在PostgreSQL中实现按拼音、汉字、拼音首字母搜索的例子 原作者:digoal/德哥 创作时间:2016-11-18 17:51:47+08 |
doudou586 发布于2016-11-18 17:51:47 评论: 2 浏览: 17301 顶: 3363 踩: 3484 |
PostgreSQL有很多特性是可以提升开发效率,提高生产力的。
在前端页面中,搜索是一个非常常用的功能,例如淘宝首页的搜索。
为了提升用户体验,用户可以按拼音首字母进行搜索,按中文单词搜索,或者按拼音的全部进行搜索。
又比如家里的电视盒子,因为没有实体键盘,按拼音首字母搜索就非常方便。
但是如何做到按拼音首字母或者按拼音可以进行匹配呢?
本文的CASE主要需要用到的是中文和拼音以及拼音首字母的相互转换。
例如这样的转换
夹克 jk jiake 大闹天宫 dntg danaotiangong
有一个很好的例子, http://www.letiantian.me/2016-02-08-pinyin-hanzi/
词库中既要包含每个字的拼音,也要包含常用单词/短语的读音。有些字是多音字,所以至少要保存其最常用的读音,不常用的读音多出现在单词/短语里。
好了,词库准备好了,现在手头有一句话要转换要转换为拼音,这句话是:
你好世界杯
我们的词库是这样子的:
你:nǐ 好:hǎo,hào 世:shì 界:jiè 杯:bēi 世界:shì,jiè 你好:nǐ,hǎo 苦尽甘来:kǔ,jìn,gān,lái
词库中最长的词 苦尽甘来 包含4个字。所以 你好世界杯 从4个字开始匹配:
于是你好世界杯被转换为nǐ,hǎo,shì,jiè,bēi。
纯粹的基于词库的方法在实际的使用中会遇到问题,例如 提出了解决方案 这句话中 了解 会被当作一个单词,所以会得到错误的结果:
tí,chū,liǎo,jiě,jué,fāng,àn
更好的方法是先进行分词得到:
提出 了 解决 方案
然后基于词库对每个结果分别处理。
这里的拼音一般不带声调。
将汉字作为隐藏状态,拼音作为观测值,使用viterbi算法可以将多个拼音转换成合理的汉字。例如给出 ti,chu,le,jie,jue,fang,an ,viterbi算法会认为 提出了解决方案 是最合理的状态序列。
HMM需要三个分布,分别是:
这个3个分布就是三个矩阵,根据一些文本库统计出来即可。
viterbi算法基于动态规划,维基百科 - Viterbi algorithm给出了很好的解释和示例。
原则:
词的权重大于字的权重;
转换中匹配的词越多,权重越小。
词库的格式是:
拼音:单词:权重
例如:
ni:你:0.15 ni:泥:0.12 a:啊:0.18 hao:好:0.14 nihao:你好:0.6
假如输入是 ni,hao,a ,我们计算一下各种组合的权重:
组合 | 权重 |
---|---|
你,好,啊 | 0.15×0.14×0.18 = 0.00378 |
泥,好,啊 | 0.12×0.14×0.18 = 0.003024 |
你好,啊 | 0.6×0.18 = 0.108 |
可以看出,你好,啊 是最好的结果。
实际实现中需要用到动态规划, 和求有向无环图中两点之间最短距离类似。
基于上面的思路,我编写了两个工具,欢迎指教 ^^
拼音转汉字(拼音输入法引擎):https://github.com/letiantian/Pinyin2Hanzi
汉字转拼音:https://github.com/letiantian/ChineseTone
可以把相关的中文,拼音相互转换的代码,嫁接到PostgreSQL,作为UDF对外提供转换接口。
例如输入 zh_to_pinyin('你好') 返回 nihao,nh
或者可以结合中文分词一起使用,同时支持自定义delimiter。
例如输入 zh_to_pinyin('你好中国汉字', ';', ',') 返回 nihao,nh;zhongguo,zg;hanzi,hz
1. 首先我们应该考虑分词,例如用户输入一个字符串,返回分词后的word。
例如
to_tsvector('zhparser', '你好中国') 返回 你好,中国
2. 然后对word进行转换,得到转换后的值。
例如输入
zh_to_pinyin(to_tsvector('zhparser', '你好中国')) 返回 你好,中国,nihao,nh,zhongguo,zg
使用PostgreSQL分词插件得到分词的例子《使用阿里云PostgreSQL zhparser时不可不知的几个参数》。
postgres=# create extension zhparser; CREATE EXTENSION postgres=# CREATE TEXT SEARCH CONFIGURATION testzhcfg (PARSER = zhparser); CREATE TEXT SEARCH CONFIGURATION postgres=# ALTER TEXT SEARCH CONFIGURATION testzhcfg ADD MAPPING FOR a,b,c,d,e,f,g,h,i,j,k,l,m,n,o,p,q,r,s,t,u,v,w,x,y,z WITH simple; ALTER TEXT SEARCH CONFIGURATION postgres=# set zhparser.punctuation_ignore = t; --忽略标点符号 SET postgres=# select * from ts_debug('testzhcfg','你好中国'); --得到分词后, 转换为拼音和拼音首字母 alias | description | token | dictionaries | dictionary | lexemes -------+-------------+-------+--------------+------------+--------- n | noun | 你好 | {simple} | simple | {你好} n | noun | 中国 | {simple} | simple | {中国} (2 rows) postgres=# select to_tsvector('testzhcfg', '你好,中国,nihao,nh,zhongguo,zg'); --现在你有了所有需要的元素, 存入数组或tsvector就看你的喜好了 to_tsvector -------------------------------------------------------- 'nh':4 'nihao':3 'zg':6 'zhongguo':5 '中国':2 '你好':1 (1 row)
这些动作可以封装为一个UDF来执行,提升效率,减少交互次数。
3. 得到转换后的值之后,再存入对应的字段中。
在PostgreSQL中,你可以选择存储为字符串数组,或者tsvector类型。
将 你好,中国,nihao,nh,zhongguo,zg 存入 text[] 或 tsvector
这两种类型都支持包含的查询。
1. 精确匹配
--数组 column @> array['nihao'] postgres=# select array['你好','中国','nihao','nh','zhongguo','zg'] @> array['nh']; ?column? ---------- t (1 row) tsvector column @@ to_tsquery('nihao') postgres=# select to_tsvector('testzhcfg', '你好,中国,nihao,nh,zhongguo,zg') @@ to_tsquery('你好'); ?column? ---------- t (1 row) postgres=# select to_tsvector('testzhcfg', '你好,中国,nihao,nh,zhongguo,zg') @@ to_tsquery('nh'); ?column? ---------- t (1 row) postgres=# select to_tsvector('testzhcfg', '你好,中国,nihao,nh,zhongguo,zg') @@ to_tsquery('nh | 你哈'); ?column? ---------- t (1 row)
2. 操作符
数组
tsvector