PostgreSQL 中英文混合分词特殊规则(中文单字、英文单词) - 中英分明

标签

PostgreSQL , 正则表达式 , 分词 , 拆分

---

背景

某个业务系统有一个这样的要求：

分词后，要求，英文以单词形式出现，中文（多字节字符）以单字符形式出现。

这样的需求，需要如何来实现呢？

自定义分词规则UDF

切词的一些隐含参数，请参考：

《使用阿里云PostgreSQL zhparser时不可不知的几个参数》

要出现单字，我们需要这样来设置，对于多字节字符，设置单切。

postgres=# set zhparser.multi_zall=on;  
postgres=# SELECT array_to_tsvector(array_agg(token)) from ts_debug('testzhcfg', '保障房资金压力 hello digoal')   
           where (char_length(token)=1 and octet_length(token)<>1 ) or (char_length(token)=octet_length(token));  
                  array_to_tsvector                    
-----------------------------------------------------  
 'digoal' 'hello' '保' '力' '压' '房' '资' '金' '障'  
(1 row)  

以上满足业务需求，中文按字，英文按分词。

下面我们写一个UDF，编译使用。

create or replace function udf_to_tsvector(regconfig,text) returns tsvector as $$  
  SELECT array_to_tsvector(array_agg(token)) from ts_debug($1, $2)   
    where (char_length(token)=1 and octet_length(token)<>1 ) or (char_length(token)=octet_length(token));  
$$ language sql strict immutable;  

测试，满足业务需求

postgres=# select udf_to_tsvector('testzhcfg', '保障房资金压力 hello digoal');  
                   udf_to_tsvector                     
-----------------------------------------------------  
 'digoal' 'hello' '保' '力' '压' '房' '资' '金' '障'  
(1 row)