全文索引--两种中文词法分析器比较(chinese_vgram_lexerchinese_

WBOY

发布： 2016-06-07 16:05:18

原创

1098 人浏览过

首先让我们进行一个关于中文词法分析器的比较，测试过程如下：建表 create table test (str varchar2(100)) ;create table test1(str varchar2(100)) ; 插入数据 insert into test values (中华人员共和国) ;insert into test1values (中华人员共和国) ; 创

首先让我们进行一个关于中文词法分析器的比较，测试过程如下：

建表

create table test (str varchar2(100)) ;

create table test1(str varchar2(100)) ;

登录后复制

插入数据

insert into test values (‘中华人员共和国’) ;

insert into test1values (‘中华人员共和国’) ;

登录后复制

创建两个关于中文的分析器

exec ctx_ddl.create_preference('my_lexer','CHINESE_VGRAM_LEXER') ;
exec ctx_ddl.create_preference('my_lexer1','CHINESE_LEXER') ;

登录后复制

创建全文索引

CREATE INDEX test1_idx ON test1(str) INDEXTYPE IS ctxsys.CONTEXT PARAMETERS('LEXER my_lexer1');
CREATE INDEX test_idx ON test(str) INDEXTYPE IS ctxsys.CONTEXT PARAMETERS('LEXER my_lexer');

登录后复制

查看全文索引生成的词表

chinese_vgram_lexer

dexter@STARTREK>select * from DR$TEST_IDX$I ;

TOKEN_TEXT TOKEN_TYPE TOKEN_FIRST TOKEN_LAST TOKEN_COUNT
---------------------------------------------------------------- ---------- ----------- ---------- -----------
TOKEN_INFO
------------------------------------------------------------------------------------------------------------------------------------------------------
共和 0 1 1 1
008805

国 0 1 1 1
008807

和国 0 1 1 1
008806

华人 0 1 1 1
008802

人员 0 1 1 1
008803

员共 0 1 1 1
008804

中华 0 1 1 1
008801

登录后复制

chinese_lexer

dexter@STARTREK>select * from DR$TEST1_IDX$I ;

TOKEN_TEXT TOKEN_TYPE TOKEN_FIRST TOKEN_LAST TOKEN_COUNT
---------------------------------------------------------------- ---------- ----------- ---------- -----------
TOKEN_INFO
----------------------------------------------------------------------------------------------------------------------------
共和国 0 1 1 1
008803

人员 0 1 1 1
008802

中华 0 1 1 1
008801

登录后复制

分词效果：

chinese_ lexer	chinese_vgram_lexer
共和国	共和
人员	国
中华	和国
	华人
	人员
	员共
	中华

对于chinese_vgram_lexer来说，官方文档有这样的描述：

The CHINESE_VGRAM_LEXER type identifies tokens in Chinese text for creating Text indexes.

通过实验证明，其实就是按照相邻两个字来创建全文索引，对于我们正常的国内使用习惯来说明显是不适用的。

而对于chinese_ lexer来说，明显人性化了许多：

The CHINESE_LEXER type identifies tokens in traditional and simplified Chinese text for creating Oracle Text indexes.

通过实验证明，已经有了优化，没有生成过多的词表，这对于全文索引的优化来说是比较有意义的。并且chinese_lexer还允许自定义词表，通过屏蔽词，以及自定义词表可以进一步的加速全文索引的检索速度。