GBase 8c附加功能之解析器

文本搜索解析器负责将原文档文本分解为多个记号，并标识每个记号的类型。这里的类型集由解析器本身定义。注意，解析器并不修改文本，它只是确定合理的单词边界。由于这一限制，人们更需要定制词典，而不是为每个应用程序定制解析器。当前GBase 8c提供了一种内置解析器pg_catalog.default，能识别23中记号类型，如下表所示：

注意：对于解析器来说，一个“字母”的概念是由数据库的语言区域设置，即lc_ctype设置决定的。只包含基本ASCII字母的词被报告为一个单独的token类型，因为这类词有时需要被区分出来。大多数欧洲语言中，对token类型word和asciiword的处理方法是类似的。

email不支持某些由RFC 5322定义的有效电子邮件字符。具体来说，可用于email用户名的非字母数字字符仅包含句号、破折号和下划线。

解析器可能对同一内容进行重叠记号。例如，包含连字符的单词将作为一个整体进行报告，其组件也会分别被报告：

gbase=# SELECT alias, description, token FROM ts_debug('foo-bar-beta1');

      alias      |               description                |     token

-----------------+------------------------------------------+---------------

 numhword        | Hyphenated word, letters and digits      | foo-bar-beta1

 hword_asciipart | Hyphenated word part, all ASCII          | foo

 blank           | Space symbols                            | -

 hword_asciipart | Hyphenated word part, all ASCII          | bar

 blank           | Space symbols                            | -

 hword_numpart   | Hyphenated word part, letters and digits | beta1

(6 rows)

这种行为是有必要的，因为它支持搜索整个复合词和各组件。这里是另一个例子：

gbase=# SELECT alias, description, token FROM ts_debug('http://example.com/stuff/index.html');

  alias   |  description  |            token

----------+---------------+------------------------------

 protocol | Protocol head | http://

 url      | URL           | example.com/stuff/index.html

 host     | Host          | example.com

 url_path | URL path      | /stuff/index.html

(4 rows)