--in the specified order with regardless of the distance
CONTAINS(column_name, 'NEAR ((Monday, Tuesday, Wednesday), MAX, TRUE)')

對於 near((term1,term2,term3),5,true)，term1 和 term5之間最多存在5個term，不包括內部的搜索分詞，「term2」，例如：

CONTAINS(column_name, 'NEAR((AA,BB,CC),5)')

這個查詢會匹配下面的文本，注意，內部的搜索分詞CC沒有計算距離：

BB one two CC three four five AA

例如，在原文本中，分詞bike和control的最大距離不能超過10，分詞bike必須出如今分詞control的前面：

CONTAINS(Comments , 'NEAR((bike,control), 10, TRUE)')

SQL Server提供的全文搜索功能，比LIKE關鍵字豐富，具有初級的全文搜索功能，速度快，維護簡單，缺點是，全文搜索功能很是有限，在實際的開發中，能夠配合開源的全文搜索引擎，例如，Solr，Elasticsearch等來開發功能更強大的全文搜索功能。

 

參考文檔：

Full-Text Search (SQL Server)

CONTAINS (Transact-SQL)

CREATE FULLTEXT CATALOG (Transact-SQL)

Get Started with Full-Text Search

SQLSERVER全文搜索

Improve the Performance of Full-Text Queries