Combina TOKENLIST

Questa pagina descrive come concatenare i valori TOKENLIST in un indice di ricerca quando configuri lo schema o in una query di ricerca quando esegui una ricerca a testo intero in Spanner.

Combinare gli elenchi TOKENLIST in un indice di ricerca

A volte, è necessario che l'applicazione esegua ricerche in singoli campi. Altre volte, l'applicazione deve eseguire ricerche in tutti i campi. Ad esempio, in una tabella con due colonne di stringhe, potresti volere che la tua applicazione esegua la ricerca in entrambe le colonne senza distinguere da quale colonna provengono le corrispondenze.

In Spanner, esistono due modi per farlo:

  1. Tokenizza le parole separatamente e concatena i TOKENLIST risultanti (opzione consigliata).
  2. Concatena le stringhe e tokenizza il risultato.

Con il secondo approccio si verificano due problemi:

  1. Se vuoi indicizzare Title o Studio singolarmente, oltre a indicizzarli in un TOKENLIST combinato, lo stesso testo viene tokenizzato due volte. Di conseguenza, le transazioni utilizzano più risorse.
  2. Una ricerca di frasi interessa entrambi i campi. Ad esempio, se @p è impostato su "Blue Note", corrisponde a una riga che contiene sia Title="Big Blue Note" che Studio="Blue Note Studios".

Il primo approccio risolve questi problemi perché una frase corrisponde a un solo campo e ogni campo di stringa viene tokenizzato una sola volta se sono indicizzati sia i singoli sia i TOKENLIST combinati. Anche se ogni campo di stringa viene tokenizzato una sola volta, i TOKENLIST risultanti vengono archiviati separatamente nell'indice.

Tokenizza le parole separatamente e concatena le TOKENLIST

L'esempio seguente tokenizza ogni parola e utilizza TOKENLIST_CONCAT per concatenare i TOKENLIST:

GoogleSQL

CREATE TABLE Albums (
  AlbumId STRING(MAX) NOT NULL,
  Title STRING(MAX),
  Studio STRING(MAX),
  Title_Tokens TOKENLIST AS (TOKENIZE_FULLTEXT(Title)) HIDDEN,
  Studio_Tokens TOKENLIST AS (TOKENIZE_FULLTEXT(Studio)) HIDDEN,
  Combined_Tokens TOKENLIST AS (TOKENLIST_CONCAT([Title_Tokens, Studio_Tokens])) HIDDEN,
) PRIMARY KEY(AlbumId);

CREATE SEARCH INDEX AlbumsIndex ON Albums(Combined_Tokens);

SELECT AlbumId FROM Albums WHERE SEARCH(Combined_Tokens, @p);

PostgreSQL

PostgreSQL utilizza spanner.tokenlist_concat per la concatenazione. Il parametro di query $1 è associato a "Hatel Kaliphorn".

CREATE TABLE albums (
  albumid character varying NOT NULL,
  title character varying,
  studio character varying,
  title_tokens spanner.tokenlist GENERATED ALWAYS AS (spanner.tokenize_fulltext(title)) VIRTUAL HIDDEN,
  studio_tokens spanner.tokenlist GENERATED ALWAYS AS (spanner.tokenize_fulltext(studio)) VIRTUAL HIDDEN,
  combined_tokens spanner.tokenlist GENERATED ALWAYS AS (spanner.tokenlist_concat(ARRAY[spanner.tokenize_fulltext(title), spanner.tokenize_fulltext(studio)])) VIRTUAL HIDDEN,
PRIMARY KEY(albumid));

CREATE SEARCH INDEX albumsindex ON albums(combined_tokens);

SELECT albumid FROM albums WHERE spanner.search(combined_tokens, $1);

Tieni presente che tokenlist_concat non chiama title_tokens o studio_tokens, ma chiama spanner.tokenize_fulltext(title) e spanner.tokenize_fulltext(studio). Questo perché PostgreSQL non supporta i riferimenti alle colonne generate all'interno di altre colonne generate. spanner.tokenlist_concat deve chiamare le funzioni di tokenizzazione e non fare riferimento direttamente alle colonne della lista di token.

La concatenazione TOKENLIST può essere implementata anche interamente a livello di query. Per ulteriori informazioni, consulta la sezione Concatenazione TOKENLIST lato query.

TOKENLIST_CONCAT è supportato sia per le ricerche a testo intero sia per quelle con sottostringa. Spanner non ti consente di combinare tipi di tokenizzazione, ad esempio TOKENIZE_FULLTEXT e TOKENIZE_SUBSTRING nella stessa chiamata TOKENLIST_CONCAT.

In GoogleSQL, la definizione delle colonne di testo TOKENLIST può essere modificata nelle colonne non archiviate per aggiungere altre colonne. Questa operazione è utile quando vuoi aggiungere un'altra colonna a TOKENLIST_CONCAT. La modifica dell'espressione della colonna generata non esegue il backfill delle righe esistenti nell'indice.

Concatena le stringhe e tokenizza il risultato

L'esempio seguente concatena le stringhe e tokenizza il risultato:

GoogleSQL

CREATE TABLE Albums (
  AlbumId STRING(MAX) NOT NULL,
  Title STRING(MAX),
  Studio STRING(MAX),
  Combined_Tokens TOKENLIST AS (TOKENIZE_FULLTEXT(Title || " " || Studio)) HIDDEN,
) PRIMARY KEY(AlbumId);

CREATE SEARCH INDEX AlbumsIndex ON Albums(Combined_Tokens);

SELECT AlbumId FROM Albums WHERE SEARCH(Combined_Tokens, @p);

PostgreSQL

CREATE TABLE albums (
  albumid character varying NOT NULL,
  title character varying,
  studio character varying,
  combined_tokens spanner.tokenlist GENERATED ALWAYS AS (spanner.tokenize_fulltext(title || ' ' || studio)) VIRTUAL HIDDEN,
PRIMARY KEY(albumid));

CREATE SEARCH INDEX albumsindex ON albums(combined_tokens);

SELECT albumid FROM albums WHERE spanner.search(combined_tokens, $1);

Concatenazione TOKENLIST lato query

Il compromesso con l'indicizzazione del TOKENLIST concatenato è che aumenta il costo di archiviazione e scrittura. Ora ogni token viene archiviato sul disco due volte: una volta in un elenco di post del TOKENLIST originale e una volta in un elenco di post del TOKENLIST combinato. La concatenazione lato query delle colonne TOKENLIST consente di evitare questo costo, ma la query utilizza più risorse di calcolo.

Per concatenare più TOKENLIST, utilizza la funzione TOKENLIST_CONCAT nella query SEARCH. Per questa sezione utilizziamo lo schema di esempio seguente:

GoogleSQL

CREATE TABLE Albums (
  AlbumId STRING(MAX) NOT NULL,
  Title STRING(MAX),
  Studio STRING(MAX),
  Title_Tokens TOKENLIST AS (TOKENIZE_FULLTEXT(Title)) HIDDEN,
  Studio_Tokens TOKENLIST AS (TOKENIZE_FULLTEXT(Studio)) HIDDEN,
) PRIMARY KEY(AlbumId);

CREATE SEARCH INDEX AlbumsIndex ON Albums(Title_Tokens, Studio_Tokens);

PostgreSQL

CREATE TABLE albums (
  albumid character varying NOT NULL,
  title character varying,
  studio character varying,
  title_tokens spanner.tokenlist GENERATED ALWAYS AS (spanner.tokenize_fulltext(title)) VIRTUAL HIDDEN,
  studio_tokens spanner.tokenlist GENERATED ALWAYS AS (spanner.tokenize_fulltext(studio)) VIRTUAL HIDDEN,
 PRIMARY KEY(albumid));

CREATE SEARCH INDEX albumsindex ON albums(title_tokens, studio_tokens);

La seguente query cerca le righe che contengono i token "blu" e "nota" in qualsiasi posizione nelle colonne Title e Studio. Sono incluse le righe con "blu" e "nota" nella colonna Title, "blu" e "nota" nella colonna Studio, "blu" nella colonna Title e "nota" nella colonna Studio o viceversa.

GoogleSQL

SELECT AlbumId
FROM Albums
WHERE SEARCH(TOKENLIST_CONCAT([AlbumTitle_Tokens, Studio_Tokens]), 'blue note')

PostgreSQL

Questo esempio utilizza spanner.search con spanner.tokenlist_concat.

SELECT albumid
FROM albums
WHERE spanner.search(spanner.tokenlist_concat(ARRAY[albumtitle_tokens, studio_tokens]), 'blue note')

La concatenazione TOKENLIST lato scrittura e lato query produce risultati identici. La scelta tra i due è un compromesso tra il costo del disco e il costo delle query.

In alternativa, un'applicazione potrebbe cercare in più colonne TOKENLIST e utilizzare OR insieme alla funzione SEARCH:

GoogleSQL

SEARCH(AlbumTitle_Tokens, 'Blue Note') OR SEARCH(Studio_Tokens, 'Blue Note')

PostgreSQL

spanner.search(albumtitle_tokens, 'Blue Note') OR spanner.search(studio_tokens, 'Blue Note')

Tuttavia, la semantica è diversa. Non corrisponde agli album in cuiAlbumTitle_Tokens ha "blu", ma non "nota" e Studio_Tokens ha "nota", ma non "blu".

Passaggi successivi