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)) ;
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') ;
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');
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------------------------------------------------------------<p>本文来源gao!daima.com搞$代!码#网#</p>---- ---------- ----------- ---------- -----------TOKEN_INFO------------------------------------------------------------------------------------------------------------------------------------------------------共和 0 1 1 1008805国 0 1 1 1008807和国 0 1 1 1008806华人 0 1 1 1008802人员 0 1 1 1008803员共 0 1 1 1008804中华 0 1 1 1008801
chinese_lexer
dexter@STARTREK>select * from DR$TEST1_IDX$I ;TOKEN_TEXT TOKEN_TYPE TOKEN_FIRST TOKEN_LAST TOKEN_COUNT---------------------------------------------------------------- ---------- ----------- ---------- -----------TOKEN_INFO----------------------------------------------------------------------------------------------------------------------------共和国 0 1 1 1008803人员 0 1 1 1008802中华 0 1 1 1008801
分词效果:
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。