达梦全文检索的原理和实现

全文检索是对大数据文本进行索引，在建立的索引中对要查找的单词进行进行搜索，定位哪些文本数据包括要搜索的单词。因此，全文检索的全部工作就是建立索引和在索引中搜索定位，所有的工作都是围绕这两个来进行的。下面就逐个介绍
建立全文索引中有两项非常重要，一个是如何对文本进行分词，一是建立索引的数据结构。分词的方法基本上是二元分词法、最大匹配法和统计方法。索引的数据结构基本上采用倒排索引的结构。
分词的好坏关系到查询的准确程度和生成的索引的大小。在中文分词发展中，早期经常使用分词方式是二元分词法，该方法的基本原理是将包含中文的句子进行二元分割，不考虑单词含义，只对二元单词进行索引。因此该方法所分出的单词数量较多，从而产生的索引数量巨大，查询中会将无用的数据检索出来，好处是算法简单不会漏掉检索的数据。之后又发展出最大匹配分词方法，该方法又分为正向最大分词和逆向最大分词。其原理和查字典类似，对常用单词生成一个词典，分析句子的过程中最大的匹配字典中的单词，从而将句子拆分为有意义的单词链。最大匹配法中正向分词方法对偏正式词语的分辨容易产生错误，比如“首饰和服装”会将“和服”作为单词分出。达梦数据库采用的是改进的逆向最大分词方法，该分词方法较正向正确率有所提高。最为复杂的是通过统计方式进行分词的方法。该方法采用隐式马尔科夫链，也就是后一个单词出现的概率依靠于前一个单词出现的概率，最后统计所有单词出现的概率的最大为分词的依据。这个方法对新名词和地名的识别要远远高于最大匹配法，准确度随着取样文本的数量的增大而提高。
二元分词方法和统计方法是不依赖于词典的，而最大匹配法分词方法是依赖于词典的，词典的内容决定分词结构的好坏。
全文检索的索引被称为倒排索引，之所以成为倒排索引，是因为将每一个单词作为索引项，根据该索引项查找包含该单词的文本。因此，索引都是单词和唯一记录文本的标示是一对多的关系。将索引单词排序，根据排序后的单词定位包含该单词的文本。

逆向分词的过程说明
步骤1）读取一整条句子到变量str中，转到步骤2
步骤2）从句子的尾端读取1个字到变量word中，转到步骤3
步骤3）在字典查找word中保存的单词。如果存在则保存word，转到步骤4，否则转到步骤5）
步骤4）如果是字典中最大单词或者超过最大单词数（认定为新词），从句尾去掉该单词，返回步骤2
步骤5）读取前一个字到word中，构成新单词，转到步骤3）

词库的内存数据结构和词库中单词的匹配算法
内存中单词采用层次结构保存
假设字典中有如下的单词

中国
中华民国
国家
人民
民主

在内存中按照如下方式按层排列
其中每一个方块代表一个字，箭头所指向为该单词的前一个字。

单词按照如下方式匹配
比如查找单词“中华民国”
首先在第一层中使用二分法找到“国”字，获得“国”下层的数组“中民”
在该层使用二分法查找“民”，获得“民”下层的数组“华”
在该层使用二分法查找“华”，获得“华”下层的数组“中”
最后在该层找到中，至此，但此匹配完毕。

索引的格式

索引的格式是倒排索引的格式，也就是一个单词对应若干个文本表示。
在达梦数据库中，建立全文索引的对象是rec中的字段，生成倒排索引使用数据库中的b树进行存储。
在数据库是对某个字符字段进行全文索引，因此，rec的rowid作为该rec上该field的标示是必须要被记录的。
因此倒排索引存储的格式如下。



全文索引的查询
    全文的索引查询首先将对要查询的单词进行分词，然后在存储倒排索引的b树中将包含这些单词的rowid全部查找出来，并根据这些rowid在存储实际数据的b树中，将包含这些数据的行过滤出来。