0Pricing
SQL Academy · Lekcja

Wyszukiwanie pełnotekstowe za pomocą tsvector i GIN

Budować produkcyjne wyszukiwanie pełnotekstowe z kolumnami tsvector, indeksami GIN i konfigurowalnymi słownikami wyszukiwania tekstowego

Wyszukiwanie pełnotekstowe za pomocą tsvector i GIN to bezpłatna lekcja SQL Academy na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej SQL Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs SQL Academy zawiera 4 lekcji w sumie.

Poza podciągami: wyszukiwanie uwzględniające słowa

Wyszukiwanie pełnotekstowe (FTS) rozumie słowa: stemming, słowa pomijane i ranking. PostgreSQL ma tę funkcję wbudowaną za pomocą typów tsvector i tsquery.

Tworzenie tsvector

Przeanalizuj dokument:

SELECT to_tsvector('english', 'The quick brown foxes jumped over');
-- 'brown':3 'fox':4 'jump':5 'quick':2

Tworzenie tsquery

Przeanalizuj zapytanie:

SELECT to_tsquery('english', 'fox & jumping');     -- 'fox' & 'jump'
SELECT websearch_to_tsquery('english', 'fox jumping -lazy');

Dopasowanie: @@

Sprawdź dokument względem zapytania:

SELECT 'fox jumping'::tsvector @@ 'fox & jump'::tsquery;     -- t

Indeksowanie na potrzeby FTS

Dodaj kolumnę tsvector i indeks GIN:

ALTER TABLE articles
  ADD COLUMN search_doc tsvector
    GENERATED ALWAYS AS (
      to_tsvector('english', coalesce(title,'') || ' ' || coalesce(body,''))
    ) STORED;

CREATE INDEX articles_search_idx ON articles USING GIN (search_doc);

Wykonywanie zapytań

Szybkie wyszukiwanie z filtrowaniem:

SELECT id, title FROM articles
WHERE search_doc @@ websearch_to_tsquery('english', 'postgres performance')
ORDER BY ts_rank(search_doc, websearch_to_tsquery('english', 'postgres performance')) DESC
LIMIT 20;

Ranking za pomocą ts_rank

ts_rank ocenia wyniki na podstawie częstotliwości i pozycji słów. ts_rank_cd używa gęstości pokrycia (uwzględnia pozycję):

SELECT id, ts_rank_cd(search_doc, q) AS rank
FROM articles, websearch_to_tsquery('english', $1) AS q
WHERE search_doc @@ q
ORDER BY rank DESC LIMIT 20;

Fragmenty za pomocą ts_headline

Wyświetl dopasowane fragmenty, wyróżniając dopasowane słowa:

SELECT ts_headline('english', body,
  websearch_to_tsquery('english', $1),
  'StartSel=<mark>, StopSel=</mark>, MaxFragments=2')
FROM articles
WHERE search_doc @@ websearch_to_tsquery('english', $1);

Wyszukiwanie fraz

Znajdź sąsiadujące słowa:

SELECT * FROM articles
WHERE search_doc @@ phraseto_tsquery('english', 'database performance');

Ważenie wielu pól

Nadaj tytułowi większą wagę niż treści za pomocą setweight:

ALTER TABLE articles
  ADD COLUMN search_doc tsvector
    GENERATED ALWAYS AS (
      setweight(to_tsvector('english', coalesce(title,'')), 'A') ||
      setweight(to_tsvector('english', coalesce(body,'')),  'B')
    ) STORED;

Konfiguracja języka

Konfiguracja english definiuje słowa pomijane, stemming itp. PostgreSQL jest dostarczany z wieloma językami; można przełączać język:

SELECT to_tsvector('turkish', 'Veritabanı performansı');

Ograniczenia wbudowanego FTS

To dobre rozwiązanie dla języków podobnych do angielskiego i podstawowego rankingu. W przypadku bardziej zaawansowanych potrzeb (BM25, osadzenia wektorowe, wyszukiwanie fasetowe) warto rozważyć Elasticsearch lub OpenSearch obok Postgresa.

Podsumowanie

FTS w PostgreSQL to dobry wybór domyślny.

  • tsvector + tsquery + dopasowywanie za pomocą @@
  • Indeks GIN zapewniający szybkość
  • websearch_to_tsquery do obsługi danych wprowadzanych przez użytkownika
  • ts_rank/ts_headline do tworzenia uporządkowanych i wyróżnionych wyników

Szybki test

Potrzebne jest szybkie filtrowanie artykułów według zapytania pełnotekstowego. Który indeks należy wybrać?

Często zadawane pytania

Czy lekcja „Wyszukiwanie pełnotekstowe za pomocą tsvector i GIN” jest bezpłatna?

Tak — pełny tekst „Wyszukiwanie pełnotekstowe za pomocą tsvector i GIN” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu SQL Academy, przejdź na CoddyKit PRO. Kurs SQL Academy zawiera 4 lekcji w sumie.

Co nauczysz się w „Wyszukiwanie pełnotekstowe za pomocą tsvector i GIN”?

Budować produkcyjne wyszukiwanie pełnotekstowe z kolumnami tsvector, indeksami GIN i konfigurowalnymi słownikami wyszukiwania tekstowego Ćwiczysz SQL Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć SQL Academy?

Nie wymagamy żadnego doświadczenia. SQL Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.

Ile czasu zajmuje lekcja „Wyszukiwanie pełnotekstowe za pomocą tsvector i GIN”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji SQL Academy?

Tak. Każda lekcja SQL Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

  1. Wyszukiwanie trigramowe (pg_trgm) na potrzeby dopasowania przybliżonego
  2. Wyszukiwanie pełnotekstowe za pomocą tsvector i GIN
  3. Indeksowanie geoprzestrzenne za pomocą PostGIS
  4. Wyszukiwanie wektorowe za pomocą pgvector
← Powrót do SQL Academy