通过案例学调优之--Oracle 全文索引
全文检索(oracle text)
Oracle Text使Oracle9i具备了强大的文本检索能力和智能化的文本管理能力,Oracle Text 是 Oracle9i 采用的新名称,在 oracle8/8i 中被称为 oracle intermedia text,oracle8 以前是 oracle context cartridge。Oracle Text 的索引和查找功能并不局限于存储在数据库中的数据。 它可以对存储于文件系统中的文档进行检索和查找,并可检索超过 150 种文档类型,包括 Microsoft Word、PDF和XML。Oracle Text查找功能包括模糊查找、词干查找(搜索mice 和查找 mouse)、通配符、相近性等查找方式,以及结果分级和关键词突出显示等。你甚至 可以增加一个词典,以查找搭配词,并找出包含该搭配词的文档。
Oracle text 需要为可检索的数据项建立索引,用户才能够通过搜索查找内容,索引进 程是根据管道建模的,在这个管道中,数据经过一系列的转换后,将其关键字会添加到索引 中。该索引进程分为多个阶段,如下图
1.数据检索(Datastore):只是将数据从数据存储(例如 web 页面、数据库大型对象或本 地文件系统)中取出,然后作为数据流传送到下一个阶段。
2. 过滤(Filter):过滤器负责将各种文件格式的数据转换为纯文本格式,索引管道中的其 他组件只能处理纯文本数据,不能识别 Ms word 或 excel 等文件格式。
3. 分段(Sectioner):分段器添加关于原始数据项结构的元数据。
4. 词法分析(Lexer):根据数据项的语言将字符流分为几个字词。 5. 索引(Index):最后一个阶段将关键字添加到实际索引中。
全文检索和普通检索的区别
不使用Oracle text功能，当然也有很多方法可以在Oracle数据库中搜索文本，比如INSTR函数和LIKE操作：
1 、SELECT *FROM mytext WHERE INSTR (thetext, ‘Oracle‘) > 0;
2 、SELECT * FROM mytext WHERE thetext LIKE ‘%Oracle%‘;
有很多时候，使用instr和like是很理想的, 特别是搜索仅跨越很小的表的时候。然而通过这些文本定位的方法将导致全表扫描，对资源来说消耗比较昂贵，而且实现的搜索功能也非常有限，因此对海量的文本数据进行搜索时，建议使用oralce提供的全文检索功能。
附：这里顺带记录一下INSTR和LIKE:
Oracle中，可以使用 Instr 函数对某个字符串进行判断，判断其是否含有指定的字符。其语法为：Instr(string, substring, position, occurrence)。
string：代表源字符串（写入字段则表示此字段的内容）。
substring：代表想从源字符串中查找的子串。
position：代表查找的开始位置，该参数可选的，默认为1。
occurrence：代表想从源字符中查找出第几次出现的substring，该参数也是可选的，默认为1。
position 的值为负数，那么代表从右往左进行查找。
instr和like的性能比较
其实从效率角度来看，谁能用到索引，谁的查询速度就会快。
like有时可以用到索引，例如：name like ‘李%’，而当下面的情况时索引会失效：name like ‘%李’。所以一般我们查找中文类似于‘%字符%’时，索引都会失效。与其他数据库不同的是，oracle支持函数索引。例如在name字段上建个instr索引，查询速度就比较快了，这也是为什么instr会比like效率高的原因。
注:instr(title,’手册’)>0 相当于like‘%手册%’
instr(title,’手册’)=0 相当于not like‘%手册%’
Oracle Text 索引原理
Oracle text 索引将文本中所有的字符转化成记号(token),如 www.taobao.com 会转化 成 www,taobao,com 这样的记号。
Oracle10g 里面支持四种类型的索引：
context
ctxcat
ctxrule
ctxxpath
CONTEXT
用于对含有大量连续文本数据进行检索。支持 word、html、xml、text 等很多数据格式。支持范围(range)分区,支持并行创建索引(Parallel indexing)的索引类型。支持类型:VARCHAR2, CLOB, BLOB, CHAR, BFILE, XMLType, and URIType.
DML 操作后,需要 CTX_DDL.SYNC_INDEX 手工同步索引 如果有查询包含多个词语,直接用空格隔开(如 oracle itpub)
案例分析：
设置全文检索
步骤步骤一：检查和设置数据库角色
首先检查数据库中是否有CTXSYS用户和CTXAPP脚色。如果没有这个用户和角色，意味着你的数据库创建时未安装intermedia功能（10G默认安装都有此用户和角色）。你必须修改数据库以安装这项功能。默认安装情况下，ctxsys用户是被锁定的，因此要先启用ctxsys的用户。
11:53:13 [email protected] prod >select username,account_status from dba_users where username like ‘CTX%‘; USERNAME ACCOUNT_STATUS ------------------------------ -------------------------------- CTXSYS EXPIRED & LOCKED 11:54:17 [email protected] prod >alter user ctxsys identified by oracle account unlock; User altered. 11:55:07 [email protected] prod >select username,account_status from dba_users where username like ‘CTX%‘; USERNAME ACCOUNT_STATUS ------------------------------ -------------------------------- CTXSYS OPEN 12:00:13 [email protected] prod >select role from dba_roles 12:00:23 2 where role like ‘CTX%‘; ROLE ------------------------------ CTXAPP
步骤二：赋权
在ctxsys用户下，授予测试用户scott以下权限：
[[email protected] ~]$ cat t.sql GRANT resource, CONNECT, ctxapp TO scott; GRANT EXECUTE ON ctxsys.ctx_cls TO scott; GRANT EXECUTE ON ctxsys.ctx_ddl TO scott; GRANT EXECUTE ON ctxsys.ctx_doc TO scott; GRANT EXECUTE ON ctxsys.ctx_output TO scott; GRANT EXECUTE ON ctxsys.ctx_query TO scott; GRANT EXECUTE ON ctxsys.ctx_report TO scott; GRANT EXECUTE ON ctxsys.ctx_thes TO scott; GRANT EXECUTE ON ctxsys.ctx_ulexer TO scott; 11:58:04 [email protected] prod >@/home/oracle/t.sql Grant succeeded. Elapsed: 00:00:00.15 Grant succeeded. Elapsed: 00:00:00.21 Grant succeeded. Elapsed: 00:00:00.09 Grant succeeded. Elapsed: 00:00:00.09 Grant succeeded. Elapsed: 00:00:00.13 Grant succeeded. Elapsed: 00:00:00.07 Grant succeeded. Elapsed: 00:00:00.09 Grant succeeded. Elapsed: 00:00:00.10 Grant succeeded. Elapsed: 00:00:00.07
步骤三：设置词法分析器(lexer)
Oracle实现全文检索，其机制其实很简单。即通过Oracle专利的词法分析器(lexer),将文章中所有的表意单元(Oracle 称为 term)找出来，记录在一组以dr$开头的表中，同时记下该term出现的位置、次数、hash值等信息。检索时，Oracle从这组表中查找相应的term，并计算其出现频率，根据某个算法来计算每个文档的得分(score),即所谓的‘匹配率’。而lexer则是该机制的核心，它决定了全文检索的效率。Oracle针对不同的语言提供了不同的lexer,而我们通常能用到其中的三个：
basic_lexer: 针对英语。它能根据空格和标点来将英语单词从句子中分离，还能自动将一些出现频率过高已经失去检索意义的单词作为‘垃圾’处理，如if,is等，具有较高的处理效率。但该lexer应用于汉语则有很多问题，由于它只认空格和标点，而汉语的一句话中通常不会有空格，因此，它会把整句话作为一个term,事实上失去检索能力。以‘中国人民站起来了’这句话为例，basic_lexer分析的结果只有一个term,就是‘中国人民站起来了’。此时若检索‘中国’，将检索不到内容。 chinese_vgram_lexer: 专门的汉语分析器，支持所有汉字字符集(ZHS16CGB231280 ZHS16GBK ZHT32EUC ZHT16BIG5 ZHT32TRIS ZHT16MSWIN950 ZHT16HKSCS UTF8 )。该分析器按字为单元来分析汉语句子。‘中国人民站起来了’这句话，会被它分析成如下几个term:‘中’，‘中国’，‘国人’，‘人民’，‘民站’，‘站起’，起来’，‘来了’，‘了’。可以看出，这种分析方法，实现算法很简单，并且能实现‘一网打尽’，但效率则是差强人意。 chinese_lexer: 这是一个新的汉语分析器，只支持utf8字符集。上面已经看到，chinese vgram lexer这个分析器由于不认识常用的汉语词汇，因此分析的单元非常机械，像上面的‘民站’，‘站起’在汉语中根本不会单独出现，因此这种term是没有意义的，反而影响效率。chinese_lexer的最大改进就是该分析器能认识大部分常用汉语词汇，因此能更有效率地分析句子，像以上两个愚蠢的单元将不会再出现，极大提高了效率。但是它只支持utf8,如果你的数据库是zhs16gbk字符集，则只能使用笨笨的那个Chinese vgram lexer。如果不做任何设置，Oracle缺省使用basic_lexer这个分析器。
12:05:01 [email protected] prod >select userenv(‘language‘) from dual; USERENV(‘LANGUAGE‘) ---------------------------------------------------- AMERICAN_AMERICA.ZHS16GBK 12:08:05 [email protected] prod >desc ctx_ddl PROCEDURE CREATE_PREFERENCE Argument Name Type In/Out Default? ------------------------------ ----------------------- ------ -------- PREFERENCE_NAME VARCHAR2 IN OBJECT_NAME VARCHAR2 IN 12:12:25 [email protected] prod >EXEC ctx_ddl.create_preference (‘my_lexer‘, ‘chinese_vgram_lexer‘); PL/SQL procedure successfully completed. 创建表 12:13:15 [email protected] prod >CREATE TABLE textdemo( 12:15:47 2 id NUMBER NOT NULL PRIMARY KEY, 12:15:47 3 book_author varchar2(100),--作者 12:15:47 4 publish_time DATE,--发布日期 12:15:47 5 title varchar2(400),--标题 12:15:47 6 book_abstract varchar2(2000),--摘要 12:15:47 7 path varchar2(200)--路径 12:15:47 8 ); Table created.
插入数据 INSERT INTO textdemo VALUES(1,‘宫琦峻‘,to_date(‘2008-10-07‘,‘yyyy-mm-dd‘),‘ 移动城堡‘,‘故事发生在19世纪末的欧洲，善良可爱的苏菲被恶毒的女巫施下魔咒，从18岁的女孩变成90岁的婆婆，孤单无助的她无意中走入镇外的移动城堡，据说它的主人哈尔以吸取女孩的灵魂为乐，但是事情并没有人们传说的那么可怕，性情古怪的哈尔居然收留了苏菲，两个人在四脚的移动城堡中开始了奇妙的共同生活，一段交织了爱与痛、乐与悲的爱情故事在战火中悄悄展开‘,‘E:\textsearch\moveingcastle.doc‘); INSERT INTO textdemo VALUES(2,‘莫贝克曼贝托夫‘,to_date(‘2008-10-07‘,‘yyyy-mm-dd‘),‘ ***转弯‘,‘这部由俄罗斯导演提莫贝克曼贝托夫执导的影片自6 月末在北美上映以来，已经在全球取得了超过3亿美元的票房收入。在亚洲上映后也先后拿下日本、韩国等地的票房冠军宝座。虽然不少网友在此之前也相继通过各种渠道接触到本片，但相信影片凭着在大银幕上呈现出的超酷的视听效果，依然能够吸引大量影迷前往影院捧场。‘,‘E:\textsearch\catch.pdf‘); INSERT INTO textdemo VALUES(3,‘袁泉‘,to_date(‘2008-10-07‘,‘yyyy-mm-dd‘),‘主演吴彦祖和袁泉现身‘,‘电影《如梦》在上海同乐坊拍摄，主演吴彦祖和袁泉现身。由于是深夜拍摄，所以周围并没有过多的fans注意到，给了剧组一个很清净的拍摄环境，站在街头的袁泉低着头，在寒冷的夜里看上去还真有些像女鬼，令人毛骨悚然。‘,‘E:\textsearch\dream.txt‘);
步骤四：在book_abstract字段建立索引使用刚刚设置的ORATEXT_LEXER ：chinese_vgram_lexer作为分析器。
CREATE INDEX demo_abstract ON textdemo(book_abstract) indextype IS ctxsys.context parameters(‘lexer ORATEXT_LEXER‘); commit; 之后如上所述多出很多dr$开头的表和索引，系统会创建四个相关的表： DR$DEMO_ABSTRACT$I(分词后的TOKEN表) DR$DEMO_ABSTRACT$K DR$DEMO_ABSTRACT$N DR$DEMO_ABSTRACT$R
下面的语句可以查看索引创建过程中是否发生了错误：
SELECT * FROM ctx_USER_index_errors 附：对于建立索引的类型（例如ctxsys.context），包括四种：context,ctxcat,ctxrule,ctxxpath。 CONTEXT用于对含有大量连续文本数据进行检索。支持word、html、xml、text等很多数据格式。支持范围（range）分区，支持并行创建索引（Parallel indexing）的索引类型。 支持类型：VARCHAR2, CLOB, BLOB, CHAR, BFILE, XMLType, and URIType.DML。操作后，需要CTX_DDL.SYNC_INDEX手工同步索引如果有查询包含多个词语，直接用空格隔开(如 oracle itpub)。 查询标识符CONTAINS CTXCAT适用于混合查询语句（如查询条件包括产品id，价格，描述等）。适合于查询较小的具有一定结构的文本段。具有事务性。DML 操作后，索引会自动进行同步。 操作符：and,or,>,;<, =,between,in 查询标识符CATSEARCH CTXRULE查询标识符MATCHES。 CTXXPATH（这两个索引没有去更多搜索相关内容） 一般来说我们建立CONTEXT类型的索引（CONTAINS来查询）。
步骤五：查询测试
--查询或 SELECT score(20),t.* FROM textdemo t WHERE contains(book_abstract,‘移动城堡 or 俄罗斯‘,20)>0; SELECT score(20),t.* FROM textdemo t WHERE contains(book_abstract,‘移动城堡 or 欧洲‘,20)>0; --基本查询 SELECT score(20),t.* FROM textdemo t WHERE contains(book_abstract,‘移动城堡‘,20)>0; --查询包含多个词语and测试通过 SELECT score(20),t.* FROM textdemo t WHERE contains(book_abstract,‘移动城堡 and 欧洲‘,20)>0; 测试通过。
对多字段建立全文索引
很多时候需要从多个文本字段中查询满足条件的记录，这时就需要建立针对多个字段的全文索引，例如需要从pmhsubjects(专题表)的 subjectname(专题名称)和briefintro(简介)上进行全文检索，则需要按以下步骤进行操作：
建立多字段索引的preference，以ctxsys登录，并执行：
BEGIN
ctx_ddl.create_preference(‘ctx_demo_abstract_title‘,‘MULTI_COLUMN_DATASTORE‘);
END;
建立preference对应的字段值(以ctxsys登录) 对应title path book_abstract三个字段建立索引：
BEGIN
ctx_ddl.set_attribute(‘ctx_demo_abstract_title ‘,‘columns‘,‘title,path‘);
END;
建立全文索引:
CREATE INDEX demo_abstract_title ON textdemo(book_abstract) indextype IS ctxsys.context parameters(‘ DATASTORE ctxsys. ctx_demo_ abstract_title lexer ORATEXT_LEXER‘);
commit;
测试
SELECT score(20),t.* FROM textdemo t WHERE contains(book_abstract,‘移动城堡 or 俄罗斯‘,20)>0;
对大字段进行检索测试
CREATE TABLE mytable(id NUMBER PRIMARY KEY, docs CLOB);
INSERT INTO mytable VALUES(111555,‘this text will be indexed‘);
INSERT INTO mytable VALUES(111556,‘this is a direct_datastore example‘);
Commit;
CREATE INDEX myindex ON mytable(docs)
indextype IS ctxsys.context
parameters (‘datastore ctxsys.default_datastore‘);
SELECT * FROM mytable WHERE contains(docs, ‘text‘) > 0;