Fulltext v 602SQL

Fulltextové systémy - indexování

Označování a uložení dokumentů ve fulltextových systémech

Dokumenty, s nimiž fulltextový systém pracuje, jsou zaznamenány v tabulkách dokumentů. Každá tabulka dokumentů obsahuje:

• sloupec (sloupce) s textem dokumentu resp. sloupec s odkazem na dokument (je-li dokument v externím souboru), sloupec může být typu CLOB, BLOB nebo řetězec znaků;
• celočíselný sloupec s číslem dokumentu, které identifikuje dokument v rámci fulltextového systému;
• unikátní index ke sloupci s číslem dokumentu (může, ale nemusím být primárním klíčem k tabulce dokumentů);
• libovolné další sloupce a indexy dle potřeby, další sloupec může například obsahovat údaj o tématické oblasti, do níž dokument patří, a může se využívat v kritériích při vyhledávání dokumentů.

Pro generování unikátních čísel nových dokumentů může sloužit sekvence FTX_DOCIDid vytvořená při založení fulltextového systému. Typicky má sloupec s číslem dokumentu definovanou implicitní hodnotu FTX_DOCIDid.nextval. Tato implicitní hodnota zajistí, že každý nový záznam v tabulce dokumentů automatický obdrží číslo dokumentu.

V jednom fulltextovém systému lze indexovat dokumenty z více různých tabulek dokumentů. Přitom je třeba zajistit, že čísla dokumentů budou unikátní přes všechny takové tabulky. Proto je výhodné využívat pro generování čísel sekvenci. Lze však místo ní využít i libovolný jiný způsob přidělování unikátních čísel. Čísla dokumentu vždy musí být kladná.

Ve fulltextovém systému lze zaindexovat i více sloupců z jedné tabulky dokumentů. V takovém případě lze volit ze dvou přístupů:

• Ke každému sloupci s dokumentem vytvořit zvláštní sloupce obsahující unikátní číslo dokumentu. Pak lze pomocí fulltextových nástrojů zjistit, který dokument obsahuje hledanou frázi. Preferovaná varianta.
• Pro více sloupců s dokumenty používat společný sloupec obsahující číslo dokumentu. Pak lze pomocí fulltextových nástrojů nalézt záznam v tabulce dokumentů, který obsahuje hledanou frázi, ale nelze zjistit, z kterého sloupce pochází. Tuto variantu není umožněno vytvořit interaktivním návrhářem fulltextu.

Slova v dokumentech

Za slovo se pro indexování a vyhledávání dokumentů v implicitním nastavení považuje maximální posloupnost znaků, která začíná písmenem, číslicí, znakem @ nebo _ a obsahuje kromě těchto znaků případně ještě pomlčky. Tak například MS-DOS je jedno slovo, zatímco TCP/IP jsou dvě slova. Slovo je také například ABC_DE_@14-23X, ale nikoli /123X.

Množinu znaků tvořící slovo a množinu znaků, které tvoří začátek slova, lze při návrhu fulltextu zvolit či upřesnit (klauzule WORD_STARTERS a WORD_CHARS příkazu CREATE FULLTEXT).

Ve slovech se nerozlišuje velikost písmen, lze však vyhledávat slova s přihlédnutím k velikosti písmen.

Pro každý jazyk existuje seznam slov (spojek, předložek apod.), která se neindexují. Tato slova nelze vyhledat, a to ani ve frázi (přesněji řečeno: je-li použito ve frázi, může na jeho místě být libovolné slovo).

Fulltext v 602SQL

Fulltextové systémy - indexování