Objc 全文搜索
qiuwenchen edited this page Mar 7, 2024
·
3 revisions
全文搜索（Full-Text-Search，简称 FTS），是 SQLite 提供的功能之一。它支持更快速、更便捷地搜索数据库内的文本内容，常用于应用内的全局搜索等功能。
WCDB 内建了全文搜索的支持，对中文、日文等非空格分割的语言做了针对性的优化；对英文做了词性还原，使搜索不受词形、时态的限制，从而使搜索更加精确。同时还支持了区分符号、中文简繁体转换、拼音搜索等中文场景的搜索强化能力。
虚拟表是 SQLite 的一个特性，可以更自由地自定义数据库操作的行为。在模型绑定一章，我们提到了虚拟表映射，但没有具体介绍。而在全文搜索中，它是不可或缺的一部分。下面是全文搜索的虚拟表映射的配置示例：
@interface SampleFTS : NSObject<WCTTableCoding>
@property(nonatomic, assign) int identifier;
@property(nonatomic, strong) NSString* summary;
@property(nonatomic, strong) NSString* description;
WCDB_PROPERTY(identifier)
WCDB_PROPERTY(summary);
WCDB_PROPERTY(description)
@end
@implementation SampleFTS
WCDB_IMPLEMENTATION(SampleFTS)
WCDB_SYNTHESIZE(identifier)
WCDB_SYNTHESIZE(summary)
WCDB_SYNTHESIZE(description)
WCDB_UNINDEXED(identifier) //设置identifier列不建立fts索引
WCDB_VIRTUAL_TABLE_MODULE(WCTModuleFTS5) //设置fts版本
WCDB_VIRTUAL_TABLE_TOKENIZE(WCTTokenizerVerbatim) //设置分词器
@end
// 注册本数据库需要用到的分词器
[database addTokenizer:WCTTokenizerVerbatim];
// 创建虚表
BOOL ret = [database createVirtualTable:@"sampleVirtualTable" withClass:SampleFTS.class];// 数据库此时会被自动打开全文搜索的虚拟表映射一般只需定义FTS版本和分词器即可，这里还使用FTS专用的列约束WCDB_UNINDEXED设置identifier这个不参与全文搜索的列不建索引，这样可以节省空间。定义完成后，先调用addTokenizer:接口往数据库中注册分词器，这个操作要在使用到这个分词器之前执行，然后再调用 createVirtualTable:withClass: 接口根据字段映射和虚拟表映射创建虚拟表。
全文搜索的速度依赖于其索引。
SampleFTS* english = [[SampleFTS alloc] init];
english.identifier = 1;
english.summary = @"WCDB is a cross-platform database framework developed by WeChat.";
english.description = @"WCDB is an efficient, complete, easy-to-use mobile database framework used in the WeChat application. It can be a replacement for Core Data, SQLite & FMDB.";
SampleFTS* chinese = [[SampleFTS alloc] init];
chinese.identifier = 2;
chinese.summary = @"WCDB 是微信开发的跨平台数据库框架";
chinese.description = @"WCDB 是微信中使用的高效、完整、易用的移动数据库框架。它可以作为 CoreData、SQLite 和 FMDB 的替代。";
ret &= [database insertObjects:@[english, chinese] intoTable:@"sampleVirtualTable"];建立索引的操作与普通表插入数据基本一致。
全文搜索与普通表不同，必须使用 match 函数进行查找。
SampleFTS* objectMatchFrame = [database getObjectOfClass:SampleFTS.class
fromTable:@"sampleVirtualTable"
where:SampleFTS.summary.match("frame*")];
NSLog(@"%@", objectMatchFrame.summary); // 输出 "WCDB is a cross-platform database framework developed by WeChat."
// 词形还原特性，通过 "efficiency" 也可以搜索到 "efficient"
SampleFTS* objectMatchEffiency = [database getObjectOfClass:SampleFTS.class
fromTable:@"sampleVirtualTable"
where:SampleFTS.description.match("efficiency")];
NSLog(@"%@", objectMatchEffiency.description); // 输出 "WCDB is an efficient, complete, easy-to-use mobile database framework used in the WeChat application. It can be a replacement for Core Data, SQLite & FMDB."SQLite 分词必须从首字母查起，如"frame*"，而类似"*amework"这样从单词中间查起是不支持的。
全文搜索中有一列隐藏字段，它与表名一致。通过它可以对全表的所有字段进行查询。
WCDB::Column tableColumn = WCDB::Column("sampleVirtualTable");
NSArray<SampleFTS*>* objects = [database getObjectsOfClass:SampleFTS.class fromTable:@"sampleVirtualTable" where:tableColumn.match(@"SQLite")];
NSLog(@"%@", objects[0].description); // 输出 "WCDB is an efficient, complete, easy-to-use mobile database framework used in the WeChat application. It can be a replacement for Core Data, SQLite & FMDB."
NSLog(@"%@", objects[1].description); // 输出 "WCDB 是微信中使用的高效、完整、易用的移动数据库框架。它可以作为 CoreData、SQLite 和 FMDB 的替代。"分词器是全文搜索的关键模块，它实现将输入内容拆分成多个Token并提供这些Token的位置，搜索引擎再对这些Token建立索引。
SQLite的FTS组件有提供内置的分词器，同时还支持自定义分词器。WCDB 在 SQLite 原有分词器的基础上，自己实现了下面三个分词器：
-
WCTTokenizerOneOrBinary和WCTTokenizerLegacyOneOrBinary，用于FTS3，这两个分词器只是名字不一样，逻辑是一样的。 -
WCTTokenizerVerbatim，用于 FTS5，逻辑上和WCTTokenizerOneOrBinary基本一致。 -
WCTTokenizerPinyin，用于 FTS5，可以实现拼音搜索。使用时需要使用+[WCTDatabase configPinYinDict:]接口配置汉字到拼音的映射表。
WCTTokenizerOneOrBinary和WCTTokenizerVerbatim的用法和功能基本一样，上面已经有示例，这里就不再补充。下面通过例子介绍一下拼音搜索的实现方法：
@interface PinyinObject : NSObject <WCTTableCoding>
@property (nonatomic, retain) NSString *content;
WCDB_PROPERTY(content)
@end
@implementation PinyinObject
WCDB_IMPLEMENTATION(PinyinObject)
WCDB_SYNTHESIZE(content)
WCDB_VIRTUAL_TABLE_MODULE(WCTModuleFTS5)
WCDB_VIRTUAL_TABLE_TOKENIZE(WCTTokenizerPinyin)//配置 Pinyin 分词器
@end
//配置汉字拼音映射表，支持配置多音字
[WCTDatabase configPinYinDict:@{
@"单" : @[ @"shan", @"dan", @"chan" ],
@"于" : @[ @"yu" ],
@"骑" : @[ @"qi" ],
@"模" : @[ @"mo", @"mu" ],
@"具" : @[ @"ju" ],
@"车" : @[ @"che" ],
}];
// 注册拼音分词器
[database addTokenizer:WCTTokenizerPinyin];
//创建虚表
BOOL ret = [database createVirtualTable:@"pinyinTable" withClass:PinyinObject.class];
//写入数据
PinyinObject *content = [[PinyinObject alloc] init];
content.content = @"单于骑模具单车";
ret &= [database insertObject:content intoTable:@"pinyinTable"];
//支持多音字搜索、拼音首字母搜索和拼音前缀搜索
NSArray *querys = @[
@"\"shan yu qi mu ju dan che\"",
@"\"chan yu qi mo ju shan che\"",
@"\"dan yu qi mo ju chan che\"",
@"\"dan yu qi mu ju ch\"*",
@"\"dan yu qi mo ju d\"*",
@"\"s y q m j d c\"",
@"\"c y q m j s c\"",
@"\"c y q m j\"",
];
for (NSString *query in querys) {
NSArray<PinyinObject*>* objects = [database getObjectsOfClass:PinyinObject.class fromTable:@"pinyinTable" where:PinyinObject.content.match(query)];
NSLog(@"%@", objects[0].content); // 都是输出 单于骑模具单车
}使用了拼音分词器之后，无法再用原内容来搜索，只能搜索拼音。如果需要支持原文搜索的话，需要再另外建一个FTS表来支持。在两个表的情况下，可以使用
WCDB_VIRTUAL_TABLE_EXTERNAL_CONTENT来配置只保存一份原文，减小空间占用，原理见SQLite External Content Table。
现有的分词器还可以传入参数来做一些配置，需要添加参数的分词器需要使用WCDB_VIRTUAL_TABLE_TOKENIZE_WITH_PARAMETERS宏来配置。WCDB 实现的WCTTokenizerOneOrBinary和WCTTokenizerVerbatim两个分词器有下面三个可配置参数：
-
WCTTokenizerParameter_NeedSymbol，WCDB的分词器默认不会对符号进行分词，所以搜索符号是搜不到的。如果需要支持搜索符号，需要配置这个参数。 -
WCTTokenizerParameter_SimplifyChinese配置了之后可以支持用简体汉字来搜索繁体汉字，不过需要使用+[WCTDatabase configTraditionalChineseDict:]来配置简繁体汉字映射表。 -
WCTTokenizerParameter_SkipStemming关闭英文单词的词性还原功能。
这三个配置参数可以叠加配置。
下面以简体汉字搜繁体汉字为例，介绍分词器参数的用法：
@interface SampleFTS : NSObject<WCTTableCoding>
@property(nonatomic, strong) NSString* content;
WCDB_PROPERTY(content);
@end
@implementation SampleFTS
WCDB_IMPLEMENTATION(SampleFTS)
WCDB_SYNTHESIZE(content)
WCDB_VIRTUAL_TABLE_MODULE(WCTModuleFTS5) //设置fts版本
// 设置分词器, 并配置支持简体搜繁体
// 这个宏可以同时配置多个参数
WCDB_VIRTUAL_TABLE_TOKENIZE_WITH_PARAMETERS(WCTTokenizerVerbatim, WCTTokenizerParameter_SimplifyChinese)
@end
//配置简繁体汉字映射表，需要在建索引和搜索前设置
[WCTDatabase configTraditionalChineseDict:@{
@"們" : @"们",
@"員" : @"员",
}];
//给数据库注册分词器
[database addTokenizer:WCTTokenizerVerbatim];
//创建虚表
BOOL ret = [database createVirtualTable:@"sampleVirtualTable" withClass:SampleFTS.class];
//建索引
SampleFTS* object = [[SampleFTS alloc] init];
object.content = @"我們是程序員";
[database insertObject:object intoTable:@"sampleVirtualTable"];
//可以使用繁体来搜索
SampleFTS* matchedObject1 = [database getObjectOfClass:SampleFTS.class fromTable:@"sampleVirtualTable" where:SampleFTS.content.match(@"我們是程序員")];
NSLog(@"%@", matchedObject1.content);// 输出繁体原文 我們是程序員
//也可以使用简体来搜索
SampleFTS* matchedObject2 = [database getObjectOfClass:SampleFTS.class fromTable:@"sampleVirtualTable" where:SampleFTS.content.match(@"我们是程序员")];
NSLog(@"%@", matchedObject2.content);// 输出繁体原文 我們是程序員开发者除了可以使用内置的分词器，还可以根据自己的需求自定义分词器。自定义的分词器需要继承 WCDB::AbstractFTSTokenizer这个基类来实现，它的原型如下：
class AbstractFTSTokenizer {
public:
// 参数传入的是上一节提到的分词器配置参数
// 其中 pCtx 参数只在 FTS5中有用。
AbstractFTSTokenizer(const char *const *azArg, int nArg, void *pCtx);
virtual ~AbstractFTSTokenizer() = 0;
// 每次要分词一个新内容时，都会调用这个接口将内容传入。
// 其中 flags 参数只在FTS5中会有值，可能是下面几种值中的一个或几个合并值，用来描述分词的场景:
// FTS5_TOKENIZE_QUERY 0x0001 查询时分词
// FTS5_TOKENIZE_PREFIX 0x0002 前缀搜索分词
// FTS5_TOKENIZE_DOCUMENT 0x0004 建索引时分词
// FTS5_TOKENIZE_AUX 0x0008 搜索辅助函数调用分词
virtual void loadInput(const char *pText, int nText, int flags) = 0;
// 回调分词结果。每次上层逻辑需要获取下个Token时，会调用这个接口
// 如果当前内容已经分词完毕，则返回 WCTErrorCodeDone；
// 还有下个Token则返回 WCTErrorCodeOK；
// 出错则返回其他错误码。
virtual int nextToken(const char **ppToken,// 保存下个Token的指针
int *nToken, //下个Token的字节长度
int *iStart, //下个Token在原文中的字节起始位置
int *iEnd, //下个Token在原文中的字节结束位置
int *tflags, //只在 FTS5 中有效，同个文本有多个同义词 Token 时，第二 Token 开始 tflags 要赋值为 FTS5_TOKEN_COLOCATED
int *iPosition//只在 FTS3/4中有效，表示 Token 位置
)
= 0;
};自定义了分词器之后，还需要使用+[WCTDatabase registerTokenizer:named:]接口将新分词器注册到 WCDB 中才能使用，下面自定义一个以空格为分割符来分词的简单分词器，来说明自定义分词器的方法：
class SimpleTokenizer : public WCDB::AbstractFTSTokenizer {
public:
SimpleTokenizer(const char *const *azArg, int nArg, void *pCtx)
: WCDB::AbstractFTSTokenizer(azArg, nArg, pCtx) {
}
void loadInput(const char *pText, int nText, int flags) override final {
// 保存待分词内容，文本不用拷贝
input = pText;
inputLength = nText;
// 复位其他状态变量
lastLocation = 0;
position = 0;
}
int nextToken(const char **ppToken, int *nToken, int *iStart, int *iEnd, int *tflags, int *iPosition) {
if(input == nullptr || inputLength <= lastLocation) {
// 分词结束
return WCTErrorCodeDone;
}
// 记录下个 Token 的字节起止位置
int start = lastLocation;
int end = lastLocation;
for(int i = lastLocation; i < inputLength; i++) {
if( input[i] == ' ' ) {// 匹配空格
if( start == end ) {
// 起始遇到连续空格，跳过
start = i + 1;
end = start;
} else {
// 找到当前 Token 的结尾
break;
}
} else {
// 记录当前位置，继续往下遍历
end = i;
}
}
if( start == end ) {
// 没有下个 Token 了，结束分词
return WCTErrorCodeDone;
}
// 记录当前 Token 的结束位置，作为下个分词的遍历起点
lastLocation = end;
*ppToken = input + start;
*nToken = end - start;
*iStart = start;
*iEnd = end;
position++;
if( iPosition != nullptr ) {
*iPosition = position;
}
return WCTErrorCodeOK;
}
private:
const char* input;
size_t inputLength;
int lastLocation;
int position;
};
// 如果分词器是用于 FTS3/4 的，使用 FTS3TokenizerModuleTemplate 来注册到 WCDB
[WCTDatabase registerTokenizer:WCDB::FTS3TokenizerModuleTemplate<SimpleTokenizer>::specialize() named:@"FTS3SimpleTokenizer"];
// 如果分词器是用于 FTS5 的，使用 FTS5TokenizerModuleTemplate 来注册到 WCDB
// 其中 specializeWithContext 的入参，会作为分词器构造函数中的 pCtx 参数来作用到分词器；这个参数可以用来串联上下文
[WCTDatabase registerTokenizer:WCDB::FTS5TokenizerModuleTemplate<SimpleTokenizer>::specializeWithContext(nullptr) named:@"FTS5SimpleTokenizer"];分词器的名字是全局唯一的，FTS3/4的分词器不能和 FTS5 的分词器重名，也不能和已有的分词器重名。
未完待续。
- 欢迎使用 WCDB
- 基础教程
- 进阶教程
- 欢迎使用 WCDB
- 基础教程
- 进阶教程
- 欢迎使用 WCDB
- 基础教程
- 进阶教程
- 欢迎使用 WCDB
- 基础教程
- 进阶教程