PostgreSQL全文检索利器:pg_bigm模块详解
2025-06-29 19:46:08作者:谭伦延
什么是pg_bigm
pg_bigm是PostgreSQL数据库的一个全文检索扩展模块,它采用2-gram(二元语法)分词技术为数据库提供高效的文本搜索能力。与PostgreSQL内置的pg_trgm(三元语法)模块相比,pg_bigm在处理亚洲语言(特别是日语和中文)时表现更优,且在短关键词搜索场景下性能更佳。
核心特性与技术原理
2-gram分词技术
pg_bigm的核心是2-gram分词算法,其工作原理如下:
- 对文本进行预处理,在开头和结尾添加空格
- 将文本按2个字符为单位进行切分
- 例如"数据库"会被切分为:" 数"、"数据"、"据库"、"库 "
这种分词方式特别适合处理没有明显分隔符的亚洲语言文本,相比基于空格的西方语言分词方法,2-gram能更准确地捕捉亚洲语言的语义特征。
与pg_trgm的对比
特性 | pg_trgm (3-gram) | pg_bigm (2-gram) |
---|---|---|
分词方式 | 三元语法 | 二元语法 |
支持的索引类型 | GIN/GiST | 仅GIN |
支持的操作符 | LIKE/ILIKE/~/~* | 仅LIKE |
亚洲语言支持 | 有限支持 | 完整支持 |
短关键词搜索性能 | 较差 | 优秀 |
相似度搜索 | 支持 | 支持(1.1+) |
最大索引列大小 | ~228MB | ~102MB |
安装与配置指南
环境要求
pg_bigm支持以下环境:
- 操作系统:Linux、Mac OS X
- PostgreSQL版本:9.1及以上
安装步骤
-
编译安装PostgreSQL(如已安装可跳过)
tar zxf postgresql-X.Y.Z.tar.gz cd postgresql-X.Y.Z ./configure --prefix=/opt/pgsql-X.Y.Z make sudo make install
-
安装pg_bigm模块
tar zxf pg_bigm-x.y-YYYYMMDD.tar.gz cd pg_bigm-x.y-YYYYMMDD make USE_PGXS=1 PG_CONFIG=/opt/pgsql-X.Y.Z/bin/pg_config sudo make USE_PGXS=1 PG_CONFIG=/opt/pgsql-X.Y.Z/bin/pg_config install
-
数据库配置
- 修改postgresql.conf:
shared_preload_libraries = 'pg_bigm'
- 对于PostgreSQL 9.1还需添加:
custom_variable_classes = 'pg_bigm'
- 修改postgresql.conf:
-
创建扩展
CREATE EXTENSION pg_bigm;
实际应用示例
全文检索实现
-
创建测试表并插入数据
CREATE TABLE products (name text, description text); INSERT INTO products VALUES ('智能手机', '高性能智能手机,配备最新处理器'), ('笔记本电脑', '轻薄笔记本电脑,超长续航');
-
创建GIN索引
CREATE INDEX products_idx ON products USING gin (description gin_bigm_ops);
-
执行全文检索
SELECT * FROM products WHERE description LIKE '%笔记本%';
相似度搜索
pg_bigm提供了相似度搜索功能,可用于模糊匹配:
-- 设置相似度阈值
SET pg_bigm.similarity_limit TO 0.3;
-- 执行相似度搜索
SELECT name FROM products WHERE name =% '智能';
核心函数解析
likequery函数
将普通搜索字符串转换为LIKE操作符可识别的模式:
SELECT likequery('数据库性能');
-- 返回:%数据库性能%
show_bigm函数
显示字符串的2-gram分词结果:
SELECT show_bigm('全文检索');
-- 返回:{" 全","全文","文检","检索","索 "}
bigm_similarity函数
计算两个字符串的相似度(0-1):
SELECT bigm_similarity('数据库', '数据仓库');
-- 返回:0.4
性能调优参数
-
pg_bigm.enable_recheck
- 控制是否执行结果复核
- 生产环境应保持开启(默认on)
-
pg_bigm.gin_key_limit
- 限制用于索引搜索的2-gram数量
- 默认0(使用全部),可优化长文本搜索性能
-
pg_bigm.similarity_limit
- 设置相似度搜索的阈值(0-1)
- 默认0.3,值越大匹配越严格
注意事项
-
索引列大小限制
- 最大支持约102MB的列建立索引
- 超出限制会导致内存错误
-
与pg_trgm共存
- 1.1+版本可共存,1.0版本不可共存
-
大小写敏感
- 与pg_trgm不同,bigm_similarity区分大小写
适用场景推荐
pg_bigm特别适合以下应用场景:
- 亚洲语言(中日韩)的全文检索
- 短关键词搜索(1-2个字符)
- 需要高精度匹配的文本搜索
- 模糊搜索和相似度匹配需求
对于需要处理更大文本(>102MB)或需要GiST索引的场景,可考虑结合使用pg_trgm模块。
通过合理配置和使用pg_bigm,可以显著提升PostgreSQL在亚洲语言环境下的文本搜索体验和性能表现。
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0266cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
143
1.92 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
274

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
929
553

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
422
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
65

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8