Full Text Search Postgre SQL

Full Text Search con PostgreSQL
Rodrigo Soliz Rocabado (rodrifer@gmail.com)
Introducción
Uno de los aspectos decisivos para el éxito o fracaso de un proyecto de software es su sistema de
búsquedas y la calidad de los resultados que provee al usuario final.
A lo largo de este artículo veremos las posibilidades que nos ofrece PostgreSQL para la
implementación de un sistema de recuperación de información simple pero muy potente.
Preparando el terreno de juego
Para empezar cabe señalar que en este artículo utilizaremos la versión 8.3 de PostgreSQL, dado
que a partir de ésta versión el módulo de Full Text Search se encuentra incluido dentro del core
del motor de bases de datos, evitándonos el tener que incluir dichas funcionalidades haciendo uso
de los contrib que vienen junto a la distribución principal de PostgreSQL.
Para empezar vamos a crear una estructura y unos usuarios que nos permitan trabajar
correctamente.
Como fuente de datos utilizaremos unos cuantos artículos publicados en ATIX tomados al azar,
empecemos.
Crearemos una base de datos y un usuario:
CREATE DATABASE FTS_prueba;
CREATE USER fts_user;
ALTER DATABASE FTS_prueba OWNER fts_user;
ALTER USER fts_user PASSWORD '*********';
Utilizaremos una tabla similar a ésta en la que se almacenarán los artículos publicados.
CREATE TABLE articulo
(
id serial NOT NULL,
texto text NOT NULL,
titulo text NOT NULL,
autor character varying(200) NOT NULL,
texto_tsv tsvector NOT NULL,
CONSTRAINT articulo_pkey PRIMARY KEY (id)
)
La llenaremos con unos cuantos artículos para poder empezar a trabajar:

INSERT INTO articulo (texto, titulo, autor, texto_tsv)
VALUES ('Por que darle una oportunidad? Tuquito es una distribución
GNU/Linux, que implementa ...', 'Tuquito 2.0 Dale una oportunidad',
'Oscar Choque Monzón', to_tsvector('spanish', 'Por que darle una
oportunidad? Tuquito es una distribución GNU/Linux, que implementa ...'));
La estructura de la tabla es bastante simple, cada articulo cuenta con un titulo, autor y cuerpo del
articulo (texto), lo único especial y que vamos a aclarar a continuación es el campo texto_tsv,
dicho campo del tipo tsvector almacena el cuerpo del articulo procesado utilizando la función
to_tsvector(), dicha función es la encargada de transformar un texto a una estructura de datos
adecuada para su procesamiento por el motor de bases de datos, la veremos mas adelante en el
articulo, este campo de nuestra estructura de artículos nos será útil mas adelante.
Documentos y consultas
Un documento en el contexto de FTS en PostgreSQL es tan simple como una tupla de una tabla
dentro una base de datos, una tupla que puede contener tantos campos como sea necesario, una
consulta es simplemente un bloque de texto que se procesa para encontrar coincidencias dentro
de un documento. Ambos componentes de nuestro sistema necesitan ser convertidos a
estructuras especiales que permitan su procesamiento, los documentos se convertirán a la
estructura tsvector y las consultas a la estructura tsquery.
Un tsvector es una estructura que contiene la información más relevante del documento que sirve
para ser indexada. Todas las operaciones de búsqueda se realizan sobre los tsvector, los
documentos originales solo son necesarios para devolver al usuario los resultados positivos de las
búsquedas.
Un tsquery es una estructura que contiene los términos de búsqueda como lexemas normalizados,
además de los operadores AND, OR y NOT que sean necesarios.
Procesando documentos
Procesar documentos para llevarlos a la estructura de un tsvector es tan sencillo como utilizar la
función predefinida to_tsvector(), veamos un ejemplo, un fragmento del editorial del primer numero
de ATIX:
SELECT to_tsvector('spanish', 'Se dice que un hombre debería hacer 3 cosas
importantes en su vida: tener un hijo, plantar un árbol y escribir un
libro; con un poco de analogía podríamos comenzar a contar la historia de
la comunidad ATIX, que empezó no teniendo un hijo sino varios, hijos que
durante este tiempo le brindaron su tiempo y colaboración, poca o mucha no
interesa, lo importante es que colaboraron');
Lo primero que notamos al utilizar la función es la utilización de un primer parámetro ‘spanish’,
dicho parámetro, que utilizaremos a lo largo de todo el artículo, tiene el objetivo de indicarle al
motor que para este procesamiento utilizaremos la configuración del idioma español (si, podemos
utilizar muchos idiomas, pero también podemos definir un idioma por defecto en el archivo de
configuración postgresql.conf), el segundo parámetro es simplemente el texto a procesar.
Como resultado obtenemos una salida así:
"'3':8 'cos':9 'deb':6 'dic':2 'hac':7 'hij':16,44,47 'poc':58 'sin':45
'ten':14 'vid':13 'atix':38 'cont':32 'libr':23 'much':60 'podr':29
'vari':46 'arbol':19 'brind':53 'comun':37 'empez':40 'hombr':5 'plant':17
'tiemp':51,55 'analog':28 'comenz':30 'escrib':21 'import':10,64
'colabor':57,67 'histori':34 'interes':62"
Al ver este resultado podemos notar varias cosas:
• Se han eliminado las stopwords (“Se”, “dice”, “que”, “un”, “en”, “y”, “a”, etc.) y los caracteres
de puntuación.
• Se han normalizado todas las palabras y se las ha convertido a lexemas, almacenando
cada lexema asociado a la posición de la(s) palabras en el texto (por ejemplo,
“importantes” e “importante” se han unificado en el lexema “import” que esta asociado a las
posiciones 10 y 64 respectivamente).
• Si dentro del documento existieran numerales, estos son transformados a cadenas y
tratadas de la misma forma que cualquier otra palabra, obviamente no pueden ser
convertidas a su forma primitiva (lexemas).
Procesando consultas
Para llevar una consulta al formato tsquery simplemente utilizamos la función to_tsquery() ó
plainto_tsquery(), tomemos como ejemplo la siguiente consulta:
SELECT to_tsquery('spanish', 'Programando & con & Python');
Obtenemos el resultado:
"'program' & 'python'"
Se ha procesado la consulta eliminando las stopwords y convirtiendo los demás términos a
lexemas. A diferencia de un tsvector, los términos no se han asociado con ninguna posición sino
que se los ha relacionado con operadores lógicos, por defecto el operador AND (&).
Si no queremos preprocesar la consultas (separarlas por palabras y juntarlas con operadores
lógicos) antes de convertirlas al formato tsquery, podemos utilizar la función plainto_tsquery() que
hace ese trabajo por nosotros:
SELECT plainto_tsquery('spanish', 'Programando con Python');
El resultado:
"'program' & 'python'"
La diferencia radica en los operadores que podemos utilizar al momento de definir la consulta, con
to_tsquery() podemos utilizar los operadores lógicos AND. OR y NOT, con plainto_tsquery() se
utiliza el operador AND únicamente.
Realizando búsquedas
Ya sabemos como procesar los documentos y como procesar y definir los términos de búsqueda,
ahora veremos como efectuar una búsqueda sobre una tabla.
SELECT titulo
FROM articulo
WHERE to_tsvector('spanish', texto) @@ to_tsquery('framework & php');
Realizamos la búsqueda sobre la columna texto de nuestra tabla articulo y nos devolverá el(los)
titulo(s) del(los) articulo(s) en caso de que la búsqueda sea exitosa:
"Symfony Framework para el desarrollo de aplicaciones web"
Si deseáramos realizar la búsqueda no solo sobre el cuerpo del artículo sino también sobre el
titulo, podemos modificar la consulta de este modo:
SELECT titulo
FROM articulo
WHERE to_tsvector('spanish', titulo || texto) @@ to_tsquery('framework &
php');
Creando y usando índices

Dependiendo del tamaño de la base de datos, una búsqueda determinada puede tornarse lenta
dependiendo de la cantidad de documentos que deben ser procesados, no es lo mismo realizar
una búsqueda en 10 documentos que hacerla sobre 1000 o más.
Con el objetivo de no realizar las búsquedas recorriendo y procesando todos los documentos cada
vez, se tiene la posibilidad de definir índices para acelerar la obtención de los resultados.
Para nuestra tabla usaremos los índices especiales tipo GIN (Generalized Inverted Index):
CREATE INDEX articulo_idx ON articulo

USING gin(to_tsvector('spanish', texto));
Si deseamos definir un índice que agrupe a más de una columna de nuestra tabla:
CREATE INDEX articulo_idx ON articulo

USING gin(to_tsvector('spanish', titulo || texto));
Resaltando resultados
Una característica interesante de los sistemas de búsqueda es la presentación que se hace de los
resultados resaltando la parte del documento que coincide con el criterio de búsqueda.
Cuando efectuamos una búsqueda en este tipo de sistemas podemos visualizar los fragmentos
del documento con un color diferente al del resto del texto.
Si queremos implementar esta característica en PostgreSQL y Full Text Search debemos hacer
uso de la función ts_headline() que nos facilita los resultados de una consulta con una variedad de
opciones que veremos a continuación.
SELECT ts_headline('spanish', 'Se dice que un hombre debería hacer 3 cosas
interesa, lo importante es que colaboraron', to_tsquery('ATIX'));
El resultado por defecto es este:
"ATIX, que empezó no teniendo un hijo sino varios, hijos que
durante este tiempo le brindaron"
Obtenemos una parte pequeña del documento con la(s) partes que coinciden con el criterio de
búsqueda encerradas entre tags HTML , insertar luego esta resultado en una plantilla HTML
es bastante trivial. Si deseamos definir otro tipo de resaltado de los resultados podemos hacer uso
de las opciones StarSel y StopSel de la siguiente forma:
interesa, lo importante es que colaboraron', to_tsquery('ATIX'), 'StartSel
= , StopSel = ');
Devolviéndonos este resultado:
"ATIX, que empezó no teniendo un hijo sino varios, hijos que
durante este tiempo le brindaron"
Si queremos definir el número de palabras que deberá tener nuestro resultado podemos hacer
uso de las opciones MaxWords y MinWords así:
interesa, lo importante es que colaboraron', to_tsquery('ATIX'), 'StartSel
= , StopSel = , MinWords = 10, MaxWords = 20');
Ranking de resultados
Para finalizar este artículo veremos una última característica interesante, la del ranking de
resultados. Comúnmente podemos ver que cuando utilizamos el buscador de un sistema de
información obtenemos los resultados ordenados por algún criterio definido por su programador,
ya sea por la fecha de su publicación (los documentos mas recientes deberían ser mas
importantes) o por la posición de los documentos en una tabla en la base de datos (los
documentos insertados inicialmente serán los que se muestren primero).
Con PostgreSQL también tenemos la opción de devolver al usuario los resultados de sus
búsquedas ordenados por relevancia, tomando unos criterios como estos:
• Cuantas coincidencias tiene una búsqueda en un determinado documento.
• Que tan cercanas están esas coincidencias en dicho documento.
• En que parte del documento esta la coincidencia (si esta al principio del documento
debería ser mas relevante)
Con estos criterios, entre otros mas, se les asignan pesos a los resultados y conforme a dichos
pesos se mostrarán primero los resultados con mayor relevancia.
Para hacer uso de esta característica debemos utilizar la función ts_rank() de la siguiente forma:
SELECT titulo, autor, ts_rank(texto_tsv,
to_tsquery('spanish', 'Java')) AS ranking
FROM articulo
ORDER BY ranking DESC;
Cabe hacer notar que la ejecución de la función ts_rank() se la debe realizar pasándole como
parámetro un atributo del tipo tsvector, al contrario que las anteriores funciones que podíamos
pasarles textos simples, en este caso el parámetro texto_tsv es del tipo tsvector por lo que no
tenemos problema alguno.
A continuación podemos ver los resultados de una búsqueda utilizando la consulta “Java”, se
muestran todos los artículos con su respectivo ranking, en caso de tener un ranking de cero
significa que la consulta es negativa para ese documento:
Conclusiones
La utilización de PostgreSQL y su módulo de Full Text Search nos da dos grandes beneficios al
momento de desarrollar las funcionalidades de búsqueda en nuestros sistemas, por un lado
aprovechamos muchas características de los sistemas de recuperación de información que ya
están implementadas en el motor de base de datos y por otro lado, centralizamos el componente
de búsquedas de nuestro sistema en el mismo servidor.
Espero que a lo largo de este corto artículo haya podido mostrar que si elegimos PostgreSQL, el
camino hacia un sistema de búsquedas efectivo se hará más divertido e interesante.
Referencias
1. PostgreSQL: http://www.postgresql.org
2. Full Text Search en PostgreSQL:
http://www.postgresql.org/docs/8.3/static/textsearch.html

Full Text Search Postgre SQL

Cargado por

Copyright:

Formatos disponibles

Full Text Search Postgre SQL

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Full Text Search Postgre SQL

Cargado por

Copyright:

Formatos disponibles

Full Text Search con PostgreSQL

Rodrigo Soliz Rocabado (rodrifer@gmail.com)

La llenaremos con unos cuantos artículos para poder empezar a trabajar:

"Symfony Framework para el desarrollo de aplicaciones web"

Creando y usando índices

CREATE INDEX articulo_idx ON articulo

CREATE INDEX articulo_idx ON articulo

También podría gustarte

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.