PostgreSQL имеет встроенный полнотекстовый поиск — поиск слов в документах/тексте со стеммингом, ранжированием и языковой поддержкой, намного более мощный, чем LIKE. Он использует типы tsvector (обработанный документ) и tsquery (поисковый запрос), а также GIN индексы для скорости.
LIKELIKE '%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 преобразует текст в нормализованные лексемы (стеммирует слова, удаляет стоп-слова), а to_tsquery анализирует поисковые термины. Оператор @@ проверяет совпадение — так что "running" совпадает с документами, содержащими "run", "runs" и т.д.
-- 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 оценивает, насколько хорошо каждый документ совпадает, позволяя упорядочить результаты по релевантности.
Встроенный полнотекстовый поиск PostgreSQL — ценная функция, которая позволяет вам реализовать функциональность поиска в вашей базе данных — без необходимости в отдельной поисковой системе (как Elasticsearch) во многих случаях — поэтому его понимание полезно для приложений, требующих текстового поиска.
Ключевая ценность заключается в том, что это намного мощнее, чем LIKE (который не может стеммировать слова, ранжировать результаты или эффективно индексироваться): полнотекстовый поиск предоставляет стеммирование слов (совпадение "running" для "run"), удаление стоп-слов, языковую поддержку, ранжирование по релевантности и, что критично, индексируемость (с GIN индексами для быстрого поиска) — предоставляя реальные возможности поиска (именно такие, которые ожидают пользователи: совпадение словообразований, ранжирование по релевантности) непосредственно в Postgres.
Понимание основных концепций — tsvector (обработанный, стеммированный текст документа), tsquery (проанализированные поисковые термины), оператор @@ совпадения и ts_rank для ранжирования по релевантности — плюс практическая настройка (сгенерированный столбец tsvector с индексом GIN для производительности) охватывает, как реализовать эффективный поиск.
Хотя специализированные поисковые системы предлагают больше для сложных потребностей, полнотекстовый поиск Postgres достаточен и удобен для многих приложений (избегая операционной сложности отдельной поисковой системы и сохраняя согласованность данных поиска с вашими реляционными данными).
Поскольку текстовый поиск — распространённое требование приложений, а Postgres предоставляет способный встроенный полнотекстовый поиск (мощный, индексируемый, со стеммингом и ранжированием), который часто достаточен без отдельной поисковой системы, его понимание — модель tsvector/tsquery, настройка с индексом и ранжирование — это ценное, практически актуальное знание, которое позволяет вам добавить функциональность реального поиска, используя встроенные возможности PostgreSQL, полезную функцию, которая часто упускается в пользу более сложных внешних решений, когда Postgres был бы достаточным.