TOKENIZE

Описание

Функция TOKENIZE разбивает строку на токены с помощью указанного анализатора и возвращает результаты токенизации в виде массива строк в формате JSON. Эта функция особенно полезна для понимания того, как будет анализироваться текст при использовании инвертированных индексов для полнотекстового поиска.

Синтаксис

VARCHAR TOKENIZE(VARCHAR str, VARCHAR properties)

Параметры

• str: Входная строка для токенизации. Тип: VARCHAR
• properties: Строка свойств, задающая конфигурацию анализатора. Тип: VARCHAR

Параметр properties поддерживает следующие пары «ключ — значение» (формат: "key1"="value1", "key2"="value2"):

Общие свойства

Свойство	Описание	Примеры значений
built_in_analyzer	Тип встроенного анализатора	"english", "chinese", "unicode", "icu", "basic", "ik", "standard", "none"
analyzer	Имя пользовательского анализатора (созданного с помощью CREATE INVERTED INDEX ANALYZER)	"my_custom_analyzer"
parser_mode	Режим парсера (для анализаторов китайского текста)	"fine_grained", "coarse_grained"
support_phrase	Включение поддержки фраз (сохраняет информацию о позициях)	"true", "false"
lower_case	Преобразование токенов в нижний регистр	"true", "false"
char_filter_type	Тип символьного фильтра	Зависит от фильтра
stop_words	Настройка стоп-слов	Зависит от реализации

Возвращаемое значение

Возвращает значение типа VARCHAR, содержащее массив результатов токенизации в формате JSON. Каждый элемент массива представляет собой объект со следующей структурой:

• token: Термин, полученный при токенизации
• position: (Необязательно) Индекс позиции токена, если включено свойство support_phrase

Примеры

Пример 1: Использование встроенных анализаторов

-- Using the standard analyzer
SELECT TOKENIZE("Hello World", '"built_in_analyzer"="standard"');

[{ "token": "hello" }, { "token": "world" }]

-- Using the english analyzer
SELECT TOKENIZE("running quickly", '"built_in_analyzer"="english"');

[{ "token": "run" }, { "token": "quick" }]

-- Using the unicode analyzer with Chinese text
SELECT TOKENIZE("Apache Doris数据库", '"built_in_analyzer"="unicode"');

[{ "token": "apache" }, { "token": "doris" }, { "token": "数" }, { "token": "据" }, { "token": "库" }]

-- Using the chinese analyzer
SELECT TOKENIZE("我来到北京清华大学", '"built_in_analyzer"="chinese"');

[{ "token": "我" }, { "token": "来到" }, { "token": "北京" }, { "token": "清华大学" }]

-- Using the icu analyzer for multilingual text
SELECT TOKENIZE("Hello World 世界", '"built_in_analyzer"="icu"');

[{ "token": "hello" }, { "token": "world" }, {"token": "世界"}]

-- Using the basic analyzer
SELECT TOKENIZE("GET /images/hm_bg.jpg HTTP/1.0", '"built_in_analyzer"="basic"');

[{ "token": "get" }, { "token": "images" }, {"token": "hm"}, {"token": "bg"}, {"token": "jpg"}, {"token": "http"}, {"token": "1"}, {"token": "0"}]

-- Using the ik analyzer for Chinese text
SELECT TOKENIZE("中华人民共和国国歌", '"built_in_analyzer"="ik"');

[{ "token": "中华人民共和国" }, { "token": "国歌" }]

Пример 2: Использование пользовательских анализаторов

Сначала создайте пользовательский анализатор:

CREATE INVERTED INDEX ANALYZER lowercase_delimited
PROPERTIES (
    "tokenizer" = "standard",
    "token_filter" = "asciifolding, lowercase"
);

Затем используйте его с функцией TOKENIZE:

SELECT TOKENIZE("FOO-BAR", '"analyzer"="lowercase_delimited"');

[{ "token": "foo" }, { "token": "bar" }]

Пример 3: С поддержкой фраз (информация о позициях)

SELECT TOKENIZE("Hello World", '"built_in_analyzer"="standard", "support_phrase"="true"');

[{ "token": "hello", "position": 0 }, { "token": "world", "position": 1 }]

Примечания

1. Настройка анализатора: Параметр properties должен содержать корректную строку свойств. Пользовательский анализатор необходимо предварительно создать с помощью CREATE INVERTED INDEX ANALYZER.

2. Поддерживаемые анализаторы: В настоящее время поддерживаются следующие встроенные анализаторы:

   • standard: Стандартный анализатор для текстов общего назначения
   • english: Анализатор английского языка со стеммингом
   • chinese: Анализатор китайского текста
   • unicode: Анализатор на основе Unicode для многоязычного текста
   • icu: Анализатор на основе ICU для расширенной обработки Unicode
   • basic: Базовая токенизация
   • ik: Анализатор IK для китайского текста
   • none: Без токенизации (возвращает исходную строку в виде одного токена)

3. Производительность: Функция TOKENIZE предназначена прежде всего для тестирования и отладки конфигураций анализаторов. Для полнотекстового поиска в рабочей среде используйте инвертированные индексы с операторами MATCH или SEARCH.

4. Вывод в формате JSON: Результат представляет собой форматированную строку JSON, которую при необходимости можно дополнительно обработать с помощью функций JSON.

5. Совместимость с инвертированными индексами: Ту же конфигурацию анализатора, которая используется в TOKENIZE, можно применить к инвертированным индексам при создании таблиц:

   CREATE TABLE example (
       content TEXT,
       INDEX idx_content(content) USING INVERTED PROPERTIES("analyzer"="my_analyzer")
   )

6. Проверка работы анализатора: Используйте TOKENIZE, чтобы заранее посмотреть, как текст будет разбит на токены, прежде чем создавать инвертированные индексы. Это поможет выбрать наиболее подходящий анализатор для ваших данных.

Связанные функции

• MATCH: Полнотекстовый поиск с использованием инвертированных индексов
• SEARCH: Расширенный поиск с поддержкой DSL

Ключевые слова

TOKENIZE, STRING, FULL-TEXT SEARCH, INVERTED INDEX, ANALYZER