pg_trgmと全文検索

つかってみよう”pg_trgm”
やってみよう”全文検索”

2013年2月16日
株式会社ＮＴＴデータ基盤システム事業本部
澤田雅彦

Copyright © 2013 NTT DATA Corporation

ＩＮＤＥＸ

01 全文検索とは？
02 pg_trgmってなに？
03 pg_trgmの動きを見てみよう
04 まとめ

Copyright © 2013NTT DATA Corporation 2

1. 全文検索とは？

Copyright © 2013 NTT DATA Corporation 3

1.1 全文検索ってなに？

全文検索ってなに？
 複数にまたがるテキストからキーワードを含むテキストを見つけ出す事

東京都・・・・
キーワード・・・・・・・・
・・・・・・・・・図書館・・・・
「オープンソース」・・・・・・・・
・・・・・・・・
・・・・・・・・・図書館・・・・
東京都で・・・・
・・・・・・・・・・・・
・・・・・・・・
・・・・・・・・
・・オープンソース・・・
・・・・・・・・
・・・・・・・・・・・・
・・・・・・
・・・データベース・・・
・・オープンソース・・・
・・・・・・・・・図書館・・・・
・・・・・・・・
・・・・・・・・
・・・・・・・・・・・・・・・・・・・・・
全文検索・・・・・・・・・・・・
・・・・・・・・本。
・・・・・・・・・・・・・・・・・
・・・・・
・学校・・・・・・・・・
・・・・・・・・本。
オープンソース
・・
・・・・・・・・
・・・
・学校・・・・・・・・・
・・・・・・・・
・・・・・
・・・・・・・・本。
・学校・・・・・・・・・


1.2 DBの全文検索ってなに？

 テキスト型の列を持つテーブルから、キーワードを含むレコードを検索すること

 一般的に、「全文検索機能がある」といえば、高速にできることを表す

 しかし、全文検索ではBtree等のインデックスを使用できないため遅い！

 なので、ツールを用いてインデックスを張る必要がある
 全文検索を実現するには。。。

 N-gram方式、形態素解析方式がある

キーワード：「オープンソース」

DB
SQL発行
：
：


1.3 N-gram解析と形態素解析

形態素解析 N-gram方式
分割方法単語単位で分割文字単位で分割
インデックスサ
○(単語単位) ×(分割数が多いため)
イズ

表記の揺れ ○(類義語を定義しやすい) △(表記の揺れに弱い)

△(単語の分割精度に依存す
検索結果 ○(LIKEに近い検索結果になる)
る)
どういう時に使
整った文章(論文等)を扱う時記号や造語を検索する時
える？
例)文字列‘今日は寒天の日’ではどうなる？
(3-gramの場合)
キーワード「今日」,「寒天」,「日」「今日は」,「日は寒」,「は寒天」,
「寒天の」,「天の日」

1.4 PostgreSQLで全文検索でインデックスを使うためのモジュール

pg_trgm textsearch_senna textsearch_ja

解析方式 3-gram N-gram 形態素解析

対応バージョン 9.1以降 8.2以降 8.3以降

提供形態 contribモジュール外部ツール外部ツール

開発主体 PostgreSQLコミュニティ板垣さん(個人) 板垣さん(個人)

なし Mecab
依存モジュール Senna
(PostgreSQLのGin、GiSTを利用) (PostgreSQLのGin、GiSTを利用)

レプリケーション対応 ○ × ○

リカバリ対応 ○ × ○

△(ソース内を再設定しないと
日本語対応 ○ ○
いけない)

以下、pg_trgmを扱っていきます

2. pg_trgmとは？


2.1 pg_trgmとは

 全文検索はPostgreSQL9.1から対応

 contribモジュールとして提供

 3-gram方式

 GIN,GiSTインデックスに対応

 レプリケーション・リカバリに対応

名前検索構築・更新
GIN 汎用転置インデックス速い遅い
GiST 汎用検索ツリー遅い速い

2.2 インストール方法

インストール方法
$ cd $PGSRC/contrib/pg_trgm

【ビルド時の注意】
日本語対応させるためには。。。

trgm.hの #define KEEPONLYALNUM を必ずコメントアウトする！

$ make
$ make install


2.3 動作確認

postgres=# CREATE EXTENSION pg_trgm;
postgres=# CREATE TABLE tbl (col1 text);
postgres=# CREATE INDEX idx on tbl USING gin (col1 gin_trgm_ops); ←INDEX作成
postgres=# INSERT INTO tbl VALUES ('test');
postgres=# EXPLAIN SELECT * FROM tbl WHERE col1 LIKE '%test%';
QUERY PLAN
-----------------------------------------------------------
---------
Bitmap Heap Scan on tbl (cost=16.16..26.43 rows=21 width=32)
Recheck Cond: (col1 ~~ '%test%'::text)
-> Bitmap Index Scan on idx (cost=0.00..16.16 rows=21 width=0)
Index Cond: (col1 ~~ '%test%'::text)
(4 rows)


2.4 インデックスを使ったとき、使わなかったとき

10万件のデータの中から、少量のデータを取り出すケースで検証。

インデックス使用
postgres=# EXPLAIN ANALYZE SELECT * FROM tbl WHERE col1 LIKE '%京都府%';
QUERY PLAN
---------------------------------------------------------------
Bitmap Heap Scan on tbl (cost=20.08..55.53 rows=10 width=32) (actual time=0.021..0.022 rows=3 loops=1)
Recheck Cond: (col1 ~~ '%京都府%'::text)
-> Bitmap Index Scan on idx (cost=0.00..20.07 rows=10 width=0) (actual time=0.013..0.013 rows=3 loops=1)
Index Cond: (col1 ~~ '%京都府%'::text)

Total runtime: 0.051 ms
インデックス不使用
400倍以上の差
postgres=# EXPLAIN ANALYZE SELECT * FROM tbl WHERE col1 LIKE '%京都府%';
QUERY PLAN
---------------------------------------------------------------
Seq Scan on tbl (cost=0.00..1662.00 rows=10 width=32) (actual time=22.282..22.284 rows=3 loops=1)
Filter: (col1 ~~ '%京都府%'::text)


2.5 2文字以下の検索
 pg_trgmは、3文字単位で区切るため、2文字以下の検索ではインデックスを効率的に使
えない。
 逆にインデックスを使うと「Bitmapの全件アクセス」になるため、SeqScanより遅い。
 英語の全文検索では1，2文字はストップワード(inやa)であることが多いので問題な
いのかも。。
 しかし日本語では「本」、「学校」など1，2文字で全文検索をする可能性は十分ある！
postgres=# EXPLAIN ANALYZE SELECT * FROM tbl WHERE col1 LIKE '%京%';
インデックス使用 QUERY PLAN
-----------------------------------------------------------------------------------------------------
Bitmap Heap Scan on tbl (cost=938.92..2600.80 rows=99990 width=32) (actual time=96.956..139.761 rows=10000
3 loops=1)
Recheck Cond: (col1 ~~ '%京%'::text)
-> Bitmap Index Scan on idx (cost=0.00..913.92 rows=99990 width=0) (actual time=96.874..96.874 rows=1000
03 loops=1)
Index Cond: (col1 ~~ '%京%'::text)

(5 rows) インデックスを使った方が遅い
postgres=# EXPLAIN ANALYZE SELECT * tbl WHERE col1 LIKE '%京%';
インデックス不使用 QUERY PLAN
----------------------------------------------------------------------------------------------------
Seq Scan on tbl (cost=0.00..1662.00 rows=99990 width=32) (actual time=0.014..40.286 rows=100003 loops=1)
Filter: (col1 ~~ '%京%'::text)

(3 rows)

3. pg_trgmの動きを見てみよう


3.1 どんな動きをするの？(インデックス登録編)

※△=半角空白

INSERT INTO tbl VALUES(‘ あいうABC’); TABLE
SQL発行 TID データ
1 あいうABC

INDEX
キー TID



※△=半角空白

1 あいうABC
①
3文字単位に INDEX
分割(前後にス
キー TID
ペースを追加)

△△あ
△あい
あいう
いうA
うAB
ABC
BC△


※△=半角空白

1 あいうABC
① ②
3文字単位に 4B以上は3Bに
INDEX
分割(前後にスハッシュ変換
キー TID
ペースを追加) ＋ソート
△△あ CRC1
△あい CRC2
あいう CRC3
いうA CRC4
うAB CRC5
ABC ABC
BC△ BC△


※△=半角空白

1 あいうABC
① ②
③
INT値に変換 INDEX
キー TID
△△あ CRC1 INT1
△あい CRC2 INT2
あいう CRC3 INT3
いうA CRC4 INT4
うAB CRC5 INT5
ABC ABC 1111
BC△ BC△ 2222


※△=半角空白

1 あいうABC
① ②
③
INT値に変換 INDEX
キー TID
INT1 1
△△あ CRC1 INT1
INT2 1
△あい CRC2 INT2
INT3 1
あいう CRC3 INT3
INT4 1
いうA CRC4 INT4
INT5 INT5 1
うAB CRC5
ABC 1111 1111 1
ABC
BC△ BC△ 2222 2222 1

3.2 どんな動きをするの？(インデックス検索編)

TABLE
TID データ
SELECT * FROM tbl WHERE col1 LIKE ‘%あいうA%’;
1 あいうABC
SQL発行 2 あいうDEF

INDEX
キー TID
あいう 1,2
いうA 1
いうD 2
：：
うAB 1
うDE 2
：： ※INT値への変換を省いています


TABLE
TID データ
1 あいうABC

①
3文字単位に
分割 INDEX
キー TID
あいうあいう 1,2
いうA いうA 1
いうD 2
：：
うAB 1
うDE 2


TABLE
TID データ
1 あいうABC

① ②
3文字単位にインデックスを検索
分割 INDEX
キー TID
いうA いうA 1
いうD 2
：：
うAB 1
うDE 2


TABLE
TID データ
1 あいうABC

① ② ③
3文字単位にインデックスを検索 TID決定
分割 INDEX
キー TID
「あいう」→1,2
いうA いうA 1 「いうA」→1
いうD 2 より、TID1
：：
うAB 1
うDE 2


TABLE
TID データ
1 あいうABC

① ② ③ ④
3文字単位にインデックスを検索 TID決定 Recheck処理
分割 INDEX
キー TID
「あいう」→1,2 PostgreSQL内部の
いうA いうA 1 「いうA」→1
Recheck処理行う
いうD 2 より、TID1
：：
うAB 1
うDE 2

3.3 Recheck処理の必要性

例えばこんな時。。

INDEX
キー TID
小学校 1
TABLE
学校長 1
検索ワード： 1 小学校と学校長
学校と 1 ：：
「小学校長」：：

Recheck処理で再検査！

3.3 Recheck処理の必要性

例えばこんな時。。

INDEX
キー TID
小学校 1 TID決定
INDEXを検索 TABLE
学校長 1
検索ワード： 1 小学校と学校長
学校と 1 ：：
「小学校長」：：

「小学校」： TID1 間違った結果を取ってき
「学校長」： TID1 てしまう

Recheck処理で再検査！

3.3 Reckech処理の必要性

Bitmap Index Scanでは1行検出しているが、
Rechek処理により間違った結果を排除している
ことがわかる。
実際に見てみる。

postgres=# EXPLAIN ANALYZE SELECT * FROM tbl2 WHERE col1 LIKE '%小学校長%';
QUERY PLAN
---------------------------------------------------------

Bitmap Heap Scan on tbl2 (cost=16.00..20.01 rows=1 width=32) (actualtime=0.019..0.019 rows=0 loops=1)

Recheck Cond: (col1 ~~ '%小学校長%'::text)

1
-> Bitmap Index Scan on tbl2idx (cost=0.00..16.00 rows=1 width=0) (actualtime=0.010..0.010 rows= loops=1)
Index Cond: (col1 ~~ '%小学校長%'::text)
(5 rows)


4. まとめ


4. まとめ

 pg_trgmの強み
 pg_trgmを使うことで、全文検索を高速に行う事が出来る。
 contribモジュールに入っているため、メンテナンスを破棄される可能
性が低い

 pg_trgmの弱み
 二文字以下の検索では効率的なインデックス検索ができない(日本
語では「本」、「学校」など利用シーンはある)
 日本語対応させるためには、ソース内の設定を変更しなくてはいけ
ない


(参考)ワイルドカードの有無による検索の挙動の違い

・インデックスに登録するときは先頭に2つ、末尾1つに空白を追加して3文字分割する。
→”cat”の場合は、”△△c”,”△ca”,”cat”,”at△”

TID データキー TID
1 ABC △△A 1,2
2 ABCD
△△X 3
3 XABC
△AB 1,2
△XA 3
‘△AB’ 1,2
‘ABC’→ ’ABC’ → 1,2,3 → 1 ABC 1,2,3
‘BC△’ 1,3
‘△△A’ 1,2 BC△ 1,3
BCD 2
CD△ 2
‘%ABC%’ → ‘ABC’ →1,2,3
XAB 3


(参考)Gin,Gistの更新・構築、検索速度の差

○Ginはなぜ更新・構築が遅い？
→一つのレコード挿入につき、分割した単語分のインデックスを更新する必要があるため。
(例：1000文字のレコードを1行INSERTするとGINインデックスは最大1000個更新す
る必要がある)
→それに比べ、Gistは一つのレコード挿入につき、インデックスには一つ登録するだけな
ので、Ginに比べると早い。

○Gistはなぜ検索が遅い？
→Gistではインデックスに登録された値と文章が非可逆なため、列候補を挙げた後、再
チェックする必要があります。そのため、検索が遅くなります。


(参考)CRC処理のソース

CRC処理のソース部分。
static void
cnt_trigram(trgm *tptr, char *str, int bytelen)
{
if (bytelen == 3) #define INIT_CRC32(crc) ((crc) = 0xFFFFFFFF)
{ #define FIN_CRC32(crc) ((crc) ^= 0xFFFFFFFF)
CPTRGM(tptr, str); #define COMP_CRC32(crc, data, len)¥
} do { ¥
else
const unsigned char *__data = (const unsigned char *)(data); ¥
uint32 __len = (len); ¥
{
¥
pg_crc32 crc;
while (__len-- > 0) ¥
{¥
INIT_CRC32(crc);
int __tab_index = ((int) ((crc) >> 24) ^ *__data++) & 0xFF; ¥
COMP_CRC32(crc, str, bytelen); (crc) = pg_crc32_table[__tab_index] ^ ((crc) << 8); ¥
FIN_CRC32(crc); }¥
} while (0)
/*
* use only 3 upper bytes from crc, hope, it's good enough hashing
*/
CPTRGM(tptr, &crc);
}
}


(参考)KEEPONLYALNUMをコメントアウトしなかったら
○trgm_op.cのソースの一部
#ifdef KEEPONLYALNUM
#define iswordchr(c) (t_isalpha(c) || t_isdigit(c)) ←英数字の時にTrue
#else
#define iswordchr(c) (!t_isspace(c)) ←スペースでないときにTrue
#endif
static char *
○trgm_gin.cのソースの一部（データから空白を除いて文字の塊を見つけるところ。例：’today is sunny’→’today’,’is’,’sunny’）
find_word(char *str, int lenstr, char **endword, int *charlen)
{
char *beginword = str;

while (beginword - str < lenstr && !iswordchr(beginword))
beginword += pg_mblen(beginword);
if (beginword - str >= lenstr)
return NULL;
*endword = beginword;
*charlen = 0;
while (*endword - str < lenstr && iswordchr(*endword))
{
*endword += pg_mblen(*endword);
(*charlen)++;
}

return beginword;
}


pg_trgmと全文検索

More Related Content

What's hot (20)

Viewers also liked (20)

Similar to pg_trgmと全文検索 (6)

More from Masahiko Sawada (20)

pg_trgmと全文検索