Realiza una búsqueda de subcadenas

Además de la coincidencia de tokens completa, los índices de búsqueda de Spanner admiten búsquedas de subcadenas. En esta página, se describe cómo ejecutar una subcadena como parte de una búsqueda de texto completo en Spanner

Descripción general

Las búsquedas de subcadena tienen las siguientes características:

  • No distingue mayúsculas de minúsculas, descarta la mayoría de la puntuación y normaliza los espacios en blanco.
  • Sin segmentación para chino, japonés ni coreano (CJK), ya que se realizaron consultas parciales en CJK suelen segmentarse de forma incorrecta.
  • Si hay varios términos de búsqueda, el resultado debe contener una subcadena de cada uno tiempo. Por ejemplo, 'happ momen' coincide con "happy moment", ya que ambas subcadenas se encuentran en el texto. No coincide con "happy day".

Ejemplos

Texto almacenado Consulta de subcadena Coincidencia
Puente sobre aguas turbulentas ridg roub Sí
Puente sobre aguas con problemas ridg , roub Sí
Puente sobre aguas con problemas sobre novia Sí
Bridge over Troubled Water ate puente Sí
Puente sobre aguas turbulentas Puente puente puente Sí
Puente sobre aguas con problemas bri trou ter Sí
Puente sobre aguas turbulentas bri dge Sí
Puente sobre aguas con problemas aguas turbulentas No
Puente sobre aguas con problemas dudoso No

Para una búsqueda de subcadenas, usa la función TOKENIZE_SUBSTRING en TOKENLIST. definición de columna, como se muestra en el siguiente ejemplo de DDL:

CREATE TABLE Albums (
  AlbumId STRING(MAX) NOT NULL,
  AlbumTitle STRING(MAX),
  AlbumTitle_Tokens TOKENLIST AS (TOKENIZE_SUBSTRING(AlbumTitle)) HIDDEN
) PRIMARY KEY(AlbumId);

En la consulta de SQL, usa la función SEARCH_SUBSTRING en la cláusula WHERE. Para ejemplo, la siguiente consulta coincide con un álbum con el título "happy" de la mesa en el ejemplo anterior:

SELECT Album
FROM Albums
WHERE SEARCH_SUBSTRING(AlbumTitle_Tokens, 'happ');

TOKENIZE_SUBSTRING genera n-grams. para cada token y almacena estos n-gramas en el índice de búsqueda. El mínimo la longitud máxima de los n-gramas que se generarán se configuran mediante argumentos opcionales.

Los índices de búsqueda de subcadenas pueden usar entre 10 y 30 veces más almacenamiento que los índices de texto completo en los mismos datos, porque la asignación de token produce muchos más. Este es especialmente si la diferencia entre ngram_size_min y ngram_size_max aumenta. Las consultas de subcadena también usan más recursos para ejecutarse.

Al igual que TOKENIZE_FULLTEXT, puedes configurar TOKENIZE_SUBSTRING para usar tipos específicos de contenido.

Además de la búsqueda básica de subcadenas, SEARCH_SUBSTRING admite el modo de búsqueda relativa. Una búsqueda relativa define mejor la búsqueda por subcadena resultados.

Para habilitar el modo de búsqueda relativa, establece el parámetro TOKENIZE_SUBSTRING relative_search_types en VERDADERO.

Cuando la búsqueda relativa está habilitada en la asignación de token, SEARCH_SUBSTRING puede realizar con los siguientes tipos de búsquedas relativas:

  • phrase: Coincide con subcadenas contiguas.

    Ejemplos

    Texto almacenado Consulta de subcadenas. Coincidencia
    Puente sobre aguas con problemas puente sobre Sí
    Puente sobre aguas turbulentas Puente puente puente No
    Bridge over Troubled Water despedida No
    Puente sobre aguas con problemas cresta sobre problemas Sí
    Puente sobre aguas con problemas puente ove problemático No
    Bridge over Troubled Water idge ove Sí
    Puente sobre aguas con problemas idge , ove Sí
    Bridge over Troubled Water RIDGE OVE Sí
    Puente sobre aguas con problemas agua del puente No

  • value_prefix: Coincide con substrings contiguas y la coincidencia debe comenzar al principio del valor. Es conceptualmente similar al Función STARTS_WITH para las cadenas normalizadas de mayúsculas y espacios en blanco.

    Ejemplos

    Texto almacenado Consulta de subcadena Coincidencia
    Puente sobre aguas con problemas puente sobre Sí
    Puente sobre aguas con problemas puente , sobre Sí
    Puente sobre aguas con problemas cresta sobre No
    Bridge over Troubled Water aguas turbulentas No

  • value_suffix: Coincide con subcadenas contiguas y debe coincidir en el final del valor. Esto es conceptualmente similar a la función ENDS_WITH para cadenas normalizadas de mayúsculas y espacios en blanco.

    Ejemplos

    Texto almacenado Consulta de subcadenas. Coincidencia
    Bridge over Troubled Water aguas turbulentas Sí
    Puente sobre aguas con problemas con problemas ; agua Sí
    Puente sobre aguas con problemas agua turbada Sí
    Puente sobre aguas con problemas wate con problemas No
    Puente sobre aguas turbulentas agua con problemas No
    Puente sobre aguas con problemas puente sobre No

  • word_prefix: es como value_prefix, pero la cadena debe coincidir en un límite de término (en lugar de un límite de valor).

    Ejemplos

    Texto almacenado Consulta de subcadena Coincidencia
    Bridge over Troubled Water más de problemas Sí
    Puente sobre aguas con problemas Terminó , problema Sí
    Puente sobre aguas con problemas agua turbia No
    Puente sobre aguas con problemas sobre el agua No
    Puente sobre aguas con problemas tener problemas No
    Puente sobre aguas con problemas ver con problemas Sí

  • word_suffix: Es similar a value_suffix, pero la cadena debe coincidir al final de un límite de término.

    Ejemplos

    Texto almacenado Consulta de subcadena Coincidencia
    Puente sobre aguas con problemas ver con problemas Sí
    Puente sobre aguas con problemas más de problemas No
    Puente sobre aguas con problemas sobre el agua No
    Puente sobre aguas con problemas tener problemas No

¿Qué sigue?