在PostgreSQL中实现按拼音、汉字、拼音首字母搜索的例子
作者
digoal
日期
2016-11-09
标签
PostgreSQL , 拼音 , 中文分词 , tsvector , 拼音首字母 , hmm , 词库
背景
PostgreSQL有很多特性是可以提升开发效率，提高生产力的。
在前端页面中，搜索是一个非常常用的功能，例如淘宝首页的搜索。
为了提升用户体验，用户可以按拼音首字母进行搜索，按中文单词搜索，或者按拼音的全部进行搜索。
又比如家里的电视盒子，因为没有实体键盘，按拼音首字母搜索就非常方便。
但是如何做到按拼音首字母或者按拼音可以进行匹配呢？
应用程序端转换
本文的CASE主要需要用到的是中文和拼音以及拼音首字母的相互转换。
例如这样的转换
夹克
jk
jiake
大闹天宫
dntg
danaotiangong
有一个很好的例子
http://www.letiantian.me/2016-02-08-pinyin-hanzi/
基于词库的汉字转拼音
词库中既要包含每个字的拼音，也要包含常用单词/短语的读音。有些字是多音字，所以至少要保存其最常用的读音，不常用的读音多出现在单词/短语里。
好了，词库准备好了，现在手头有一句话要转换要转换为拼音，这句话是：
你好世界杯
我们的词库是这样子的：
你：nǐ
好：hǎo,hào
世：shì
界：jiè
杯：bēi
世界：shì,jiè
你好：nǐ,hǎo
苦尽甘来：kǔ,jìn,gān,lái
词库中最长的词 苦尽甘来 包含4个字。所以 你好世界杯 从4个字开始匹配：
- 判断你好世界是否在词库中，不在；
- 判断你好世是否在词库中，不在；
- 判断你好是否在词库中，在，得到nǐ,hǎo；
- 判断世界杯是否在词库中，不在；
- 判断世界是否在词库中，在，得到shì,jiè；
- 判断杯是否在词库中，在，得到bēi；
于是你好世界杯被转换为nǐ,hǎo,shì,jiè,bēi。
基于词库和分词工具的汉字转拼音
纯粹的基于词库的方法在实际的使用中会遇到问题，例如 提出了解决方案 这句话中 了解 会被当作一个单词，所以会得到错误的结果：
tí,chū,liǎo,jiě,jué,fāng,àn
更好的方法是先进行分词得到：
提出
了
解决
方案
然后基于词库对每个结果分别处理。
基于HMM的拼音转汉字
这里的拼音一般不带声调。
将汉字作为隐藏状态，拼音作为观测值，使用viterbi算法可以将多个拼音转换成合理的汉字。例如给出 ti,chu,le,jie,jue,fang,an ，viterbi算法会认为 提出了解决方案 是最合理的状态序列。
HMM需要三个分布，分别是：
- 初始时各个状态的概率分布
- 各个状态互相转换的概率分布
- 状态到观测值的概率分布
这个3个分布就是三个矩阵，根据一些文本库统计出来即可。
viterbi算法基于动态规划，维基百科 - Viterbi algorithm给出了很好的解释和示例。
基于词库的拼音转汉字
原则：
- 词的权重大于字的权重；
转换中匹配的词越多，权重越小。
词库的格式是：
拼音:单词:权重
例如：
ni:你:0.15
ni:泥:0.12
a:啊:0.18
hao:好:0.14
nihao:你好:0.6
假如输入是 ni,hao,a ，我们计算一下各种组合的权重：
| 组合 | 权重 |
|---|---|
| 你,好,啊 | 0.15×0.14×0.18 = 0.00378 |
| 泥,好,啊 | 0.12×0.14×0.18 = 0.003024 |
| 你好,啊 | 0.6×0.18 = 0.108 |
可以看出，你好,啊 是最好的结果。
实际实现中需要用到动态规划， 和求有向无环图中两点之间最短距离类似。
代码实现
基于上面的思路，我编写了两个工具，欢迎指教 ^^
拼音转汉字（拼音输入法引擎）：https://github.com/letiantian/Pinyin2Hanzi
汉字转拼音：https://github.com/letiantian/ChineseTone
参考
https://github.com/jmz331/gpinyin
http://www.letiantian.me/2016-02-08-pinyin-hanzi/
https://github.com/letiantian/Pinyin2Hanzi
https://github.com/letiantian/ChineseTone
http://www.pudn.com/downloads370/sourcecode/windows/ime/detail1600247.html
数据库端转换
可以把相关的中文，拼音相互转换的代码，嫁接到PostgreSQL，作为UDF对外提供转换接口。
例如输入 zh_to_pinyin('你好') 返回 nihao,nh
或者可以结合中文分词一起使用，同时支持自定义delimiter。
例如输入 zh_to_pinyin('你好中国汉字', ';', ',') 返回 nihao,nh;zhongguo,zg;hanzi,hz
PostgreSQL存储例子
1. 首先我们应该考虑分词，例如用户输入一个字符串，返回分词后的word。
例如
to_tsvector('zhparser', '你好中国')
返回
你好,中国
2. 然后对word进行转换，得到转换后的值。
例如输入 zh_to_pinyin(to_tsvector('zhparser', '你好中国')) 返回 你好,中国,nihao,nh,zhongguo,zg
使用PostgreSQL分词插件得到分词的例子《使用阿里云PostgreSQL zhparser时不可不知的几个参数》
https://yq.aliyun.com/articles/7730
postgres=# create extension zhparser;
CREATE EXTENSION
postgres=# CREATE TEXT SEARCH CONFIGURATION testzhcfg (PARSER = zhparser);
CREATE TEXT SEARCH CONFIGURATION
postgres=# ALTER TEXT SEARCH CONFIGURATION testzhcfg ADD MAPPING FOR a,b,c,d,e,f,g,h,i,j,k,l,m,n,o,p,q,r,s,t,u,v,w,x,y,z WITH simple;
ALTER TEXT SEARCH CONFIGURATION
postgres=# set zhparser.punctuation_ignore = t; -- 忽略标点符号
SET
postgres=# select * from ts_debug('testzhcfg','你好中国'); -- 得到分词后, 转换为拼音和拼音首字母
alias | description | token | dictionaries | dictionary | lexemes
-------+-------------+-------+--------------+------------+---------
n | noun | 你好 | {simple} | simple | {你好}
n | noun | 中国 | {simple} | simple | {中国}
(2 rows)
postgres=# select to_tsvector('testzhcfg', '你好,中国,nihao,nh,zhongguo,zg'); -- 现在你有了所有需要的元素, 存入数组或tsvector就看你的喜好了
to_tsvector
--------------------------------------------------------
'nh':4 'nihao':3 'zg':6 'zhongguo':5 '中国':2 '你好':1
(1 row)
这些动作可以封装为一个UDF来执行，提升效率，减少交互次数。
3. 得到转换后的值之后，再存入对应的字段中。
在PostgreSQL中，你可以选择存储为字符串数组，或者tsvector类型。
将 你好,中国,nihao,nh,zhongguo,zg 存入
text[]
或
tsvector
这两种类型都支持包含的查询。
检索例子
1. 精确匹配
数组
column @> array['nihao']
postgres=# select array['你好','中国','nihao','nh','zhongguo','zg'] @> array['nh'];
?column?
----------
t
(1 row)
tsvector
column @@ to_tsquery('nihao')
postgres=# select to_tsvector('testzhcfg', '你好,中国,nihao,nh,zhongguo,zg') @@ to_tsquery('你好');
?column?
----------
t
(1 row)
postgres=# select to_tsvector('testzhcfg', '你好,中国,nihao,nh,zhongguo,zg') @@ to_tsquery('nh');
?column?
----------
t
(1 row)
postgres=# select to_tsvector('testzhcfg', '你好,中国,nihao,nh,zhongguo,zg') @@ to_tsquery('nh | 你哈');
?column?
----------
t
(1 row)
2. 操作符
数组
tsvector
