PostgreSQL मध्ये अंतर्निर्मित पूर्ण-पाठ शोध आहे — दस्तऐवज/मजकूर शब्दांसाठी शोधणे stemmingसह, रँकिंग आणि भाषा जागरूकतेसह, LIKE पेक्षा खूप अधिक शक्तिशाली. हे tsvector (प्रक्रिया केलेला दस्तऐवज) आणि tsquery (शोध क्वेरी) प्रकार वापरते, गतीसाठी GIN इंडेक्स सह.
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 मजकूरला सामान्यीकृत lexemes मध्ये रूपांतरित करते (शब्द stemming करते, stop words काढून टाकते), आणि to_tsquery शोध संज्ञांना parse करते. @@ ऑपरेटर मेल साठी चाचणी करते — म्हणून "running" हे "run," "runs," इत्यादी असलेले दस्तऐवज जुळते.
-- 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 प्रत्येक दस्तऐवज किती चांगले जुळते हे स्कोर करते, परिणाम प्रासंगिकता-क्रमित केल्याने सक्षम करते.
PostgreSQL चा अंतर्निर्मित पूर्ण-पाठ शोध एक मूल्यवान वैशिष्ट्य आहे जो आपल्याला आपल्या डेटाबेससमध्ये शोध कार्यक्षमता लागू करण्यास परवानगी देते — अनेक वापरांसाठी वेगळे शोध इंजिन (जसे Elasticsearch) आवश्यक न राहून — म्हणून मजकूर शोधाची आवश्यकता असलेल्या ऍप्लिकेशनसाठी हे समजून घेणे उपयोगी आहे.
मुख्य मूल्य हे आहे की हे LIKE पेक्षा खूप अधिक शक्तिशाली आहे (जे शब्द stemming करू शकत नाही, परिणाम रँक करू शकत नाही, किंवा कार्यक्षमतेने इंडेक्स केले जाऊ शकत नाही): पूर्ण-पाठ शोध शब्द stemming प्रदान करते ("run" साठी "running" जुळणे), stop-word काढून टाकणे, भाषा जागरूकता, प्रासंगिकता रँकिंग, आणि महत्त्वपूर्णपणे इंडेक्सयोग्य आहे (GIN इंडेक्स सह जलद शोधसाठी) — वास्तविक शोध क्षमता (ज्या प्रकारचा वापरकर्त्यांना अपेक्षा आहे: शब्द भिन्नता जुळणे, प्रासंगिकतानुसार रँकिंग) थेट Postgres मध्ये वितरण करते.
मुख्य संकल्पना समजून घेणे — tsvector (प्रक्रिया केलेला, stemmed दस्तऐवज मजकूर), tsquery (parse केलेल्या शोध संज्ञा), @@ मेल ऑपरेटर, आणि ts_rank प्रासंगिकता रँकिंगसाठी — तसेच व्यावहारिक सेटअप (कार्यक्षमतेसाठी GIN सह इंडेक्स केलेला generated tsvector स्तंभ) प्रभावी शोध कसे लागू करायचे हे कव्हर करते.
वेगळे शोध इंजिन जटिल गरजांसाठी अधिक प्रदान करतात, परंतु Postgres पूर्ण-पाठ शोध अनेक ऍप्लिकेशनसाठी पर्याप्त आणि सुविधाजनक आहे (अलग शोध प्रणालीची ऑपरेशनल जटिलता टाळून आणि आपल्या संबंधितात्मक डेटा सह शोध डेटा सुसंगत ठेवून).
मजकूर शोध हा एक सामान्य ऍप्लिकेशन आवश्यकता असल्याने, आणि Postgres सक्षम अंतर्निर्मित पूर्ण-पाठ शोध प्रदान करत असल्याने (शक्तिशाली, इंडेक्सयोग्य, stemming आणि रँकिंग सह) जे बहुतेक वेळा वेगळे शोध इंजिन न करता पर्याप्त असते, हे समजून घेणे — tsvector/tsquery मॉडेल, इंडेक्स केलेले सेटअप, आणि रँकिंग — मूल्यवान, व्यावहारिकदृष्ट्या-प्रासंगिक ज्ञान आहे जो आपल्याला PostgreSQL च्या अंतर्निर्मित क्षमतांचा वापर करून वास्तविक शोध कार्यक्षमता जोडण्यास सक्षम करते, एक उपयोगी वैशिष्ट्य जे अधिक जटिल बाह्य समाधानच्या पक्षात बहुतेक वेळा अनुपस्थित असते जेव्हा Postgres पर्याप्त असेल.