全文索引原理和一个完整的SQL SERVER数据库全文索引的示例(转)

youngfan007

　　全文检索是对大数据文本进行索引，在建立的索引中对要查找的单词进行进行搜索，定位哪些文本数据包括要搜索的单词。因此，全文检索的全部工作就是建立索引和在索引中搜索定位，所有的工作都是围绕这两个来进行的。下面就逐个介绍。
　　建立全文索引中有两项非常重要，一个是如何对文本进行分词，一是建立索引的数据结构。分词的方法基本上是二元分词法、最大匹配法和统计方法。索引的数据结构基本上采用倒排索引的结构。
　　分词的好坏关系到查询的准确程度和生成的索引的大小。在中文分词发展中，早期经常使用分词方式是二元分词法，该方法的基本原理是将包含中文的句子进行二元分割，不考虑单词含义，只对二元单词进行索引。因此该方法所分出的单词数量较多，从而产生的索引数量巨大，查询中会将无用的数据检索出来，好处是算法简单不会漏掉检索的数据。之后又发展出最大匹配分词方法，该方法又分为正向最大分词和逆向最大分词。其原理和查字典类似，对常用单词生成一个词典，分析句子的过程中最大的匹配字典中的单词，从而将句子拆分为有意义的单词链。最大匹配法中正向分词方法对偏正式词语的分辨容易产生错误，比如“首饰和服装”会将“和服”作为单词分出。达梦数据库采用的是改进的逆向最大分词方法，该分词方法较正向正确率有所提高。最为复杂的是通过统计方式进行分词的方法。该方法采用隐式马尔科夫链，也就是后一个单词出现的概率依靠于前一个单词出现的概率，最后统计所有单词出现的概率的最大为分词的依据。这个方法对新名词和地名的识别要远远高于最大匹配法，准确度随着取样文本的数量的增大而提高。
　　二元分词方法和统计方法是不依赖于词典的，而最大匹配法分词方法是依赖于词典的，词典的内容决定分词结构的好坏。
　　全文检索的索引被称为倒排索引，之所以成为倒排索引，是因为将每一个单词作为索引项，根据该索引项查找包含该单词的文本。因此，索引都是单词和唯一记录文本的标示是一对多的关系。将索引单词排序，根据排序后的单词定位包含该单词的文本。
　　逆向分词的过程说明
　　步骤1）读取一整条句子到变量str中，转到步骤2
　　步骤2）从句子的尾端读取1个字到变量word中，转到步骤3
　　步骤3）在字典查找word中保存的单词。如果存在则保存word，转到步骤4，否则转到步骤5）
　　步骤4）如果是字典中最大单词或者超过最大单词数（认定为新词），从句尾去掉该单词，返回步骤2
　　步骤5）读取前一个字到word中，构成新单词，转到步骤3）
　　词库的内存数据结构和词库中单词的匹配算法
　　　　内存中单词采用层次结构保存
　　假设字典中有如下的单词：中国　 中华民国　国家　人民　民主
　　在内存中按照如下方式按层排列，其中每一个方块代表一个字，箭头所指向为该单词的前一个字。

http://www.dameng.com/dmweb/uploads/57145/20080117248.jpg

单词按照如下方式匹配

　　比如查找单词“中华民国”

　　首先在第一层中使用二分法找到“国”字

　　获得“国”下层的数组“中民”

　　在该层使用二分法查找“民”，获得“民”下层的数组“华”

　　在该层使用二分法查找“华”，获得“华”下层的数组“中”

　　最后在该层找到中，至此，但此匹配完毕。

　　索引的格式

　　索引的格式是倒排索引的格式，也就是一个单词对应若干个文本表示。

　　在达梦数据库中，建立全文索引的对象是rec中的字段，生成倒排索引使用数据库中的b树进行存储。

　　在数据库是对某个字符字段进行全文索引，因此，rec的rowid作为该rec上该field的标示是必须要被记录的。

　　因此倒排索引存储的格式如下。

字段1	字段2
单词1	Rowid1，rowid2…
单词1	Rowid1，rowid2…
…	…

由于b树的字段长度是有限的，因此b树存储的格式为

字段1	字段2	字段3
单词1	单词1Rowid的格数	Rowid1，rowid2…
单词1	单词2Rowid的格数	Rowid1，rowid2…
…	…	…

全文索引的查询

　　全文的索引查询首先将对要查询的单词进行分词，然后在存储倒排索引的b树中将包含这些单词的rowid全部查找出来，并根据这些rowid在存储实际数据的b树中，将包含这些数据的行过滤出来。

　　一个完整的SQL SERVER数据库全文索引的示例。（以pubs数据库为例）首先，介绍利用系
　　 1) 启动数据库的全文处理功能 (sp_fulltext_database)
　　 2) 建立全文目录 (sp_fulltext_catalog)
　　 3) 在全文目录中注册需要全文索引的表 (sp_fulltext_table)
　　 4) 指出表中需要全文索引的列名 (sp_fulltext_column)
　　 5) 为表创建全文索引 (sp_fulltext_table)
　　 6) 填充全文目录 (sp_fulltext_catalog)
　　 ---------********示例********-------------
　　以对pubs数据库的title和notes列建立全文索引，之后使用索引查询title列或notes列中
包含有datebase 或computer字符串的图书名称：在这之前，需要安装Microsoft Search服务
　　 user pubs --打开数据库
　　 go
　　 --检查数据库pubs是否支持全文索引，如果不支持
　　 --则使用sp_fulltext_database 打开该功能
　　 if(select databaseproperty('pubs','isfulltextenabled'))=0
　　 execute sp_fulltext_database 'enable'--建立全文目录FT_PUBS
　　 execute sp_fulltext_catalog 'FT_pubs','create'--为title表建立全文索引数据元
　　 execute sp_fulltext_table 'title','create','FT_pubs','UPKCL_titleidind'--设置
　　 execute sp_fulltext_column 'title','title','add'
　　execute sp_fulltext_column 'title','notes','add'--建立全文索引
　　 --activate，是激活表的全文检索能力，也就是在全文目录中注册该表
　　 execute sp_fulltext_table 'title','activate'--填充全文索引目录
　　 execute sp_fulltext_catalog 'FT_pubs','start_full'
　　 go--检查全文目录填充情况 　　While fulltextcatalogproperty('FT_pubs','populateStatus')0
　　 begin--如果全文目录正处于填充状态，则等待30秒后再检测一次
　　 waitfor delay '0:0:30'
　　 end--全文目录填充完成后，即可使用全文目录检索select title
　　 form
　　 where CONTAINS(title,'database')
　　 or CONTAINS(title,'computer')
　　 or CONTAINS(notes,'database')
　　 or CONTAINS(notes,'database')
　　 '--------------以下介绍一下全文操作类的系统存储过程
　　 过程名称：sp_fulltext_service
　　 执行权限：serveradmin或系统管理员
　　 作 用：设置全文搜索属性
　　 过程名称：sp_fulltext_catalog
　　 执行权限：db_owner及更高角色成员
　　 作 用：创建和删除一个全文目录，启动或停止一个全文目录的索引操作
　　 过程名称：sp_fulltext_database
　　 执行权限：db_owner角色成员
　　 作 用：初始化全文索引或删除数据库中所有全文目录
　　 过程名称：sp_fulltext_table
　　 执行权限：db_ddladnmin或db_owner角色成员
　　 作 用：将一个表标识为全文索引表或非全文索引表
　　 过程名称：sp_fulltext_column
　　 执行权限：db_ddladnmin角色成员
　　 作 用：指出一个全文索引表中的那些列假如或退出全文索引