[原创]SQL SERVER 2005/2008 全文索引介绍 (二)

上接[原创]SQL SERVER 2005/2008 全文索引介绍 (一)

对于例1，这里涉及到全文索引的一个重要概念，干扰词(Noise Words)。
为了精简全文索引，Microsoft SQL Server 提供了一种机制，用来去掉那些经常出现但对搜索没有帮助的词。这些词称为“干扰词”或“终止词”。

如英文中的"a"、"and"和"the"等，中文中的"的"、"了"、"在"等，凭经验就知道这些词对于搜索意义不大。因此将他们排除在全文索引之外。

对于SQL 2005，干扰词存放在$SQL_Server_Install_Path\Microsoft SQL Server\MSSQL.1\MSSQL\FTDATA\ 目录中，每种语言对应一个文件。
对于SQL 2008，干扰词存放在系统表sys.fulltext_stopwords中，可通过下面的语句查看：

SELECT stopword FROM sys.fulltext_stopwords WHERE language_id = 2052 --简体中文

--下面是部分结果：

/*

后

因

在

好

它

小	--请注意这里

已

并

很

我

*/

现在我们应该知道，例1中我们使用CONTAINS(*,'小')语句之所以查不到任何结果，是因为"小"字被系统当作干扰词，系统中没有存储关于"小"字的任何信息。

那么，这些干扰词我们可以修改么？答案是肯定的。对于SQL 2005，我们可以直接修改相应语言对应的干扰词文件；对于SQL 2008，我们可以用T-SQL语句来增加、删除干扰词。
----------------------------------------------------------------------------------------------------------
对于例2，和干扰词无关，是由于全文引擎断词不当造成的。这也是全文索引最为人诟病的一点。
在SQL 2008之前版本中，我们无法看到全文引擎到底是怎样断词的，但在SQL 2008中，我们可以通过查询系统表值函数sys.dm_fts_index_keywords
和sys.dm_fts_index_keywords_by_document来查看断词结果。

如对于第二条记录，我们可以这样看断词后的结果:

SELECT display_term 

FROM sys.dm_fts_index_keywords_by_document(DB_ID('TestFT'),OBJECT_ID('TB')) 

WHERE document_id=2 and column_id = 3 --全文键值为2 第3列

/*

display_term

---------------

宁夏

固

原有

位

网友

给

敬爱

苍老	--注意这里

师

写

封

信

END OF FILE

*/

根据上述结果，我们可以看到，全文引擎将"苍老"当成了一个词，所以我们用CONTAINS(*,'苍')查询不到这条记录。同理，我们用CONTAINS(*,'老师')也查不到这条记录。

对于每种断字符语言，断词结果是无法改变的。如果实在想要改变，只能通过微软公布的接口，自行编程修改相应的组件。

除了使用上面的两个表值函数外，还可以使用sys.dm_fts_parser来分析断词结果，sys.dm_fts_parser函数用起来更加灵活。
比如，针对同样的一句话，我们可以比较繁体中文和简体中文的断词结果:

SELECT special_term,display_term FROM sys.dm_fts_parser('宁夏固原有一位网友给敬爱的苍老师写了一封信',1028,0,0) --繁体中文

/*

special_term     display_term

---------------- ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Exact Match      宁

Exact Match      夏

Exact Match      固

Exact Match      原有

Noise Word       一

Exact Match      位

Exact Match      网

Exact Match      友

Exact Match      给

Exact Match      敬

Exact Match      爱

Noise Word       的

Exact Match      苍		--注意这里

Exact Match      老

Exact Match      师

Exact Match      写

Noise Word       了

Noise Word       一

Exact Match      封

Exact Match      信



(20 行受影响)

*/



SELECT special_term,display_term FROM sys.dm_fts_parser('宁夏固原有一位网友给敬爱的苍老师写了一封信',2052,0,0) --简体中文

/*

special_term     display_term

---------------- ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Exact Match      宁夏

Exact Match      固

Exact Match      原有

Noise Word       一

Exact Match      位

Exact Match      网友

Exact Match      给

Exact Match      敬爱

Noise Word       的

Exact Match      苍老	--注意这里

Exact Match      师

Exact Match      写

Noise Word       了

Noise Word       一

Exact Match      封

Exact Match      信



(16 行受影响)

*/

可以看到，对于"苍老师"，简体和繁体的断词结果是不同的，对于繁体中文，用CONTAINS(*,'苍')是能够查到这条记录的.
顺便说一句，有意使用别的语言也是对付断词不准的一种方法.

后记：本来想写的全面一点，详细一点，但现在想想，这是个吃力不讨好的活儿，就此草草收场，文不对题，本人十分惭愧，对此有兴趣的同学，可以光临本人博客，我们私下交流。