[原创]SQL SERVER 2005/2008 全文索引介绍 (二)

Question

上接[原创]SQL SERVER 2005/2008 全文索引介绍 (一)对于例1，这里涉及到全文索引的一个重要概念，干扰词(Noise Words)。
为了精简全文索引，Microsoft SQL Server 提供了一种机制，用来去掉那些经常出现但对搜索没有帮助的词。这些词称为“干扰词”或“终止词”。如英文中的"a"、"and"和"the"等，中文中的"的"、"了"、"在"等，凭经验就知道这些词对于搜索意义不大。因此将他们排除在全文索引之外。对于SQL 2005，干扰词存放在$SQL_Server_Install_Path\Microsoft SQL Server\MSSQL.1\MSSQL\FTDATA\ 目录中，每种语言对应一个文件。
对于SQL 2008，干扰词存放在系统表sys.fulltext_stopwords中，可通过下面的语句查看：SELECT stopword FROM sys.fulltext_stopwords WHERE language_id = 2052 --简体中文
--下面是部分结果：
/*
后
因
在
好
它
小 --请注意这里
已
并
很
我
*/
现在我们应该知道，例1中我们使用CONTAINS(*,'小')语句之所以查不到任何结果，是因为"小"字被系统当作干扰词，系统中没有存储关于"小"字的任何信息。那么，这些干扰词我们可以修改么？答案是肯定的。对于SQL 2005，我们可以直接修改相应语言对应的干扰词文件；对于SQL 2008，我们可以用T-SQL语句来增加、删除干扰词。
----------------------------------------------------------------------------------------------------------
对于例2，和干扰词无关，是由于全文引擎断词不当造成的。这也是全文索引最为人诟病的一点。
在SQL 2008之前版本中，我们无法看到全文引擎到底是怎样断词的，但在SQL 2008中，我们可以通过查询系统表值函数sys.dm_fts_index_keywords
和sys.dm_fts_index_keywords_by_document来查看断词结果。如对于第二条记录，我们可以这样看断词后的结果:
SELECT display_term 
FROM sys.dm_fts_index_keywords_by_document(DB_ID('TestFT'),OBJECT_ID('TB')) 
WHERE document_id=2 and column_id = 3 --全文键值为2 第3列
/*
display_term
---------------
宁夏
固
原有
位
网友
给
敬爱
苍老 --注意这里
师
写
封
信
END OF FILE
*/
根据上述结果，我们可以看到，全文引擎将"苍老"当成了一个词，所以我们用CONTAINS(*,'苍')查询不到这条记录。同理，我们用CONTAINS(*,'老师')也查不到这条记录。对于每种断字符语言，断词结果是无法改变的。如果实在想要改变，只能通过微软公布的接口，自行编程修改相应的组件。除了使用上面的两个表值函数外，还可以使用sys.dm_fts_parser来分析断词结果，sys.dm_fts_parser函数用起来更加灵活。
比如，针对同样的一句话，我们可以比较繁体中文和简体中文的断词结果:SELECT special_term,display_term FROM sys.dm_fts_parser('宁夏固原有一位网友给敬爱的苍老师写了一封信',1028,0,0) --繁体中文
/*
special_term     display_term
---------------- ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Exact Match      宁
Exact Match      夏
Exact Match      固
Exact Match      原有
Noise Word       一
Exact Match      位
Exact Match      网
Exact Match      友
Exact Match      给
Exact Match      敬
Exact Match      爱
Noise Word       的
Exact Match      苍 --注意这里
Exact Match      老
Exact Match      师
Exact Match      写
Noise Word       了
Noise Word       一
Exact Match      封
Exact Match      信(20 行受影响)
*/SELECT special_term,display_term FROM sys.dm_fts_parser('宁夏固原有一位网友给敬爱的苍老师写了一封信',2052,0,0) --简体中文
/*
special_term     display_term
---------------- ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Exact Match      宁夏
Exact Match      固
Exact Match      原有
Noise Word       一
Exact Match      位
Exact Match      网友
Exact Match      给
Exact Match      敬爱
Noise Word       的
Exact Match      苍老 --注意这里
Exact Match      师
Exact Match      写
Noise Word       了
Noise Word       一
Exact Match      封
Exact Match      信(16 行受影响)
*/
可以看到，对于"苍老师"，简体和繁体的断词结果是不同的，对于繁体中文，用CONTAINS(*,'苍')是能够查到这条记录的.
顺便说一句，有意使用别的语言也是对付断词不准的一种方法.后记：本来想写的全面一点，详细一点，但现在想想，这是个吃力不讨好的活儿，就此草草收场，文不对题，本人十分惭愧，对此有兴趣的同学，可以光临本人博客，我们私下交流。

Answer 1

SELECT stopword FROM sys.fulltext_stopwords WHERE language_id = 2052--简体中文
-----------------------------------
消息 208，级别 16，状态 1，第 1 行
对象名 'sys.fulltext_stopwords' 无效。

Answer 2

学习了  [email protected] 
[email protected] 
[email protected]

Answer 3

>>>>>>>>>>>SADfasdfsadfasdf

Answer 4

搂主有没有研究过组合词的问题比如
SELECT special_term,display_term FROM sys.dm_fts_parser('身份证',2052,0,0) --简体中文
和你把“身份证”插入表后
SELECT display_term 
FROM sys.dm_fts_index_keywords_by_document(DB_ID('TestFT'),OBJECT_ID('TB')) 
WHERE document_id=2 and column_id = 3 --全文键值为2 第3列
比较，会发现前者有“身份证”、“身份”、“证”三个词，后者只有“身份”、“证”两个词，少了组合词。

Answer 5

SELECT * FROM TB WHERE CONTAINS(*,'苍老师')
这条select语句在sql 2008 R2 里运行 报错消息 30046，级别 16，状态 1，第 1 行
SQL Server 在与全文筛选器后台程序宿主(FDHost)进程通信时遇到错误 0x80070422。请确保 FDHost 进程正在运行。若要重新启动 FDHost 进程，请运行 sp_fulltext_service 'restart_all_fdhosts' 命令或重新启动 SQL Server 实例。
请问是什么原因啊