12

我有一个 Oracle 数据库，与许多数据库一样，它有一个包含传记信息的表。对此，我想以“自然”的方式按名称搜索。

该表有forename和surname字段，目前，我正在使用这样的东西：

select id, forename, surname
from   mytable
where  upper(forename) like '%JOHN%'
and    upper(surname) like '%SMITH%';

这行得通，但它可能会很慢，因为该表上的索引显然不能解释前面的通配符。此外，用户通常会根据他们通过电话告诉他们的内容来搜索人——包括大量的非英文名字——所以最好也做一些语音分析。

因此，我一直在试验 Oracle Text：

create index forenameFTX on mytable(forename) indextype is ctxsys.context;
create index surnameFTX on mytable(surname) indextype is ctxsys.context;

select   score(1)+score(2) relevance,
         id,
         forename,
         surname
from     mytable
where    contains(forename,'!%john%',1) > 0
and      contains(surname,'!%smith%',2) > 0
order by relevance desc;

这具有使用 Soundex 算法以及全文索引的优点，因此它应该更有效一些。（虽然，我的轶事结果表明它非常缓慢！）对此我唯一的担忧是：

  • 首先，需要以某种有意义的方式刷新文本索引。使用on commit速度太慢，并且可能会干扰前端软件（我无法控制）与数据库的交互方式；所以需要一些思考...

  • Oracle 返回的结果并不是很自然地排序的。我不太确定这个score功能。例如，我的开发数据显示“Jonathan Peter Jason Smith”在顶部——很好——但“Jane Margaret Simpson”与“John Terrance Smith”处于同一水平

我认为删除前面的通配符可能会在不降低结果的情况下提高性能，因为在现实生活中，您永远不会在名称中间搜索块。但是，否则，我对想法持开放态度……这种情况一定是实施得令人作呕！任何人都可以对我现在正在做/考虑的事情提出更好的方法吗？

谢谢 ：）

4

1 回答 1

5

根据评论中的建议，我提出了一个效果很好的解决方案。特别是，@X-Zero 建议创建 Soundexes 表：在我的情况下，我可以创建新表，但不允许更改现有模式！

所以，我的流程如下：

  • 创建一个包含列的新表：ID、token和sound; position主键位于 ( ID, sound, position) 上方，附加索引位于 ( ID, sound) 上方。

  • 遍历传记表中的每个人：

    • 连接他们的名字和姓氏。

    • 将代码页更改为us7ascii，因此重音字符被规范化。这是因为 Soundex 算法不适用于重音字符。

    • 将所有非字母字符转换为空格，并将其视为标记之间的边界。

    • 标记此字符串并将标记（小写）、标记的 Soundex 和标记在原始字符串中的位置插入到表中；将此与ID.

像这样：

declare
  nameString varchar2(82);
  token varchar2(40);
  posn integer;
  cursor myNames is
    select id,
           forename||' '||surname person_name
    from   mypeople;
begin
  for person in myNames
  loop
    nameString := trim(
                    utl_i18n.escape_reference(
                      regexp_replace(
                        regexp_replace(person.person_name,'[^[:alpha:]]',' '),
                        '\s+',' '),
                      'us7ascii')
                    )||' ';
    posn := 1;
    while nameString is not null
    loop
      token := substr(nameString,1,instr(nameString,' ') - 1);
      insert into personsearch values (person.id,lower(token),soundex(token),posn);
      nameString := substr(nameString,instr(nameString,' ') + 1);
      posn := posn + 1;
    end loop;
  end loop;
end;
/

因此，例如，“Siân O'Conner”被标记为“sian”（位置 1）、“o”（位置 2）和“conner”（位置 3），这三个条目连同它们的 Soundexpersonsearch一起被插入用他们的身份证。

  • 要搜索，我们执行相同的过程：标记搜索条件，然后返回 Soundexe 和相对位置匹配的结果。我们依次按位置排序，然后是ld从原始搜索到每个标记的 Levenshtein 距离 ( )。

例如，此查询将搜索两个标记（即预标记搜索字符串）：

with     searchcriteria as (
         select 'john'  token1,
                'smith' token2
         from   dual)
select   alpha.id,
         mypeople.forename||' '||mypeople.surname
from     peoplesearch alpha
join     mypeople
on       mypeople.student_id = alpha.student_id
join     peoplesearch beta
on       beta.student_id = alpha.student_id
and      beta.position   > alpha.position
join     searchcriteria
on       1 = 1
where    alpha.sound = soundex(searchcriteria.token1)
and      beta.sound  = soundex(searchcriteria.token2)
order by alpha.position,
         ld(alpha.token,searchcriteria.token1),
         beta.position,
         ld(beta.token,searchcriteria.token2),
         alpha.student_id;

要搜索任意数量的标记，我们需要使用动态 SQL：连接搜索表的次数与标记的数量一样多，其中position连接表中的字段必须大于position先前连接表的字段......我计划编写一个函数来执行此操作——以及搜索字符串标记化——这将返回一个 ID 表。但是，我只是在这里发布这个，所以你明白了:)

正如我所说，这很好用：它很快就会返回好的结果。即使搜索“John Smith”，一旦被服务器缓存，运行时间也不到 0.2s；返回超过 200 行...我对它非常满意，并将寻求将其投入生产。唯一的问题是：

  • 代币的预先计算需要一段时间，但这是一个一次性的过程，所以问题不大。然而，一个相关的问题是，mypeople每当对mypeople. 这可能会减慢系统速度；但由于这应该只发生在一年中的几个时期，也许更好的解决方案是按计划重建搜索表。

  • 没有进行词干提取，因此 Soundex 算法仅匹配完整的标记。例如，搜索“chris”不会返回任何“christopher”。一个可能的解决方案是只存储令牌的词干的 Soundex，但计算词干不是一个简单的问题！这将是未来的升级，可能使用 TeX 使用的连字符引擎......

无论如何，希望对您有所帮助:) 欢迎评论！

编辑我的完整解决方案（编写和实施）现在在这里，使用 Metaphone 和 Damerau-Levenshtein 距离。

于 2011-10-04T11:54:56.030 回答