Hogyan működik a teljes szövegű keresés a PostgreSQL-ben?

Question

Accepted Answer

A PostgreSQL **beépített teljes szövegű keresést** nyújt — dokumentumok/szövegek keresése szavakra stemming, rangsorolás és nyelvfelismerés segítségével, ami sokkal erősebb, mint a `LIKE`. A **`tsvector`** (feldolgozott dokumentum) és **`tsquery`** (keresési lekérdezés) típusokat használ, GIN indexekkel a gyorsaságért.

## A probléma, amit a LIKE nem old meg

```text
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.
```

## tsvector és tsquery

```sql
-- 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
```

A `to_tsvector` a szöveget normalizált **lexémákra** konvertálja (szavakat stemmolja, stop szavakat eltávolítja), és a `to_tsquery` feldolgozza a keresési feltételeket. A `@@` operátor tesztel egy egyezésre — így a "running" illeszkedik az olyan dokumentumokkal, amelyek "run", "runs" stb. szavakat tartalmaznak.

## Kereshető oszlop + GIN index (a gyakorlati beállítás)

```sql
-- 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');
```

## Eredmények rangsorolása relevancia szerint

```sql
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
```

A `ts_rank` pontoz minden dokumentumot, hogy mennyire egyezik, amely lehetővé teszi a relevancia szerint rendezett eredményeket.

## Miért számít

A PostgreSQL beépített teljes szövegű keresése értékes funkció, amely lehetővé teszi **keresési funkcionalitás megvalósítását az adatbázisban** — anélkül, hogy külön keresőmotorra (például Elasticsearch) lenne szüksége számos eset során — így hasznos érteni azt olyan alkalmazások számára, amelyeknek szöveges keresésre van szükségük.

A fő érték az, hogy sokkal erősebb, mint a `LIKE` (amely nem képes szavakat stemmelni, eredményeket rangsorolni vagy hatékonyan indexelni): a teljes szövegű keresés **szóstemmingot** (a "running" illesztése a "run" kereséshez), **stop szavak eltávolítását**, **nyelvfelismerést**, **relevancia rangsorolást**, és döntően **indexelhetőséget** biztosít (GIN indexekkel a gyors kereséshez) — igazi keresési képességeket (az olyan típusokat, amelyeket a felhasználók elvárnak: szóváltozatok illesztése, rangsorolás relevancia szerint) közvetlenül a Postgresben.

A legalapvetőbb fogalmak megértése — **`tsvector`** (feldolgozott, stemmelt dokumentumszöveg), **`tsquery`** (feldolgozott keresési feltételek), a **`@@`** illesztési operátor, és **`ts_rank`** a relevancia rangsoroláshoz — valamint a gyakorlati beállítás (egy generált `tsvector` oszlop GIN indexszel a teljesítményhez) lefedi, hogyan valósíthat meg hatékony keresést.

Bár a dedikált keresőmotorok több mindent kínálnak az összetett igények esetén, a Postgres teljes szövegű keresése elegendő és kényelmes számos alkalmazás számára (elkerülve egy külön keresési rendszer operatív összetettségét és a keresési adatok konzisztenciáját a relációs adataival).

Mivel a szöveges keresés egy gyakori alkalmazási követelmény, és mivel a Postgres képes beépített teljes szövegű keresést nyújt (erőteljes, indexelhető, stemmingvel és rangsorolással), amely gyakran elegendő külön keresőmotor nélkül, értékelni — a tsvector/tsquery modellt, az indexelt beállítást és a rangsorolást — értékes, gyakorlati relevanciájú tudás, amely lehetővé teszi igazi keresési funkcionalitás hozzáadását a PostgreSQL beépített képességeinek használatával, egy hasznos funkció, amely gyakran figyelmen kívül marad a bonyolultabb külső megoldások javára, holott a Postgres elegendő lenne.