oracle全文索引之LEXER_2_CHINESE_LEXER

介紹完Oracle全文索引的BASIC_LEXER屬性，這篇介紹Oracle中文語法屬性CHINESE_LEXER和CHINESE_VGRAM_LEXER。

Oracle全文索引的BASIC屬性主要是針對西方英語語系，英語語系的單詞是透過空格、標點和回車來分隔的。而中文則需要索引來自動切詞。[@more@]2看下面這個例子：

SQL> CREATE TABLE T (ID NUMBER, DOCS VARCHAR2(1000));

表已建立。

SQL> INSERT INTO T VALUES (1, '一箇中文例子，測試BASIC_LEXER語法屬性是否可以正常識別中文。');

已建立 1 行。

SQL> COMMIT;

提交完成。

SQL> CREATE INDEX IND_T_DOCS ON T (DOCS) INDEXTYPE IS CTXSYS.CONTEXT;

索引已建立。

SQL> SELECT * FROM T WHERE CONTAINS(DOCS, '中文') > 0;

未選定行

SQL> SELECT * FROM T WHERE CONTAINS(DOCS, '一箇中文例子') > 0;

ID DOCS
---------- ------------------------------------------------------------
1 一箇中文例子，測試BASIC_LEXER語法屬性是否可以正常識別中文。

透過BASIC_LEXER來索引中文，Oracle只識別被空格、標點和回車符分隔出來的部分。需要對中文內容進行索引的話，就必須使用中文的LEXER。

Oracle提供了兩種預定義的中文LEXER屬性：CHINESE_VGRAM_LEXER和CHINESE_LEXER。Oracle在文件上是這樣描述的：

CHINESE_LEXER相對應CHINESE_VGRAM_LEXER屬性有如下的優點：

產生的索引更小；

更好的查詢響應時間；

產生更接近真實的索引切詞，使得查詢精度更高；

支援停用詞。

雖然Oracle說明了使用CHINESE_LEXER的大量好處，但是CHINESE_LEXER的實際效果卻存在一定的問題：

SQL> DROP INDEX IND_T_DOCS;

索引已丟棄。

SQL> TRUNCATE TABLE T;

表已截掉。

SQL> INSERT INTO T VALUES (1, '北京大學未名湖');

已建立 1 行。

SQL> INSERT INTO T VALUES (2, '北京郵電大學');

已建立 1 行。

SQL> INSERT INTO T VALUES (3, '北京市第十四中學');

已建立 1 行。

SQL> COMMIT;

提交完成。

SQL> CONN CTXSYS/CTXSYS@YANGTK
已連線。
SQL> BEGIN
2 CTX_DDL.CREATE_PREFERENCE('TEST_CHINESE_VGRAM_LEXER', 'CHINESE_VGRAM_LEXER');
3 CTX_DDL.CREATE_PREFERENCE('TEST_CHINESE_LEXER', 'CHINESE_LEXER');
4 END;
5 /

PL/SQL 過程已成功完成。

SQL> CONN YANGTK/YANGTK@YANGTK
已連線。
SQL> CREATE INDEX IND_T_DOCS ON T(DOCS) INDEXTYPE IS CTXSYS.CONTEXT
2 PARAMETERS ('LEXER CTXSYS.TEST_CHINESE_VGRAM_LEXER');

索引已建立。

SQL> SELECT * FROM T WHERE CONTAINS(DOCS, '北京') > 0;

ID DOCS
---------- ------------------------------------------------------------
3 北京市第十四中學
2 北京郵電大學
1 北京大學未名湖

SQL> DROP INDEX IND_T_DOCS;

索引已丟棄。

SQL> CREATE INDEX IND_T_DOCS ON T(DOCS) INDEXTYPE IS CTXSYS.CONTEXT
2 PARAMETERS ('LEXER CTXSYS.TEST_CHINESE_LEXER');

索引已建立。

SQL> SELECT * FROM T WHERE CONTAINS(DOCS, '北京') > 0;

ID DOCS
---------- ------------------------------------------------------------
2 北京郵電大學

透過對比結果可以發現：使用CHINESE_LEXER 沒有將第一條記錄和第三條記錄中的北京檢索出來。也許Oracle的CHINESE_LEXER認為北京大學和北京市是一個完整的詞彙，而沒有對其進行進 一步切分。也許這就是Oracle提到的這種切分方式更接近於真實的情況。我不知道讀者會怎樣看待這個問題，不過我更傾向於使用 CHINESE_VGRAM_LEXER，個人感覺返回記錄多一些總比漏掉一些要好。