PostgreSQL માં બિલ્ટ-ઈન ફુલ-ટેક્સ્ટ સર્ચ છે — દસ્તાવેજો/ટેક્સ્ટમાં શબ્દો શોધવું જે સ્ટેમિંગ, રેંકિંગ અને ભાષા જાણકારી સાથે કાર્ય કરે છે, જે LIKE કરતાં ઘણું વધુ શક્તિશાળી છે. તે tsvector (પ્રક્રિયા કરેલ દસ્તાવેજ) અને tsquery (સર્ચ ક્વેરી) પ્રકારો વાપરે છે, ગતી માટે GIN ઈન્ડેક્સ સાથે.
LIKE '%word%' → no stemming (won't match "running" for "run"), no ranking, no language
awareness, and can't use an index well (leading wildcard) → slow and limited.
Full-text search → stems words, ignores stop words, ranks by relevance, indexable.
-- to_tsvector — process text into searchable lexemes (stemmed, stop-words removed)
SELECT to_tsvector('english', 'The cats are running fast');
-- → 'cat':2 'fast':5 'run':4 (stemmed: cats→cat, running→run; "the"/"are" removed)
-- to_tsquery / plainto_tsquery — parse a search query
SELECT to_tsvector('english', body) @@ to_tsquery('english', 'running')
FROM articles; -- @@ = the match operator; matches "run" stem
to_tsvector ટેક્સ્ટને સામાન્ય લેક્સીમ્સ (શબ્દો સ્ટેમ કરે છે, સ્ટોપ શબ્દો દૂર કરે છે) માં રૂપાંતરિત કરે છે, અને to_tsquery સર્ચ પદોને પાર્સ કરે છે. @@ ઓપરેટર મેચ માટે ટેસ્ટ કરે છે — તેથી "running" એવા દસ્તાવેજોને મેળ ખાય છે જેમાં "run," "runs," વગેરે હોય.
-- add a generated tsvector column and index it with GIN
ALTER TABLE articles ADD COLUMN search_vector tsvector
GENERATED ALWAYS AS (to_tsvector('english', title || ' ' || body)) STORED;
CREATE INDEX idx_search ON articles USING GIN (search_vector);
-- fast searches using the index
SELECT title FROM articles
WHERE search_vector @@ plainto_tsquery('english', 'machine learning');
SELECT title, ts_rank(search_vector, query) AS rank
FROM articles, plainto_tsquery('english', 'database') query
WHERE search_vector @@ query
ORDER BY rank DESC; -- most relevant first
ts_rank સ્કોર કરે છે કે દરેક દસ્તાવેજ કેટલી સારી રીતે મેળ ખાય છે, જે પ્રાસંગિકતા-ક્રમાંકિત પરિણામો સક્ષમ કરે છે.
PostgreSQL ની બિલ્ટ-ઈન ફુલ-ટેક્સ્ટ સર્ચ એક મૂલ્યવાન લક્ષણ છે જે તમને તમારા ડેટાબેસમાં સર્ચ કાર્યક્ષમતા લાગુ કરવા દે છે — ઘણા કિસ્સાઓ માટે અલગ સર્ચ ઇજીન (જેમ કે Elasticsearch) ની જરૂર નથી — તેથી તેને સમજવું એવી એપ્લિકેશનો માટે ઉપયોગી છે જેને ટેક્સ્ટ સર્ચની જરૂર છે.
મુખ્ય મૂલ્ય એ છે કે તે LIKE કરતાં ઘણું વધુ શક્તિશાળી છે (જે શબ્દો સ્ટેમ કરી શકતો નથી, પરિણામોને રેંક કરી શકતો નથી, અથવા કુશળતાથી ઈન્ડેક્સ કરી શકતો નથી): ફુલ-ટેક્સ્ટ સર્ચ શબ્દ સ્ટેમિંગ ("run" માટે "running" ને મેળ કરવું), સ્ટોપ-શબ્દ દૂર કરવું, ભાષા જાણકારી, પ્રાસંગિકતા રેંકિંગ, અને મુખ્યત્વે ઈન્ડેક્સ કરી શકાય તેવું (ઝડપી શોધ માટે GIN ઈન્ડેક્સ સાથે) — Postgres માં સીધા વાસ્તવિક સર્ચ ક્ષમતા (જે પ્રકારની માણસો અપેક્ષા કરે છે: શબ્દ ભિન્નતાઓને મેળ કરવું, પ્રાસંગિકતા દ્વારા રેંક કરવું) પ્રદાન કરે છે.
મુખ્ય ખ્યાલો સમજવું — tsvector (પ્રક્રિયા કરેલ, સ્ટેમ કરેલ દસ્તાવેજ ટેક્સ્ટ), tsquery (પાર્સ કરેલ સર્ચ પદો), @@ મેચ ઓપરેટર, અને ts_rank પ્રાસંગિકતા રેંકિંગ માટે — વતી વ્યવહારુ સેટઅપ (પ્રકર્તમાન tsvector કૉલમ GIN ની સાથે કર્મક્ષમતા માટે ઈન્ડેક્સ કરેલ) અસરકારક સર્ચ કેવી રીતે લાગુ કરવું તે આવરી લે છે.
જ્યારે આરબીટ્રેરી સર્ચ ઇજીન જટિલ જરૂરિયાતો માટે વધુ ઓફર કરે છે, તો Postgres ફુલ-ટેક્સ્ટ સર્ચ ઘણી એપ્લિકેશનો માટે પર્યાપ્ત અને અનુકૂળ છે (અલગ સર્ચ સિસ્ટમની ક્રિયાશીલ જટિલતાથી બચવું અને તમારા સંબંધીય ડેટા સાથે સર્ચ ડેટા સુસંગત રાખવું).
જ્યારથી ટેક્સ્ટ સર્ચ એક સામાન્ય એપ્લિકેશન આવશ્યકતા છે, અને જ્યારથી Postgres સક્ષમ બિલ્ટ-ઈન ફુલ-ટેક્સ્ટ સર્ચ (શક્તિશાળી, ઈન્ડેક્સ કરી શકાય તેવું, સ્ટેમિંગ અને રેંકિંગ સાથે) પ્રદાન કરે છે જે ઘણીવાર અલગ સર્ચ ઇજીન વગર પર્યાપ્ત હોય છે, તેને સમજવું — tsvector/tsquery મોડલ, ઈન્ડેક્સ કરેલ સેટઆપ, અને રેંકિંગ — મૂલ્યવાન, વ્યવહારુ-પ્રાસંગિક જ્ઞાન છે જે તમને PostgreSQL ની બિલ્ટ-ઈન ક્ષમતાઓનો ઉપયોગ કરીને વાસ્તવિક સર્ચ કાર્યક્ષમતા ઉમેરવા દે છે, એક ઉપયોગી લક્ષણ જે ઘણીવાર અધિક જટિલ બાહ્ય ઉકેલોની તરફેણમાં અવગણવામાં આવે છે જ્યારે Postgres પર્યાપ્ત હોય.