DuckDB 对比 PolarDB for PostgreSQL 全文检索功能
digoal约 7 分钟标签
PostgreSQL , PolarDB , DuckDB , 全文检索 , full text search , fts , 中文 , 西方文字 , 模糊查询
背景
PolarDB for PostgreSQL 全文检索的优势: 1、可以通过插件支持几乎所有语言; 2、支持数据写入后自动实时更新全文检索索引; 3、全文检索具有非常完整的语义和函数支持功能;
DuckDB的fts插件目前仅支持英文等西方语言、不支持实时更新全文检索索引. 相对来说功能比较弱.
下面简单介绍一下duckdb的fts使用, PolarDB for PostgreSQL的用法见后面的参考部分的内容.
https://duckdb.org/docs/guides/sql_features/full_text_search
https://duckdb.org/docs/extensions/full_text_search
加载fts插件
D install fts;
D load fts;
创建测试表和测试数据
D create table test (id int primary key, ct text);
D insert into test values (1, '你好 中国 你好德哥,我是来自阿里巴巴数据库部门的高级数据库产品专家,负责阿里云开源数据库PolarDB的社区运营.');
创建全文索引
D PRAGMA create_fts_index('test', 'id', 'ct');
全文索引被放到fts_$schema_$tablename的一个MACRO match_bm25中.
This PRAGMA builds the index under a newly created schema. The schema will be named after the input table: if an index is created on table 'main.table_name', then the schema will be named 'fts_main_table_name'.
我们可以通过duckdb_functions() 搜索到对应的macro match_bm25
D .maxwidth -1
D select * from duckdb_functions() where function_name like '%match%'; │ memory │ fts_main_test │ match_bm25 │ macro │ │ │ [docname, query_string, conjunctive, b, k, fields] │ [NULL, NULL, NULL, NULL, NULL, NULL] │ │ (WITH subscores AS (SELECT docs.docid, len, term_tf.termid, tf, df, (main.log(((((SELECT num_docs FROM fts_main_test.stats) - df) + 0.5) / (df + 0.5))) * ((tf * (k + 1)) / (tf + (k * ((1 - b) + (b * (len / (SELECT avgdl FROM fts_main_test.stats)))))))) AS subscore FROM (SELECT termid, docid, main.count_star() AS tf FROM qterms GROUP BY docid, termid) AS term_tf INNER JOIN (SELECT docid FROM qterms GROUP BY docid HAVING CASE WHEN (conjunctive) THEN ((main.count(DISTINCT termid) = (SELECT main.count_star() FROM tokens))) ELSE 1 END) AS cdocs ON ((term_tf.docid = cdocs.docid)) INNER JOIN fts_main_test.docs AS docs ON ((term_tf.docid = docs.docid)) INNER JOIN fts_main_test.dict AS dict ON ((term_tf.termid = dict.termid))), qterms AS (SELECT termid, docid FROM fts_main_test.terms AS terms WHERE (CASE WHEN ((fields IS NULL)) THEN (1) ELSE (fieldid = ANY(SELECT * FROM fieldids)) END AND (termid = ANY(SELECT qtermids.termid FROM qtermids)))), fieldids AS (SELECT fieldid FROM fts_main_test.fields WHERE CASE WHEN ((fields IS NULL)) THEN (1) ELSE (field = ANY(SELECT * FROM (SELECT unnest(main.string_split(fields, ','))) AS fsq)) END), qtermids AS (SELECT termid FROM fts_main_test.dict AS dict , tokens WHERE (dict.term = tokens.t)), tokens AS (SELECT DISTINCT main.stem(unnest(fts_main_test.tokenize(query_string)), 'porter') AS t)SELECT score FROM (SELECT docid, main.sum(subscore) AS score FROM subscores GROUP BY docid) AS scores INNER JOIN fts_main_test.docs AS docs ON (((scores.docid = docs.docid) AND (docs."name" = docname)))) │ │ false │ 1444 │ │
使用fts_main_test.match_bm25获取要搜索的内容的score.
D SELECT fts_main_test.match_bm25(id, '德哥') as score,* from test order by score;
┌────────┬───────┬──────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ score │ id │ ct │
│ double │ int32 │ varchar │
├────────┼───────┼──────────────────────────────────────────────────────────────────────────────────────────────────────────┤
│ │ 1 │ 你好 中国 你好德哥,我是来自阿里巴巴数据库部门的高级数据库产品专家,负责阿里云开源数据库PolarDB的社区运营. │
└────────┴───────┴──────────────────────────────────────────────────────────────────────────────────────────────────────────┘
D SELECT fts_main_test.match_bm25(id, '阿里云') as score,* from test order by score;
┌────────┬───────┬──────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ score │ id │ ct │
│ double │ int32 │ varchar │
├────────┼───────┼──────────────────────────────────────────────────────────────────────────────────────────────────────────┤
│ │ 1 │ 你好 中国 你好德哥,我是来自阿里巴巴数据库部门的高级数据库产品专家,负责阿里云开源数据库PolarDB的社区运营. │
└────────┴───────┴──────────────────────────────────────────────────────────────────────────────────────────────────────────┘
D SELECT fts_main_test.match_bm25(id, '华为') as score,* from test order by score;
┌────────┬───────┬──────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ score │ id │ ct │
│ double │ int32 │ varchar │
├────────┼───────┼──────────────────────────────────────────────────────────────────────────────────────────────────────────┤
│ │ 1 │ 你好 中国 你好德哥,我是来自阿里巴巴数据库部门的高级数据库产品专家,负责阿里云开源数据库PolarDB的社区运营. │
└────────┴───────┴──────────────────────────────────────────────────────────────────────────────────────────────────────────┘
D SELECT fts_main_test.match_bm25(id, '中国') as score,* from test order by score;
┌────────┬───────┬──────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ score │ id │ ct │
│ double │ int32 │ varchar │
├────────┼───────┼──────────────────────────────────────────────────────────────────────────────────────────────────────────┤
│ │ 1 │ 你好 中国 你好德哥,我是来自阿里巴巴数据库部门的高级数据库产品专家,负责阿里云开源数据库PolarDB的社区运营. │
└────────┴───────┴──────────────────────────────────────────────────────────────────────────────────────────────────────────┘
D SELECT fts_main_test.match_bm25(id, 'PolarDB') as score,* from test order by score;
┌──────────────────────┬───────┬──────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ score │ id │ ct │
│ double │ int32 │ varchar │
├──────────────────────┼───────┼──────────────────────────────────────────────────────────────────────────────────────────────────────────┤
│ -0.47712125471966244 │ 1 │ 你好 中国 你好德哥,我是来自阿里巴巴数据库部门的高级数据库产品专家,负责阿里云开源数据库PolarDB的社区运营. │
└──────────────────────┴───────┴──────────────────────────────────────────────────────────────────────────────────────────────────────────┘
中文没有被记录到索引中, score is NULL.
Unlike standard indexes, full text indexes don’t auto-update as the underlying data is changed, so you need to PRAGMA drop_fts_index(my_fts_index) and recreate it when appropriate.
相比之下, PostgreSQL全文检索真的好用多了, 而且还支持多种类型的索引(btree, hash, gin, brin, gist, spgist, bloom, rum 等)共同使用.
《PostgreSQL 9种索引的原理和应用场景》
《PostgreSQL SQL自动优化案例 - 极简，自动推荐索引》
《自动选择正确索引访问接口(btree,hash,gin,gist,sp-gist,brin,bitmap...)的方法》
参考
《配置 jieba结巴分词 for PolarDB 实现数据库高性能文本分词搜索》
《如何加快PostgreSQL结巴分词pg_jieba加载速度》
PolarDB for PostgreSQL 还支持模糊查询索引加速. (通过pg_trgm, pgbigm等插件, 对字符串进行切分, 使用gin索引构建token倒排索引进行模糊查询加速.)
《PolarDB 开源版通过 pg_trgm GIN 索引实现高效率
like '%xxx%'模糊查询》《PolarDB 开源版通过 parray_gin 实现高效率 数组、JSON 内元素的模糊搜索》
《PostgreSQL 数组或JSON内容的模糊匹配索引插件: parray_gin》
《重新发现PostgreSQL之美 - 16 like '%西出函谷关%' 模糊查询》
《PostgreSQL 应用开发解决方案最佳实践系列课程 - 1. 中文分词与模糊查询》
《[直播]在数据库中跑全文检索、模糊查询SQL会不会被开除?》
《PostgreSQL 模糊查询、相似查询 (like '%xxx%') pg_bigm 比 pg_trgm 优势在哪?》
《PostgreSQL 模糊查询增强插件pgroonga , pgbigm (含单字、双字、多字、多字节字符) - 支持JSON模糊查询等》
《PostgreSQL ghtree实现的海明距离排序索引, 性能不错(模糊图像) - pg-knn_hamming - bit string 比特字符串 相似度搜索》
《PostgreSQL VagueGeometry vague spatial data - VASA (Vague Spatial Algebra) for PG - 模糊空间数据》
《PostgreSQL bktree 索引using gist例子 - 海明距离检索 - 短文相似、模糊图像搜索 - bit string 比特字符串 相似度搜索》
《PostgreSQL+MySQL 联合解决方案 - 第12课视频 - 全文检索、中文分词、模糊查询、相似文本查询》
《PostgreSQL 数组里面的元素，模糊搜索，模糊查询，like，前后百分号，正则查询，倒排索引》
《PostgreSQL 一复合查询SQL优化例子 - (多个exists , 范围检索 , IN检索 , 模糊检索 组合)》
《PostgreSQL 模糊查询+大量重复值匹配 实践 - 分区索引 = any (array())》
《PostgreSQL 模糊查询 与 正则匹配 性能差异与SQL优化建议》
《用PostgreSQL 做实时高效 搜索引擎 - 全文检索、模糊查询、正则查询、相似查询、ADHOC查询》
《HTAP数据库 PostgreSQL 场景与性能测试之 12 - (OLTP) 字符串搜索 - 前后模糊查询》
《HTAP数据库 PostgreSQL 场景与性能测试之 9 - (OLTP) 字符串模糊查询 - 含索引实时写入》
《多国语言字符串的加密、全文检索、模糊查询的支持》
《Greenplum 模糊查询 实践》
《PostgreSQL 模糊查询最佳实践 - (含单字、双字、多字模糊查询方法)》
《PostgreSQL 全表 全字段 模糊查询的毫秒级高效实现 - 搜索引擎颤抖了》
《从难缠的模糊查询聊开 - PostgreSQL独门绝招之一 GIN , GiST , SP-GiST , RUM 索引原理与技术背景》
《中文模糊查询性能优化 by PostgreSQL trgm》
《PostgreSQL 百亿数据 秒级响应 正则及模糊查询》
欢迎关注我的github (https://github.com/digoal/blog) , 学习数据库不迷路.
近期正在写公开课材料, 未来将通过视频号推出.