之前的工作关系,需要在手机上支持中文和拼音搜索。由于手机上存储数据一般都是用 sqlite,所以是基于 sqlite3 fts5 来实现。这段时间再次入门 c++,所以想用 c++ 实现一下,一来用于练手,二来当时做的时候发现网络上这方面开源的实现不多,也造福下其他人。
背景
搜索现在几乎是每个 APP 必备的功能,用户已经习惯了搜索框搜一下,避免到处去找。搜索也是帮助用户查找旧信息,发现新功能的一个重要手段。平常我们用微信的时候经常会搜索联系人和聊天记录,发现微信这一块做的还是非常好的。关于微信的全文搜索,可以看看这两篇文章:微信全文搜索优化之路 和 微信移动端的全文检索多音字问题解决方案 。
第一篇文章主要是问题和原理的概述,第二篇文章是核心分词器的实现。我写的这个项目主要是实现了 simple 分词器,并提供一些辅助函数帮助使用。
Simple 分词器
搜索的核心是建倒排索引,建索引的核心是分词器。 跟名字一下,Simple 分词器的规则非常简单:
- 空白符跳过
- 连续的数字作为整体是一个索引
- 连续的英文字母作为整体并转换成小写索引
- 中文字单独建索引,并且把中文字转成拼音后也建搜索,这样就能同时支持中文和拼音检索。另外把拼音首字母也建索引,这样搜索 zjl 就能命中 “周杰伦”。
- 其他字符统一单独建索引,这样搜索 也能搜到
上面的 5 条都比较好理解,关于中文为什么这么做(而不是连续的中文一起建索引),是由于客户端搜索的需求决定的。具体可以参考上面微信的两篇文章。
有了上面的规则,代码写起来就很简单了,核心逻辑 30 行就解决了。这块代码运行效率也比较高,一遍扫描 O(n) 的复杂度就完成了分词操作。
query 拆分
索引建好之后,query 需要根据分词规则来写才能查询到数据。比如根据上面的逻辑:
- 如果查数字,我们要把搜索词当作前缀来用,比如用户搜索 123, query 就需要换成 123*,这样如果索引里面有 12345 也能被搜索出来
- 对于英文,除了要当作前缀,还需要把搜索词转成小写,比如用护搜索 Hello,query 就需要换成 hello*, 这样如果索引里面有 HelloWorld 也能被命中
- 对于中文和其他字符,都要拆成单个的才能命中索引
- 最后对于拼音(其实我们没办法区分英文和拼音,统一当作拼音处理就行),需要把拼音按照规则拆分,因为我们的拼音索引是单字建立的。这样如果用户搜索 “zhangliangy”,拼音就可以被拆成 ‘zhang AND liang AND y*’,从而命中”张靓颖”。具体规则微信的文章中也有详述。
可以看到 query 词重构的逻辑也比较多,在之前的项目中没有好的办法,所以是自己在应用层代码里面组装好了 query 再给 sqlite 去搜的,这样其实不太方便。在这个项目中,我实现了一个 simple_query 的字符串函数,输入一个 string,它会给转换成组装好的搜索词,用法跟使用 sqlite 内置函数一样,这样就方便很多了,下面是一个例子:
-- 完整例子:https://github.com/wangfenjin/simple/blob/master/test.sql
-- load so file
.load libsimple.so
-- set tokenize to simple
CREATE VIRTUAL TABLE t1 USING fts5(x, tokenize = "simple");
-- add some values into the table
insert into t1 values ("周杰伦 Jay Chou:最美的不是下雨天,是曾与你躲过雨的屋檐"),
-- query result: [周杰伦] Jay Chou:最美的不是下雨天,是曾与你躲过雨的屋檐
select simple_highlight(t1, 0, '[', ']') from t1 where x match simple_query('zhoujiel');
可以看到, match 后面用 simple_query 这个函数,传入用户输入的搜索词就可以用了。
另外 sql 中还有一个 simple_highlight 函数,它的作用和内置的 highlight 函数一样,只是它会把连续命中的词一起高亮。比如对于文档”周杰伦”,如果搜索词是 ‘zhou AND jie’,那么 highlight 函数会返回 “[周][杰]伦”,simple_highlight 会返回 “[周杰]伦”。
总结
最后说几句关于 sqlite fts5 的使用的问题。个人建议通过 trigger 的方式来维护索引的这张表,具体使用的方式可以在官方文章中搜索 trigger 找到例子。这样使用的好处是没有复杂的逻辑去保证文档数据和索引数据一致,微信的文章中很大一部分复杂度在描述怎么保证数据一致的问题。他们可能有自己的业务复杂性,但是对于一般的场景来说, trigger 是最好的方式。
从这个项目我们能学到:
- 怎么给 sqlite3 做一个支持中文和拼音的 fts5 拓展
- 怎么给 sqlite3 添加用户自定义的函数
- 在一个项目中同时使用 c 和 c++ ,并合理处理边界问题
大家可以下载使用,也可以根据自己的需求去改进,定制更多的函数和策略。
Reference
- Simple 分词器: https://github.com/wangfenjin/simple
- sqlite 官方文档:https://www.sqlite.org/fts5.html
- 微信全文搜索优化之路:https://juejin.im/entry/59e6cd266fb9a0451968ab02
- 微信移动端的全文检索多音字问题解决方案:https://cloud.tencent.com/developer/article/1198371