Swift 全文搜索
qiuwenchen edited this page Mar 7, 2024
·
6 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信息，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。
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：
final class SampleFTS: TableCodable {
var identifier: Int = 0
var summary: String? = nil
var description: String? = nil
enum CodingKeys: String, CodingTableKey {
typealias Root = SampleFTS
case identifier
case summary
case description
static let objectRelationalMapping = TableBinding(CodingKeys.self) {
BindVirtualTable(withModule: .FTS5, //设置fts版本
and: BuiltinTokenizer.Verbatim) //设置分词器
//设置identifier列不建立fts索引
BindColumnConstraint(identifier, isNotIndexed: true)
}
}
}
// 注册本数据库需要用到的分词器
database.add(tokenizer: BuiltinTokenizer.Verbatim)
// 创建虚表
try database.create(virtualTable: "sampleVirtualTable", of: SampleFTS.self)全文搜索的虚拟表映射一般只需定义模块和分词器即可，这里还使用FTS专用的列约束BindColumnConstraint(:isNotIndexed:)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add(tokenizer:)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。定义完成后，调用 create(virtualTable:of:) 接口，则会根据字段映射和虚拟表映射创建虚拟表。
全文搜索的虚拟表映射一般只需定义模块和分词器即可。而若无特殊需求，使用 FTS3 和 WCDB 分词器即可。
定义完成后，调用 create(virtualTable:of:) 接口，则会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。
let english = SampleFTS()
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."
let chinese = SampleFTS()
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。"
try database.insert(objects: 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。
let objectMatchFrame: SampleFTS? = try database.getObject(from: "sampleVirtualTable", where: SampleFTS.Properties.summary.match("frame*"))
print(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"
let objectMatchEffiency: Sample? = try database.getObject(from: "sampleVirtualTable", where: SampleFTS.Properties.description.match("efficiency"))
print(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。
let tableColumn = Column(named: "sampleVirtualTable")
let objects: [SampleFTS] = try database.getObject(from: "sampleVirtualTable", where: tableColumn.match("SQLite"))
print(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."
print(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：
-
BuiltinTokenizer.OneOrBinary，用于FTS3。 -
BuiltinTokenizer.Verbatim，用于 FTS5，逻辑上和BuiltinTokenizer.OneOrBinary基本一致。 -
BuiltinTokenizer.Pinyin，用于 FTS5，可以实现拼音搜索。使用时需要使用class Database.config(pinyinDict:)接口配置汉字到拼音的映射表。
BuiltinTokenizer.OneOrBinary和BuiltinTokenizer.Verbatim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：
final class PinyinObject: TableCodable {
var content: String = ""
enum CodingKeys: String, CodingTableKey {
typealias Root = PinyinObject
case content
static let objectRelationalMapping = TableBinding(CodingKeys.self) {
//配置 FTS 版本和 Pinyin 分词器
BindVirtualTable(withModule: .FTS5, and: BuiltinTokenizer.Pinyin)
}
}
}
//配置汉字拼音映射表，支持配置多音字
Database.config(pinyinDict: [
"单" : [ "shan", "dan", "chan" ],
"于" : [ "yu" ],
"骑" : [ "qi" ],
"模" : [ "mo", "mu" ],
"具" : [ "ju" ],
"车" : [ "che" ],
])
// 注册拼音分词器
database.add(tokenizer: BuiltinTokenizer.Pinyin)
//创建虚表
try database.create(virtualTable: "pinyinTable", of: PinyinObject.self)
//写入数据
let obj = PinyinObject()
obj.content = "单于骑模具单车"
try database.insert(obj, intoTable: "pinyinTable")
//支持多音字搜索、拼音首字母搜索和拼音前缀搜索
let 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\""
]
//支持多音字搜索、拼音首字母搜索和拼音前缀搜索
for query in querys {
let objs: [PinyinObject] = try database.getObjects(fromTable: "pinyinTable", where: PinyinObject.Properties.content.match(query))
XCTAssertEqual(objs.count, 1)
XCTAssertEqual(objs[0].content, obj.content)
}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，可以在
BindVirtualTable中配置external content table来只保存一份原文，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可以直接在BindVirtualTable配置中添加。WCDB 实现的BuiltinTokenizer.OneOrBinary和BuiltinTokenizer.Verbatim两个分词器有下面三个可配置参数：
-
BuiltinTokenizer.Parameter.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。 -
BuiltinTokenizer.Parameter.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class Database.config(traditionalChineseDict:)来配置简繁体汉字映射表。 -
BuiltinTokenizer.Parameter.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：
final class TraditionalChineseObject: TableCodable {
var content: String = ""
enum CodingKeys: String, CodingTableKey {
typealias Root = PinyinObject
case content
static let objectRelationalMapping = TableBinding(CodingKeys.self) {
// 设置分词器, 并配置支持简体搜繁体
// BindVirtualTable可以同时配置多个参数
BindVirtualTable(withModule: .FTS5, and: BuiltinTokenizer.Verbatim, BuiltinTokenizer.Parameter.SimplifyChinese)
}
}
}
//配置简繁体汉字映射表，需要在建索引和搜索前设置
Database.config(traditionalChineseDict: [
"們" : "们",
"員" : "员",
])
//给数据库注册分词器
database.add(tokenizer: BuiltinTokenizer.Verbatim)
//创建虚表
try database.create(virtualTable: "traditionalChineseTable", of: TraditionalChineseObject.self)
//建索引
let obj = TraditionalChineseObject()
obj.content = "我們是程序員"
XCTAssertNoThrow(try database.insert(obj, intoTable: "traditionalChineseTable"))
//可以使用繁体来搜索
let matchObjects1: [TraditionalChineseObject] = try database.getObjects(fromTable: "traditionalChineseTable", where: TraditionalChineseObject.Properties.content.match("我們是程序員"))
XCTAssertEqual(matchObjects1.count, 1)
XCTAssertEqual(matchObjects1[0].content, obj.content)
//也可以使用简体来搜索
let matchObjects2: [TraditionalChineseObject] = try database.getObjects(fromTable: "traditionalChineseTable", where: TraditionalChineseObject.Properties.content.match("我们是程序员"))
XCTAssertEqual(matchObjects2.count, 1)
XCTAssertEqual(matchObjects2[0].content, obj.content)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实现 WCDB.Tokenizer这个协议，它的原型如下：
public protocol Tokenizer: AnyObject {
// 参数传入的是上一节提到的分词器配置参数
init(args: [String])
// 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
func load(input: UnsafePointer<Int8>?, length: Int, flags: Int)
func nextToken(ppToken: UnsafeMutablePointer<UnsafePointer<Int8>?>,// 保存下个Token的指针
pnBytes: UnsafeMutablePointer<Int32>, //下个Token的字节长度
piStart: UnsafeMutablePointer<Int32>, //下个Token在原文中的字节起始位置
piEnd: UnsafeMutablePointer<Int32>, //下个Token在原文中的字节结束位置
pFlags: UnsafeMutablePointer<Int32>?, //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
piPosition: UnsafeMutablePointer<Int32>? //只在 FTS3/4中有效，表示 Token 位置
) -> TokenizerErrorCode
}自定义了分词器之后，还需要使用class Database.register(tokenizer:of:of:)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 CustomTokenizer: Tokenizer {
var hasCheckParameter: Bool = false
var input: UnsafePointer<Int8>?
var inputLength: Int = 0
var lastLocation: Int = 0
var position: Int = 0
required init(args: [String]) {
}
func load(input: UnsafePointer<Int8>?, length: Int, flags: Int) {
// 保存待分词内容，文本不用拷贝
self.input = input
self.inputLength = length
// 复位其他状态变量
self.lastLocation = 0
self.position = 0
}
func nextToken(ppToken: UnsafeMutablePointer<UnsafePointer<Int8>?>,
pnBytes: UnsafeMutablePointer<Int32>,
piStart: UnsafeMutablePointer<Int32>,
piEnd: UnsafeMutablePointer<Int32>,
pFlags: UnsafeMutablePointer<Int32>?,
piPosition: UnsafeMutablePointer<Int32>?) -> WCDB.TokenizerErrorCode {
guard inputLength > lastLocation, let input = input else {
// 分词结束
return .Done
}
// 记录下个 Token 的字节起止位置
var start: Int = lastLocation
var end: Int = lastLocation
for location in lastLocation..<inputLength {
if input.advanced(by: location).pointee == 32 {// 匹配空格
if start == end {
// 起始遇到连续空格，跳过
start = location + 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 = location + 1
}
}
if start == end {
// 没有下个 Token 了，结束分词
return .Done
}
// 记录当前 Token 的结束位置，作为下个分词的遍历起点
lastLocation = end
ppToken.pointee = input.advanced(by: start)
pnBytes.pointee = Int32(end - start)
piStart.pointee = Int32(start)
piEnd.pointee = Int32(end)
position += 1
if let piPosition = piPosition {
piPosition.pointee = Int32(position)
}
return.OK
}
}
// 注册FTS3分词器
Database.register(tokenizer: CustomTokenizer.self, of: "FTS3SimpleTokenizer", of: .FTS3)
// 注册FTS5分词器
Database.register(tokenizer: CustomTokenizer.self, of: "FTS5SimpleTokenizer", of: .FTS5)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