unaccent
是一个文本搜索字典,它能从词位中移除重音(附加符号)。它是一个过滤词典,这表示它的输出总是会被传递给下一个字典(如果有),这和字典的通常行为不同。这允许为全文搜索做与重音无关的处理。
unaccent
的当前实现不能被用作thesaurus
字典的正规化字典。
unaccent
字典接受下列选项:
RULES
是包含翻译规则列表的文件的基本名。这个文件必须被存储在$SHAREDIR/tsearch_data/
(这里$SHAREDIR
表示PostgreSQL安装的共享数据目录)中。它的名称必须以.rules
(不包含在RULES
参数中)结束。
规则文件具有下面的格式:
每一行表示一个由带有重音的字符和不带重音的字符构成的对。第一个字符将被翻译成第二个。例如:
À A Á A Â A Ã A Ä A Å A Æ AE
这两个字符必须用空白分隔开,并且一行上任何前导和拖尾的空白都会被忽略。
另外,如果在一行上仅给出了一个字符,则那个字符的实例会被删除。这对于那些重音由分隔的字符表示的语言很有用。
实际上,每个“字符”都可以是任意不包含空白的字符串,因此unaccent
词典也可以被用于移除发音符号之外的其他子串替换。
正如其他PostgreSQL文本搜索配置文件一样,规则文件也必须被存储为UTF-8编码。在装载时,这些数据会被自动地翻译成当前数据库的编码。任何包含无法翻译字符的行都会被悄无声息地忽略,因此规则文件可以包含不适用于当前编码的规则。
在unaccent.rules
中可以找到一个更完整的例子,它可以直接用于大部分欧洲语言,当unaccent
模块被安装时,它被安装在$SHAREDIR/tsearch_data/
中。这个规则文件把带有重音的字符翻译成不带重音的同一字符,并且它还会把连字扩展成等价的单字符序列(例如,Æ 变成 AE)。
安装unaccent
扩展会创建一个文本搜索模板unaccent
和一个基于前者的字典unaccent
。unaccent
字典有默认的参数设置RULES='unaccent'
,这会让该字典使用标准的unaccent.rules
文件。如果希望修改该参数,可以
mydb=# ALTER TEXT SEARCH DICTIONARY unaccent (RULES='my_rules');
或者基于该模板创建新的字典。
要测试该字典,你可以尝试:
mydb=# select ts_lexize('unaccent','Hôtel'); ts_lexize ----------- {Hotel} (1 row)
这里是一个展示把unaccent
字典插入到一个文本搜索配置的例子:
mydb=# CREATE TEXT SEARCH CONFIGURATION fr ( COPY = french ); mydb=# ALTER TEXT SEARCH CONFIGURATION fr ALTER MAPPING FOR hword, hword_part, word WITH unaccent, french_stem; mydb=# select to_tsvector('fr','Hôtels de la Mer'); to_tsvector ------------------- 'hotel':1 'mer':4 (1 row) mydb=# select to_tsvector('fr','Hôtel de la Mer') @@ to_tsquery('fr','Hotels'); ?column? ---------- t (1 row) mydb=# select ts_headline('fr','Hôtel de la Mer',to_tsquery('fr','Hotels')); ts_headline ------------------------ <b>Hôtel</b> de la Mer (1 row)