Asignación de token

En esta página, se describe cómo agregar la tokenización a las tablas. La asignación de token es necesario para crear los tokens que se usarán en el índice de búsqueda.

Descripción general

La tokenización es el proceso de transformar valores en tokens. El método que usas para tokenizar un documento determina los tipos y la eficiencia de las búsquedas que los usuarios pueden realizar en él.

Spanner proporciona analizadores de texto para texto en lenguaje natural, subcadenas, texto literal, números y valores booleanos. El esquema de la base de datos usa tokenizador que coincida con el tipo de búsqueda necesaria para la columna. Los tokenizers tienen las siguientes características:

  • Cada analizador de tokens es una función de SQL que obtiene una entrada, como una cadena o un número, y argumentos con nombre para opciones adicionales.
  • El analizador de tokens genera un TOKENLIST.

Por ejemplo, una cadena de texto The quick brown fox jumps over the lazy dog se asigna un token a [the,quick,brown,fox,jumps,over,the,lazy,dog]. Una cadena HTML The <b>apple</b> is <i>red</i> se divide en [the,apple,is,red].

Los tokens tienen las siguientes características:

  • Los tokens se almacenan en columnas que usan el tipo de datos TOKENLIST.
  • Cada token se almacena como una secuencia de bytes, con un conjunto opcional de atributos asociados. Por ejemplo, en las aplicaciones de texto completo, un token suele ser una sola palabra de un documento textual.
  • Cuando se asignan tokens a valores HTML, Spanner genera atributos que indican la importancia de un token dentro del documento. Spanner usa estos atributos para que la puntuación aumente más términos destacados (como un encabezado).

Tokenizadores

Spanner admite las siguientes funciones de tokenizador:

  • El analizador de texto completo (TOKENIZE_FULLTEXT) produce tokens de palabras completas para las consultas en lenguaje natural.

    Ejemplo

    Las siguientes funciones

    TOKENIZE_FULLTEXT("Yellow apple")
TOKENIZE_FULLTEXT("Yellow &lt;b>apple&lt;/b>", content_type=>"text/html")

    producen los mismos tokens: [yellow,apple].

  • Tokenizador de subcadenas (TOKENIZE_SUBSTRING) genera tokens para cada n-grama de cada palabra. Se usa para encontrar subcadenas de palabras en un texto.

    Ejemplo

    TOKENIZE_SUBSTRING("hello world", ngram_size_min=>4, ngram_size_max=>6)

    Produce los siguientes tokens: [ello,hell,hello,orld,worl,world].

  • Tokenizador de n-grama (TOKENIZE_NGRAMS) genera n-gramas a partir de una entrada (sin dividirla en palabras separadas). Se usa para acelerar los predicados de expresión regular.

    Ejemplo

    La siguiente función:

    TOKENIZE_NGRAMS("Big Time", ngram_size_min=>4, ngram_size_max=>4)

    Produce los siguientes tokens: ["Big ","ig T","g Ti"," Tim", "Time"].

  • Tokenizadores de concordancia exacta (TOKEN) y TOKENIZE_BOOL) se usan para buscar filas que contengan un valor determinado en una de sus columnas. Por ejemplo, una aplicación que indexa un catálogo de productos podría querer buscar productos de una marca y un color en particular.

    Ejemplos

    Las siguientes funciones:

    TOKEN("hello")
TOKEN(["hello", "world"])

    Produce los siguientes tokens, respectivamente: [hello] y [hello,world].

    La siguiente función:

    TOKENIZE_BOOL(true)

    Produce el siguiente token: [y].

  • Tokenizadores de números (TOKENIZE_NUMBER) se usan para generar un conjunto de tokens que aceleran la comparación numérica búsquedas. En el caso de las condiciones de igualdad, el token es el mismo número. Para rango condiciones (como rating >= 3.5), el conjunto de tokens es más elaborado.

    Ejemplos

    Las siguientes declaraciones de función:

    TOKENIZE_NUMBER(42, comparison_type=>"equality")
TOKENIZE_NUMBER(42, comparison_type=>"all", granularity=>10, min=>1, max=>100)

    Produce los siguientes tokens, respectivamente: "==42" y "==42", "[1,75]","[36, 45]","[36,55]","[36, 75]".

Las funciones de asignación de token suelen usarse en un columna generada. Estos las columnas se definen como HIDDEN para que no se incluyan en SELECT * en los resultados de la consulta.

En el siguiente ejemplo, se usa un analizador de texto completo y un analizador numérico para crear una base de datos que almacene nombres y calificaciones de álbumes musicales. El enunciado DDL hace dos cosas:

  1. Define las columnas de datos AlbumTitle y Rating.

  2. Define AlbumTitle_Tokens y AlbumRating_Tokens. Estos TOKENLIST las columnas asignan tokens a los valores en las columnas de datos para que Spanner puede indexarlos.

    CREATE TABLE Albums (
  AlbumId STRING(MAX) NOT NULL,
  AlbumTitle STRING(MAX),
  Rating FLOAT64,
  AlbumTitle_Tokens TOKENLIST AS (TOKENIZE_FULLTEXT(AlbumTitle)) HIDDEN,
  Rating_Tokens TOKENLIST AS (TOKENIZE_NUMBER(Rating)) HIDDEN
) PRIMARY KEY(AlbumId);

Cada vez que se modifican los valores base, AlbumTitle_Tokens y Rating_Tokens se actualizan automáticamente.

Asigna tokens al texto sin formato o al contenido HTML

La tokenización de texto admite tipos de contenido de texto sin formato y HTML. Usa el Spanner TOKENIZE_FULLTEXT para crear tokens. Luego, usa la declaración DDL CREATE SEARCH INDEX para generar el índice de búsqueda.

Por ejemplo, la siguiente sentencia DDL CREATE TABLE usa la función TOKENIZE_FULLTEXT para crear tokens a partir de AlbumTitles en la tabla Albums. La sentencia DDL CREATE SEARCH INDEX crea un índice de búsqueda con el nuevo AlbumTitles_Tokens.

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

CREATE SEARCH INDEX AlbumsIndex ON Albums(AlbumTitle_Tokens)

El proceso de tokenización usa las siguientes reglas:

  • La tokenización no incluye la stemming ni la corrección de palabras mal escritas. Por ejemplo, en una oración como “Un gato estaba mirando a grupo de gatos”, el token “gato” se indexa por separado del token "cats". En comparación con otros motores de búsqueda que normalizan los tokens durante las operaciones de escritura, Spanner proporciona una opción para expandir la búsqueda para incluir diferentes formas de palabras. Para obtener más información, consulta Modo de consulta mejorado.
  • Las palabras de parada (como "a") se incluyen en el índice de búsqueda.
  • La búsqueda en el texto completo siempre es indiferente a mayúsculas y minúsculas. El proceso de asignación de token convierte todos los tokens en minúsculas.

El proceso de asignación de token realiza un seguimiento de las posiciones para cada token en el original texto. Estas posiciones se usan más adelante para hacer coincidir frases. Las posiciones se almacenan en el índice de búsqueda junto con los docids.

Google sigue mejorando los algoritmos de tokenización. En algunos casos, esto podría lo que provocará que, en el futuro, una cadena obtenga tokens de forma diferente a como se le asigna con asignación de token ahora. Esperamos que estos casos sean extremadamente raros. Un ejemplo de esto es si hay una mejora en el idioma chino, japonés y coreano (CJK) la segmentación de clientes.

El argumento content_type especifica si el formato del contenido usa texto sin formato o HTML. Usa la siguiente configuración para establecer content_type:

  • Para la tokenización de texto, establece el argumento content_type en "text/plain". Este es el parámetro de configuración predeterminado.
  • Para la asignación de token HTML, establece el argumento content_type en "text/html. Sin este argumento, las etiquetas HTML se tratan como puntuación. En el modo HTML, Spanner usa heurísticas para inferir qué tan destacado es el texto en la página. Por ejemplo, si el texto está en un encabezado o su tamaño de fuente. Entre los atributos admitidos para HTML, se incluyen small, medium, large, title y `link'. Al igual que la posición, el atributo se almacena junto con el token en el índice de búsqueda. La tokenización no crea tokens para ninguna etiqueta HTML.

Los atributos del token no afectan la coincidencia ni los resultados de SEARCH o Función SEARCH_SUBSTRING. Solo se usan para clasificación.

En el siguiente ejemplo, se muestra cómo tokenizar texto:

CREATE TABLE T (
  ...
  Text STRING(MAX),
  Html STRING(MAX),
  Text_Tokens TOKENLIST
    AS (TOKENIZE_FULLTEXT(Text, content_type=>"text/plain")) HIDDEN,
  Html_Tokens TOKENLIST
    AS (TOKENIZE_FULLTEXT(Html, content_type=>"text/html")) HIDDEN
) PRIMARY KEY(...);

Mejora de la detección de idioma con el argumento language_tag

La asignación de token detecta el idioma de entrada automáticamente, de forma predeterminada. Cuando se conoce el idioma de entrada, se puede usar un argumento language_tag para definir mejor este comportamiento:

AlbumTitle_Tokens TOKENLIST
  AS (TOKENIZE_FULLTEXT(AlbumTitle, language_tag=>"en-us")) HIDDEN

La mayoría de las aplicaciones dejan el argumento language_tag sin especificar y, en su lugar, dependen sobre la detección automática de idioma. La segmentación para idiomas asiáticos, como el chino, el coreano y el japonés, no requiere configurar el idioma de tokenización.

En los siguientes ejemplos, se muestran casos en los que language_tag afecta la asignación de token:

Función de tokenización Tokens producidos
TOKENIZE_FULLTEXT("A tout pourquoi il y a un parce que") [a, tout, pourquoi, il, ya, un, parce, que]
TOKENIZE_FULLTEXT("A tout pourquoi il y a un parce que", \ language_tag=>"fr" [a, tout, pourquoi, il, y, a, un, parce, que]
TOKENIZE_FULLTEXT("旅 行") Dos tokens: [旅, ಠ].
TOKENIZE_FULLTEXT("旅 行", language_tag=>"zh") Un token: [旅]

¿Qué sigue?