SQL Server 全文搜索_ZenDei技術網路在線

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。全文索引不同於傳統的平衡樹（B-Tree）索引和列存儲索引，它是由數據表構成的，稱作倒轉索引（Invert Index），存儲分詞和行的唯一鍵的映射關係。倒轉索引是在創建全文索引或更新全文索 ...

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。全文索引不同於傳統的平衡樹（B-Tree）索引和列存儲索引，它是由數據表構成的，稱作倒轉索引（Invert Index），存儲分詞和行的唯一鍵的映射關係。倒轉索引是在創建全文索引或更新全文索引時，由SQL Server自動創建和維護的。全文索引主要包含三種分析器：分詞器（Word Breaker）、詞乾分析器（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，把文本分解為“單詞”，每一個單詞叫做一個分詞（term)；全文索引有時會提取分詞的詞乾，把詞乾的多種派生形式存儲為單一詞乾，這個過程叫做提取詞乾；根據用戶提供的自定義同義詞列表，把相關的單詞轉換為同義詞，這個過程叫做提取同義詞。

生成全文索引是把用戶表中的文本數據進行分詞（Word breaker）和提取詞乾（Stemmer），並轉換同義詞（Thesaurus），過濾掉分詞中的停用詞（Stopword），最後把處理之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做填充（Populate）或爬蟲（Crawl）進程，全文索引的更新方式可以手動填充，自動填充，或增量填充。

一，創建全文目錄和唯一索引

創建全文索引之前，必須創建全文目錄（Full-Text Catalog），全文目錄用於組織全文索引，是全文索引的容器。每一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，跟資料庫的架構（Schema）相同，根據全文索引的存儲位置無關。

create fulltext catalog catalog_test
as default;

為了創建全文索引，基礎表上必須存在一個唯一的（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唯一索引鍵上，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]);

二，創建全文索引

每個表只能創建一個全文索引，創建全文索引時，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欄位，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，該選項的值可以是語言的名稱或LCID，如果沒有指定language選項，那麼使用SQL Server實例的預設語言。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，如果沒有指定文件組，那麼全文索引和基礎表存儲在相同的文件組中。由於更新全文索引是IO密集型操作，因此，為了更快的更新全文索引，最好把全文索引存儲在不同於基礎表的的物理硬碟或文件組上，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，這是系統預設的行為，也可以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）是否需要同步到全文索引，

CHANGE_TRACKING = MANUAL ：手動更新
CHANGE_TRACKING =AUTO：自動更新，預設設置，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，表明在創建全文索引之後，SQL Server不會更新（populate）全文索引；如果未指定選項NO POPULATION，在創建全文索引之後，SQL Server更新全文索引。

5，停用詞（STOPLIST）

停用詞（StopWord）也稱作噪音詞，每一個全文索引都會關聯一個停用詞列表，預設情況下，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

填充全文索引也叫做爬蟲（crawl）進程，或填充（Population）進程。由於創建或填充全文索引會消耗大量的系統（IO、記憶體）資源，因此儘量選擇在系統空閑時對全文索引進行填充。在創建全文索引時，通過指定選項 CHANGE_TRACKING= MANUAL，或 CHANGE_TRACKING= OFF, NO POPULATION，新建的全文索引不會立即填充，用戶可以選擇在系統空閑時，使用 alter fulltext index 語句執行填充操作。只有填充全文索引之後，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：全部填充，從基礎表中獲取每一行，重新編入全文索引；
INCREMENTAL POPULATION：增量填充，前提是基礎表中包含timestamp欄位，從上一次填充之後，只把更新之後的數據編入全文索引；
UPDATE POPULATION：更新填充，從上一次填充之後執行更新（insert、update、或delete）操作的數據行重新編入索引；

在創建全文索引時，如果指定CHANGE_TRACKING=AUTO 或 CHANGE_TRACKING= OFF ，那麼新建的全文索引會立即開始填充進程。

四，使用 contains 謂詞查詢全文索引

如果想要在查詢中使用全文索引，通常使用CONTAINS謂詞來調用全文索引，實現比LIKE關鍵字更複雜的文本匹配查詢，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完全匹配查詢：

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

全文查詢跟Like相比，速度更快，支持的搜索功能更複雜，使用contains謂詞，不僅能夠執行分詞的完全匹配或分詞的首碼匹配查詢，還能夠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。但是，和Like 相比，contains謂詞不能進行尾碼匹配查詢。

contains謂詞返回的結果是布爾值，如果全文索引列中包含指定的關鍵字或查找模式（pattern），返回TRUE；否則，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，首碼查詢

使用contains謂詞進行首碼匹配，和like 'prefix%'功能相同，只不過contains謂詞使用“*”作為通配符，“*”匹配0，1或多個字元，首碼匹配的寫法是：'"prefix*"'，全文索引只能執行首碼匹配。

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

3，查詢同義詞（thesaurus）或詞乾（stemmer）

Stemmer（詞乾），例如，根據語法規程，英語的動詞根據數（單數，複數），人稱，時態的不同而存在不同的變化形式，這些單詞都是同源的。

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

THESAURUS （同義詞），需要導入XML進行配置，SQL Server 提供一個預設的Thesaurus file，是Empty的。如果在Thesaurus file 配置“Author”，“Writer”，“journalist” 是同義詞，在使用fulltext index查詢時，只要滿足任意一個同義詞，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函數的定義如下，用於需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，並且按照 term1，term2，term3的順序存在於字元串中。

--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)')

這個查詢會匹配下麵的文本，註意，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必須出現在分詞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，具備初級的全文搜索功能，速度快，維護簡單，缺點是，全文搜索功能非常有限，在實際的開發中，可以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