使用 Python 的 SQLite JSON1 和 FTS5 擴充套件

OneAPM官方技術部落格發表於2015-12-24

早在九月份,程式設計界出現一個名為 json1.c 的檔案,此前這個檔案一直在 SQLite 的庫裡面。還有,筆者也曾總結通過使用新的 json1 擴充套件來編譯 pysqlite 的技巧。但現在隨著 SQLite 3.9.0 的釋出,使用者已經不用再費那麼大勁了。

SQLite 3.9.0 版本做了很大的升級,不僅增加了萬眾期待的 json1 擴充套件,還增加了具有全文檢索的新版本 fts5 擴充套件模組。 fts5 擴充套件模組提高了複雜查詢的效能,並且提供了開箱即用的 BM25 排序演算法。該演算法在其他相關領域排序方面也有著重大意義。使用者可通過檢視釋出說明以瞭解全部新增功能。

本文主要介紹如何新增 json1 和 fts5 擴充套件編譯 SQLite。這裡將使用新版 SQLite 庫編譯 python 驅動程式,也利用 python 新功能。由於個人很喜歡 pysqlite 和 apsw,所以下文步驟中將會包括建立兩者的指令。最後,將在 peewee ORM 通過 json1 和 fts5 擴充套件進行查詢。

使用入門

首先從獲取新版 SQLite 原始碼入手,一種方法是通過使用 SQLite 原始碼管理系統 fossil 來完成,另一種是下載一個壓縮影像。 SQLite 使用 tclawk 進行原始碼融合,因此在開始前,需要安裝下列工具:

  • tcl
  • awk (可用於大多數 unix系統)
  • fossil (可選)

該過程涉及幾個步驟,這裡儘量將步驟細化。首先需要為新庫分配一個全新的目錄,筆者把它放在 ~/bin/jqlite 中,使用者可根據個人喜好自行選擇。

export JQLITE="$HOME/bin/jqlite"
mkdir -p $JQLITE
cd $JQLITE

通過 fossil 獲取原始碼,執行以下命令:

fossil clone http://www.sqlite.org/cgi/src sqlite.fossil
fossil open sqlite.fossil

獲取快照檔案,執行以下命令:

curl 'https://www.sqlite.org/src/tarball/sqlite.tar.gz?ci=trunk' | tar xz
mv sqlite/* .

如果你更喜歡使用官方正式版,可在 SQLite 下載頁 下載 autoconf 的壓縮包,並將內容解壓到 $JQLITE 目錄中。

利用 json1 和 fts5 編譯 SQLite

程式碼下載完成後,把它和 SQLite 原始碼樹放在同一目錄下。SQLite 支援大量的編譯配置選項,除了 json1fts5,還有很多其他有效的選擇。

編譯遵循典型的 configure -> make -> make install 順序 :

export CFLAGS="-DSQLITE_ENABLE_COLUMN_METADATA=1 \
-DSQLITE_ENABLE_DBSTAT_VTAB=1 \
-DSQLITE_ENABLE_FTS3=1 \
-DSQLITE_ENABLE_FTS3_PARENTHESIS=1 \
-DSQLITE_ENABLE_FTS5=1 \
-DSQLITE_ENABLE_JSON1=1 \
-DSQLITE_ENABLE_RTREE=1 \
-DSQLITE_ENABLE_UNLOCK_NOTIFY \
-DSQLITE_ENABLE_UPDATE_DELETE_LIMIT \
-DSQLITE_SECURE_DELETE \
-DSQLITE_SOUNDEX \
-DSQLITE_TEMP_STORE=3 \
-fPIC"
LIBS="-lm" ./configure --prefix=$JQLITE --enable-static --enable-shared
make
make install

在 SQLite3 Source Checkout 中,應該有一個 lib/libsqlite3.a 檔案。如果檔案不存在,檢查控制器的輸出,檢視錯誤日誌。我在 arch 和 ubuntu 上都已執行成功,但 fapple 和 windoze 我不確定能否成功。

建立 pysqlite

大多數 python 開發者對 pysqlite 一定不陌生,在 Python 標準庫中 pysqlite 或多或少的和 sqlite3 模組相似。要建立和 libsqlite3 相對應的 pysqlite,唯一需要做的是修改 setup.cfg 檔案使其指向剛才建立的 includelib 目錄。

git clone https://github.com/ghaering/pysqlite
cd pysqlite/
cp ../sqlite3.c .
echo -e "library_dirs=$JQLITE/lib" >> setup.cfg
echo -e "include_dirs=$JQLITE/include" >> setup.cfg
LIBS="-lm" python setup.py build_static

測試安裝,進入 build/lib.linux-xfoobar/ 目錄,啟動 Python 直譯器,執行以下命令:

>>> from pysqlite2 import dbapi2 as sqlite
>>> conn = sqlite.connect(':memory:')
>>> conn.execute('CREATE VIRTUAL TABLE testing USING fts5(data);')
<pysqlite2.dbapi2.Cursor object at 0x7ff7d0a2dc60>
>>> conn.execute('SELECT json(?)', (1337,)).fetchone()
(u'1337',)

接下來就看你心情了,你可以執行 python setup.py 安裝檔案,也可以把新建的 pysqlite2(可在 build/lib.linux.../ 目錄下檢視)連結到 $PYTHONPATH。如果想同時使用 virtualenv 和 $PYTHONPATH ,可以先啟用 virtualenv,然後返回 pysqlite 目錄下執行 setup.py 來安裝檔案。

建立 apsw

建立 apsw 的步驟幾乎和建立 pysqlite 相同。

cd $JQLITE
git clone https://github.com/rogerbinns/apsw
cd apsw
cp ../sqlite3{ext.h,.h,.c} .
echo -e "library_dirs=$SQLITE_SRC/lib" >> setup.cfg
echo -e "include_dirs=$SQLITE_SRC/include" >> setup.cfg
LIBS="-lm" python setup.py build

為了測試新的 apsw 庫,更改目錄到 build/libXXX。啟動 Python 直譯器,執行下列命令:

>>> import apsw
>>> conn = apsw.Connection(':memory:')
>>> cursor = conn.cursor()
>>> cursor.execute('CREATE VIRTUAL TABLE testing USING fts5(data);')
<apsw.Cursor at 0x7fcf6b17fa80>
>>> cursor.execute('SELECT json(?)', (1337,)).fetchone()
(u'1337',)

可通過執行 Python setup.py 安裝檔案來安裝新 apsw 全系統,或者連結 apsw.so 庫(可在 build/lib.linux.../ 檢視)到 $PYTHONPATH。如果開發者想同時使用 virtualenv 和 apsw ,可以先啟用 virtualenv,然後返回 apsw 目錄下執行 setup.py 安裝檔案。

使用 JSON 擴充套件

json1 擴充套件中具有一些簡潔特性,尤其是 json_treejson_each 函式/虛擬表(詳情)。為了展示這些新功能,本文特意利用 peewee(小型 Python ORM)編寫了一些 JSON 資料並進行查詢。

原打算從 GitHub 的 API 上獲取測試資料,但為了展示最少冗長這個特性,特意選擇編寫一個小的 JSON 檔案(詳情)。其結構如下:

[{
   "title": "My List of Python and SQLite Resources",
   "url": "http://charlesleifer.com/blog/my-list-of-python-and-sqlite-resources/", 
   "metadata": {"tags": ["python", "sqlite"]}
 }, 
 {
   "title": "Using SQLite4's LSM Storage Engine as a Stand-alone NoSQL Database with Python"
   "url": "http://charlesleifer.com/blog/using-sqlite4-s-lsm-storage-engine-as-a-stand-alone-nosql-database-with-python/", 
   "metadata": {"tags": ["nosql", "python", "sqlite", "cython"]}
  },
  ...]

如果更願意以 IPython 格式檢視程式碼,參考此處

填充資料庫

獲取 JSON 資料檔案和進行解碼:

>>> import json, urllib2
>>> fh = urllib2.urlopen('http://media.charlesleifer.com/downloads/misc/blogs.json')
>>> data = json.loads(fh.read())
>>> data[0]
{u'metadata': {u'tags': [u'python', u'sqlite']},
 u'title': u'My List of Python and SQLite Resources',
 u'url': u'http://charlesleifer.com/blog/my-list-of-python-and-sqlite-resources/'}

現在,需要告知 peewee 怎樣去訪問我們資料庫,通過存入 SQLite 資料庫的方式使用自定義的 pysqlite 介面。這裡使用的是剛剛編譯完成的 pysqlite2,雖然它和 tojqlite 有所混淆,但這並不衝突。在定義資料庫類後,將建立一個記憶體資料庫。(注:在接下來的2.6.5版本中,如果其使用比 sqlite3 更新版本編譯,peewee 將自動使用 pysqlite2)。

>>> from pysqlite2 import dbapi2 as jqlite
>>> from peewee import *
>>> from playhouse.sqlite_ext import *
>>> class JQLiteDatabase(SqliteExtDatabase):
...     def _connect(self, database, **kwargs):
...         conn = jqlite.connect(database, **kwargs)
...         conn.isolation_level = None
...         self._add_conn_hooks(conn)
...         return conn
...
>>> db = JQLiteDatabase(':memory:')

利用 JSON 資料填充資料庫十分簡單。首先使用單一 TEXT 欄位建立一個通用表。此時,SQLite 不會顯示 JSON 資料單獨的列/資料型別,所以需要使用 TextField

>>> class Entry(Model):
...     data = TextField()
...     class Meta:
...         database = db
... 
>>> Entry.create_table()
>>> with db.atomic():
...     for entry_json in data:
...         Entry.create(data=json.dumps(entry_json))
...

JSON 的功能

首先介紹下 json_extract()。它通過點/括號的路徑來描述要找的元素(postgres 使用的是[])。資料庫的每個 Entry 中包含單一資料列,每個資料列中又包含一個 JSON 物件。每個 JSON 物件包括一個標題,一個 URL 和頂層的後設資料鍵,下面是提取作品標題的程式碼:

>>> title = fn.json_extract(Entry.data, '$.title')
>>> query = (Entry
...          .select(title.alias('title'))
...          .order_by(title)
...          .limit(5))
...
>>> [row for row in query.dicts()]
[{'title': u'A Tour of Tagging Schemas: Many-to-many, Bitmaps and More'},
 {'title': u'Alternative Redis-Like Databases with Python'},
 {'title': u'Building the SQLite FTS5 Search Extension'},
 {'title': u'Connor Thomas Leifer'},
 {'title': u'Extending SQLite with Python'}]

對應下面 SQL 建立的查詢:

SELECT json_extract("t1"."data", '$.title') AS title 
FROM "entry" AS t1 
ORDER BY json_extract("t1"."data", '$.title')
LIMIT 5

在接下來的例子中,將提取包含特定標籤的條目。利用 json_each() 函式搜尋標籤列表。該函式類似於表(實際指的是虛表),返回篩選後的指定 JSON 路徑,下面是如何檢索標題為「Sqlite」條目的程式碼。

>>> from peewee import Entity
>>> tags_src = fn.json_each(Entry.data, '$.metadata.tags').alias('tags')
>>> tags_ref = Entity('tags')

>>> query = (Entry
...          .select(title.alias('title'))
...          .from_(Entry, tags_src)
...          .where(tags_ref.value == 'sqlite')
...          .order_by(title))
... 
>>> [row for row, in query.tuples()]
[u'Building the SQLite FTS5 Search Extension',
 u'Extending SQLite with Python',
 u'Meet Scout, a Search Server Powered by SQLite',
 u'My List of Python and SQLite Resources',
 u'Querying Tree Structures in SQLite using Python and the Transitive Closure Extension',
 u"Using SQLite4's LSM Storage Engine as a Stand-alone NoSQL Database with Python",
 u'Web-based SQLite Database Browser, powered by Flask and Peewee']

上述查詢的 SQL 有助闡明整個過程:

SELECT json_extract("t1"."data", '$.title') AS title 
FROM
    "entry" AS t1, 
    json_each("t1"."data", '$.metadata.tags') AS tags 
WHERE ("tags"."value" = 'sqlite') 
ORDER BY json_extract("t1"."data", '$.title')

隨著查詢變得更加複雜,可通過使用 Peewee 物件對查詢進行封裝,使之變得更加有用,同時也使得程式碼能夠重用。

下面是 json_each() 的另一個例子。這次將篩選每個條目中的標題,並建立相關標籤的字串,字串中用逗號分隔。這裡將再次使用上文定義的 tags_srctags_ref

>>> query = (Entry
...          .select(
...              title.alias('title'),
...              fn.group_concat(tags_ref.value, ', ').alias('tags'))
...          .from_(Entry, tags_src)
...          .group_by(title)
...          .limit(5))
...
>>> [row for row in query.tuples()]
[(u'A Tour of Tagging Schemas: Many-to-many, Bitmaps and More',
  u'peewee, sql, python'),
 (u'Alternative Redis-Like Databases with Python',
  u'python, walrus, redis, nosql'),
 (u'Building the SQLite FTS5 Search Extension',
  u'sqlite, search, python, peewee'),
 (u'Connor Thomas Leifer', u'thoughts'),
 (u'Extending SQLite with Python', u'peewee, python, sqlite')]

為了清晰起見,這裡是對應的 SQL 查詢語句:

SELECT 
    json_extract("t1"."data", '$.title') AS title, 
    group_concat("tags"."value", ', ') AS tags 
FROM 
    "entry" AS t1, 
    json_each("t1"."data", '$.metadata.tags') AS tags 
GROUP BY json_extract("t1"."data", '$.title') 
LIMIT 5

最後介紹的功能是 json_tree()。如同 json_each()json_tree() 同樣是一個多值函式,同樣與表類似。但不同但時 json_each() 僅返回特定路徑的 children,而 json_tree() 將遞迴遍歷全部物件,返回全部的 children。

如果標籤鍵巢狀在條目的任意位置,下面是如何匹配給定標籤條目的程式碼:

>>> tree = fn.json_tree(Entry.data, '$').alias('tree')
>>> parent = fn.json_tree(Entry.data, '$').alias('parent')

>>> tree_ref = Entity('tree')
>>> parent_ref = Entity('parent')

>>> query = (Entry
...          .select(title.alias('title'))
...          .from_(Entry, tree, parent)
...          .where(
...              (tree_ref.parent == parent_ref.id) &
...              (parent_ref.key == 'tags') &
...              (tree_ref.value == 'sqlite'))
...          .order_by(title))
...
>>> [title for title, in query.tuples()]
[u'Building the SQLite FTS5 Search Extension',
 u'Extending SQLite with Python',
 u'Meet Scout, a Search Server Powered by SQLite',
 u'My List of Python and SQLite Resources',
 u'Querying Tree Structures in SQLite using Python and the Transitive Closure Extension',
 u"Using SQLite4's LSM Storage Engine as a Stand-alone NoSQL Database with Python",
 u'Web-based SQLite Database Browser, powered by Flask and Peewee']

在上述程式碼中選取了 Entry 自身,以及代表該 Entry 子節點的二叉樹。因為每個樹節點包含對父節點的引用,我們可以十分簡單搜尋命名為「標籤」的父節點,該父節點包含值為「sqlite」的子節點。 下面是 SQL 實現語句:

SELECT json_extract("t1"."data", '$.title') AS title 
FROM 
    "entry" AS t1, 
    json_tree("t1"."data", '$') AS tree, 
    json_tree("t1"."data", '$') AS parent 
WHERE (
    ("tree"."parent" = "parent"."id") AND 
    ("parent"."key" = 'tags') AND 
    ("tree"."value" = 'sqlite')) 
ORDER BY json_extract("t1"."data", '$.title')

這僅是 json1 擴充套件功能的一個方面,在接下來的幾周將會嘗試使用其更多的功能。請在此處給我留言,或者如果對該擴充套件存在特定的問題,可通過郵件向 sqlite-users 諮詢。

FTS5 與 Python

本小節中的程式碼均是之前 JSON 示例中的程式碼,這裡將使用 Entry 資料檔案的標題並且用它們填充搜尋索引。peewee 2.6.5版本將包含 FTS5Model 功能,目前該功能可在 Github 主分支上可用。

重新回到之前的 JSON 例子中去,新建另一張表,作為 Entry 資料的查詢索引。

fts5 擴充套件要求所有的列不包含任何型別或約束。用於表示一列的唯一附加資訊是無索引,意味著只能儲存資料並不能進行資料查詢。

對 entry 模型定義一個查詢索引,以實現通過查詢標題來確定相關的 URL。為此,需要將 url 欄位定義為無索引。

class EntryIndex(FTS5Model):
    title = SearchField()
    url = SearchField(unindexed=True)
    class Meta:
        database = db
        options = {'tokenize': 'porter', 'prefix': '2,3'}

EntryIndex.create_table()

對於 fts5 擴充套件,該可選字典提供了附加後設資料進行標記欄位,以及通過字首的長度儲存快速字首查詢。利用 SQL 建立表的語句如下:

CREATE VIRTUAL TABLE "entryindex" USING fts5 (
    "title" ,
    "url"  UNINDEXED,
    prefix=2,3,
    tokenize=porter)

為了填充索引,將使用一對 JSON 函式從 Entry 模型中複製資料:

title = fn.json_extract(Entry.data, '$.title').alias('title')
url = fn.json_extract(Entry.data, '$.url').alias('url')
query = Entry.select(title, url).dicts()
with db.atomic():
    for entry in query:
        EntryIndex.create(**entry)

索引填充後,進行一些查詢:

>>> query = EntryIndex.search('sqlite').limit(3)
>>> for result in query:
...     print result.title

Extending SQLite with Python
Building the SQLite FTS5 Search Extension
My List of Python and SQLite Resources

實現上述查詢的 SQL 語句為:

SELECT "t1"."title", "t1"."url" 
FROM "entryindex" AS t1 
WHERE ("entryindex" MATCH 'sqlite') 
ORDER BY rank

同樣可對查詢後的結果進行檢索:

>>> query = EntryIndex.search('sqlite AND python', with_score=True)
>>> for result in query:
...     print round(result.score, 3), result.title

-1.259 Extending SQLite with Python
-1.059 My List of Python and SQLite Resources
-0.838 Querying Tree Structures in SQLite using Python and the Transitive Closure Extension

這些結果是非常準確,用於上述查詢的 SQL 語句如下:

SELECT "t1"."title", "t1"."url", rank AS score 
FROM "entryindex" AS t1 
WHERE ("entryindex" MATCH 'sqlite AND python') 
ORDER BY rank

本文中只是簡要介紹了 fts5 擴充套件的簡單功能,如果使用者查詢該文件,將會發現其更多強大的功能。以下是一些例子:

  • 多列索引,在排序時分配不同的權重
  • 字首查詢、引述語、相鄰的行的關鍵詞
  • 上述查詢型別與布林型運算子結合
  • unicode61預設編碼轉化器、porter分解器禁止使用
  • 用於定義排序功能和斷詞的新的 C API。
  • 詞彙表,用於查詢詞的數量和檢查索引

感謝閱讀

在 SQLite 新增 JSON 擴充套件對該專案和使用者來說都是一件好事。Postgresql 和 MySQL 都已支援 JSON 資料型別,很高興能 SQLite 跟隨他們的腳步。但並不是任何條件下均需要是 JSON 資料格式,例如某些情況下需要用到專用的嵌入式檔案儲存庫 UnQLite

json1.c 檔案同樣值得注意。Dr. Hipp 提到:json1.c 現在只是第一步,未來還有更多的發展空間。因此,無論當前版本存在任何問題,我始終堅信將來發布的版本中效能和 APIS 兩個方面都會有很大的改善。還有一點,我相信他會考慮使用更高效的二進位制格式。

很高興看到 SQLite 在全文查詢擴充套件模組上不斷地自我完善和提高。為使用者提供一個內建演算法和一個使用者可自行新增所需內容的 API。

原文地址:http://charlesleifer.com/blog/using-the-sqlite-json1-and-fts5-extensions-with-python/

OneAPM 能夠幫你檢視 Python 應用程式的方方面面,不僅能夠監控終端的使用者體驗,還能監控伺服器監效能,同時還支援追蹤資料庫、第三方 API 和 Web 伺服器的各種問題。想閱讀更多技術文章,請訪問 OneAPM 官方技術部落格

本文轉自 OneAPM 官方部落格

相關文章