Bekerja dengan penganalisis teks

Pernyataan DDL CREATE SEARCH INDEX, fungsi SEARCH, dan fungsi TEXT_ANALYZE mendukung opsi konfigurasi penganalisis teks lanjutan. Memahami penganalisis teks BigQuery dan opsinya memungkinkan Anda menyempurnakan pengalaman penelusuran.

Dokumen ini memberikan ringkasan tentang berbagai penganalisis teks yang tersedia di BigQuery dan opsi konfigurasinya, serta contoh cara kerja penganalisis teks dengan penelusuran di BigQuery. Untuk mengetahui informasi selengkapnya tentang sintaksis penganalisis teks, lihat Analisis teks.

Penganalisis teks

BigQuery mendukung penganalisis teks berikut:

NO_OP_ANALYZER
LOG_ANALYZER
PATTERN_ANALYZER

`NO_OP_ANALYZER`

Gunakan NO_OP_ANALYZER jika Anda telah melakukan pra-pemrosesan data yang ingin dicocokkan persis. Tidak ada tokenisasi atau normalisasi yang diterapkan pada teks. Karena penganalisis ini tidak melakukan tokenisasi atau normalisasi, penganalisis ini tidak menerima konfigurasi. Untuk mengetahui informasi selengkapnya tentang NO_OP_ANALYZER, lihat NO_OP_ANALYZER.

`LOG_ANALYZER`

LOG_ANALYZER mengubah data dengan cara berikut:

Teks dibuat menjadi huruf kecil.
Nilai ASCII yang lebih besar dari 127 tetap seperti apa adanya.
Teks dibagi menjadi istilah individual yang disebut token oleh pembatas berikut:
```
[ ] < > ( ) { } | ! ; , ' " * & ? + / : = @ . - $ % \ _ \n \r \s \t %21 %26
%2526 %3B %3b %7C %7c %20 %2B %2b %3D %3d %2520 %5D %5d %5B %5b %3A %3a %0A
%0a %2C %2c %28 %29
```
Jika tidak ingin menggunakan pembatas default, Anda dapat menentukan pembatas yang ingin digunakan sebagai opsi penganalisis teks. LOG_ANALYZER memungkinkan Anda mengonfigurasi pembatas dan filter token tertentu untuk mendapatkan kontrol yang lebih besar atas hasil penelusuran. Untuk mengetahui informasi selengkapnya tentang opsi konfigurasi spesifik yang tersedia saat menggunakan LOG_ANALYZER, lihat opsi penganalisis delimiters dan opsi penganalisis token_filters.

`PATTERN_ANALYZER`

Penganalisis teks PATTERN_ANALYZER mengekstrak token dari teks menggunakan ekspresi reguler. Mesin dan sintaksis ekspresi reguler yang digunakan dengan PATTERN_ANALYZER adalah RE2. PATTERN_ANALYZER membuat token pola dalam urutan berikut:

Fungsi ini menemukan substring pertama yang cocok dengan pola (dari kiri) dalam string. Ini adalah token yang akan disertakan dalam output.
Fungsi ini menghapus semua karakter dari string input hingga akhir substring yang ditemukan pada langkah 1.
Proses ini diulang hingga string kosong.

Tabel berikut memberikan contoh ekstraksi token PATTERN_ANALYZER:

Pola	Memasukkan teks	Token output
ab	ababab	ab
ab	abacad	ab
[a-z]{2}	abacad	ab ac iklan
aaa	aaaaa	aaa
[a-z]/	a/b/c/d/e	a/ b/ c/ d/
/[^/]+/	aa/bb/cc	/bb/
[0-9]+	abc
(?:/?)[a-z]	/abc	/abc
(?:/)[a-z]	/abc	/abc
(?:[0-9]abc){3}(?:[a-z]000){2}	7abc7abc7abcx000y000	7abc7abc7abcx000y000
".+"	"cats" dan "dogs"	"cats" dan "dogs" Perhatikan bahwa penggunaan pengukur serakah + membuat kecocokan mencocokkan string terpanjang yang mungkin dalam teks, sehingga '"cats" dan "dogs"' diekstrak sebagai token dalam teks.
".+?"	"cats" dan "dogs"	"cats" "" Perhatikan penggunaan pengukur malas +? membuat ekspresi reguler mencocokkan string terpendek yang mungkin dalam teks, sehingga '"cats"', '"dogs"' diekstrak sebagai 2 token terpisah dalam teks.

Dengan menggunakan penganalisis teks PATTERN_ANALYZER, Anda akan memiliki kontrol lebih besar atas token yang diekstrak dari teks saat digunakan dengan fungsi SEARCH. Tabel berikut menunjukkan bagaimana pola dan hasil yang berbeda menghasilkan hasil SEARCH yang berbeda:

Pola	Kueri	Teks	Token dari teks	SEARCH(text, query)	Penjelasan
abc	abcdef	abcghi	abcghi	TRUE	'abc' in ['abcghi']
cd[a-z]	abcdef	abcghi	abcghi	FALSE	'cde' in ['abcghi']
[a-z]/	a/b/	a/b/c/d/	a/ b/ c/ d/	TRUE	'a/' in ['a/', 'b/', 'c/', 'd/'] AND 'b/' in ['a/', 'b/', 'c/', 'd/']
/[^/]+/	aa/bb/	aa/bb/cc/	/bb/	TRUE	'/bb/' dalam ['/bb/']
/[^/]+/	bb	aa/bb/cc/	/bb/	ERROR	Tidak ada kecocokan dalam istilah kueri
[0-9]+	abc	abc123		ERROR	Tidak ada kecocokan dalam istilah kueri
[0-9]+	`abc`	abc123		ERROR	Tidak ada kecocokan yang ditemukan dalam istilah kueri Mencocokkan tanda petik terbalik sebagai tanda petik terbalik, bukan karakter khusus.
[a-z][a-z0-9]*@google\.com	Ini email saya: test@google.com	test@google.com	test@google.com	TRUE	'test@google.com' di 'test@google.com'
abc	abc\ abc	abc	abc	TRUE	'abc' in ['abc'] Perhatikan bahwa 'abc abc' adalah satu subkueri(yaitu) setelah diuraikan oleh parser kueri penelusuran karena spasi di-escape.
(?i)(?:Abc) (tanpa normalisasi)	aBcd	Abc	Abc	FALSE	'aBc' in ['Abc']
(?i)(?:Abc) normalisasi: lower_case = true	aBcd	Abc	abc	TRUE	'abc' in ['abc']
(?:/?)abc	bc/abc	/abc/abc/	/abc	TRUE	'/abc' in ['/abc']
(?:/?)abc	abc	d/abc	/abc	FALSE	'abc' in ['/abc']
".+"	"cats" (kucing)	"cats" dan "dogs"	"cats" dan "dogs"	FALSE	'"cats"' dalam ['"cats" and "dogs"] Perhatikan penggunaan pengukur serakah + membuat ekspresi reguler mencocokkan string terpanjang yang mungkin dalam teks, sehingga '"cats" and "dogs"' diekstrak sebagai token dalam teks.
".+?"	"cats" (kucing)	"cats" dan "dogs"	"cats" ""	TRUE	'"cats"' in ['"cats"', '"dogs"] Perhatikan penggunaan pengukur lambat +? membuat ekspresi reguler mencocokkan string terpendek yang mungkin dalam teks, sehingga '"cats"', '"dogs"' diekstrak sebagai 2 token terpisah dalam teks.

Contoh

Contoh berikut menunjukkan penggunaan analisis teks dengan opsi penyesuaian untuk membuat indeks penelusuran, mengekstrak token, dan menampilkan hasil penelusuran.

`LOG_ANALYZER` dengan normalisasi ICU NFKC dan kata-kata penghenti

Contoh berikut mengonfigurasi opsi LOG_ANALYZER dengan normalisasi NFKC ICU dan kata henti. Contoh ini mengasumsikan tabel data berikut dengan data yang sudah diisi:

CREATE TABLE dataset.data_table(
  text_data STRING
);

Untuk membuat indeks penelusuran dengan normalisasi NFKC ICU dan daftar kata berhenti, buat string berformat JSON dalam opsi analyzer_options dari pernyataan DDL CREATE SEARCH INDEX. Untuk daftar lengkap opsi yang tersedia saat membuat indeks penelusuran dengan LOG_ANALYZER, lihat LOG_ANALYZER. Untuk contoh ini, kata-kata penghentian kami adalah "the", "of", "and", "for".

CREATE OR REPLACE SEARCH INDEX `my_index` ON `dataset.data_table`(ALL COLUMNS) OPTIONS(
  analyzer='PATTERN_ANALYZER',
  analyzer_options= '''{
    "token_filters": [
      {
        "normalizer": {
          "mode": "ICU_NORMALIZE",
          "icu_normalize_mode": "NFKC",
          "icu_case_folding": true
        }
      },
      { "stop_words": ["the", "of", "and", "for"] }
    ]
  }''');

Berdasarkan contoh sebelumnya, tabel berikut menjelaskan ekstraksi token untuk berbagai nilai text_data. Perhatikan bahwa dalam dokumen ini, karakter tanda tanya ganda (⁇) telah dicetak miring untuk membedakan antara dua tanda tanya (??):

Teks Data	Token untuk indeks	Penjelasan
The Quick Brown Fox	["quick", "brown", "fox"]	Tokenisasi LOG_ANALYZER menghasilkan token ["The", "Quick", "Brown", "Fox"]. Selanjutnya, normalisasi ICU dengan `icu_case_folding = true` mengubah huruf kecil token untuk menghasilkan ["the", "quick", "brown", "fox"] Terakhir, filter kata henti menghapus "the" dari daftar.
Ⓠuick Ⓑrown Ⓕox	["quick", "brown", "fox"]	Tokenisasi LOG_ANALYZER menghasilkan token ["The", "Ⓠuick", "Ⓑrown", "Ⓕox"]. Selanjutnya, normalisasi NFKC ICU dengan `icu_case_folding = true` mengubah huruf kecil token untuk menghasilkan ["the", "quick", "brown", "fox"] Terakhir, filter kata henti menghapus "the" dari daftar.
Ⓠuick⁇Ⓕox	["quick??fox"]	Tokenisasi LOG_ANALYZER menghasilkan token ["The", "Ⓠuick⁇Ⓕox"]. Selanjutnya, normalisasi NFKC ICU dengan `icu_case_folding = true` huruf kecil token untuk menghasilkan ["quick??fox"]. Perhatikan bahwa unicode tanda tanya ganda telah dinormalisasi menjadi 2 karakter ASCII tanda tanya. Terakhir, filter kata umum tidak melakukan apa pun karena tidak ada token yang ada dalam daftar filter.

Setelah indeks penelusuran dibuat, Anda dapat menggunakan fungsi SEARCH untuk menelusuri tabel menggunakan konfigurasi penganalisis yang sama yang ditentukan dalam indeks penelusuran. Perhatikan bahwa jika konfigurasi penganalisis dalam fungsi SEARCH tidak cocok dengan konfigurasi indeks penelusuran, indeks penelusuran tidak akan digunakan. Gunakan kueri berikut:

SELECT
  SEARCH(
  analyzer => 'LOG_ANALYZER',
  analyzer_options => '''{
    "token_filters": [
      {
        "normalizer": {
          "mode": "ICU_NORMALIZE",
          "icu_normalize_mode": "NFKC",
          "icu_case_folding": true
        }
      },
      {
        "stop_words": ["the", "of", "and", "for"]
      }
    ]
  }''')

Ganti kode berikut:

search_query: Teks yang ingin Anda cari.

Tabel berikut menunjukkan berbagai hasil berdasarkan teks penelusuran yang berbeda dan nilai search_query yang berbeda:

text_data	`search_query`	Hasil	Penjelasan
The Quick Brown Fox	`"Ⓠuick"`	`TRUE`	Daftar akhir token yang diekstrak dari teks adalah ["quick", "brown", "fox"]. Daftar akhir token yang diekstrak dari kueri teks adalah ["cepat"]. Semua token kueri daftar dapat ditemukan dalam token teks.
Ⓠuick Ⓑrown Ⓕox	`"quick"`	`TRUE`	Daftar akhir token yang diekstrak dari teks adalah ["cepat", "cokelat", "rubah"]. Daftar akhir token yang diekstrak dari kueri teks adalah ["cepat"]. Semua token kueri daftar dapat ditemukan dalam token teks.
Ⓠuick⁇Ⓕox	`"quick"`	`FALSE`	Daftar akhir token yang diekstrak dari teks adalah ["quick??fox"]. Daftar akhir token yang diekstrak dari kueri teks adalah ["cepat"]. "cepat" tidak ada dalam daftar token dari teks.
Ⓠuick⁇Ⓕox	`"quick⁇fox"`	`TRUE`	Daftar akhir token yang diekstrak dari teks adalah ["quick??fox"]. Daftar akhir token yang diekstrak dari kueri teks adalah ["quick??fox"]. "quick??fox" ada dalam daftar token dari teks.
Ⓠuick⁇Ⓕox	"`quick⁇fox`"	`FALSE`	Di `LOG_ANALYZER`, tanda kutip terbalik memerlukan kecocokan teks yang persis.

`PATTERN_ANALYZER` untuk penelusuran IPv4 dengan kata henti

Contoh berikut mengonfigurasi penganalisis teks PATTERN_ANALYZER untuk menelusuri pola tertentu sambil memfilter kata henti tertentu. Dalam contoh ini, pola cocok dengan alamat IPv4 dan mengabaikan nilai localhost (127.0.0.1).

Contoh ini mengasumsikan bahwa tabel berikut diisi dengan data:

CREATE TABLE dataset.data_table(
  text_data STRING
);

Untuk membuat indeks penelusuran, opsi pattern dan daftar kata berhenti, buat string berformat JSON di opsi analyzer_options pernyataan DDL CREATE SEARCH INDEX. Untuk daftar lengkap opsi yang tersedia saat membuat indeks penelusuran dengan PATTERN_ANALYZER, lihat PATTERN_ANALYZER. Untuk contoh ini, kata-kata berhenti kita adalah alamat localhost, 127.0.0.1.

CREATE SEARCH INDEX my_index
ON dataset.data_table(text_data)
OPTIONS (analyzer = 'PATTERN_ANALYZER', analyzer_options = '''{
  "patterns": [
    "(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)[.]){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)"
  ],
  "token_filters": [
    {
      "stop_words": [
        "127.0.0.1"
      ]
    }
  ]
}'''
);

Saat menggunakan ekspresi reguler dengan analyzer_options, sertakan tiga simbol \ di awal untuk memisahkan ekspresi reguler yang menyertakan simbol \ dengan benar, seperti \d atau \b.

Tabel berikut menjelaskan opsi tokenisasi untuk berbagai nilai text_data

Teks Data	Token untuk indeks	Penjelasan
abc192.168.1.1def 172.217.20.142	["192.168.1.1", "172.217.20.142"]	Pola IPv4 menangkap alamat IPv4 meskipun tidak ada spasi antara alamat dan teks.
104.24.12.10abc 127.0.0.1	["104.24.12.10"]	"127.0.0.1" difilter karena ada dalam daftar kata henti.

Setelah indeks penelusuran dibuat, Anda dapat menggunakan fungsi SEARCH untuk menelusuri tabel berdasarkan tokenisasi yang ditentukan dalam analyzer_options. Gunakan kueri berikut:

SELECT
  SEARCH(dataset.data_table.text_data
  "search_data",
  analyzer => 'PATTERN_ANALYZER',
  analyzer_options => '''{
    "patterns": [
      "(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)[.]){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)"
      ],
    "token_filters": [
      {
        "stop_words": [
          "127.0.0.1"
        ]
      }
    ]
  }'''
);

Ganti kode berikut:

search_query: Teks yang ingin Anda cari.

Tabel berikut menunjukkan berbagai hasil berdasarkan teks penelusuran yang berbeda dan nilai search_query yang berbeda:

text_data	`search_query`	Hasil	Penjelasan
128.0.0.2	"127.0.0.1"	ERROR	Tidak ada token penelusuran dalam kueri. Kueri akan melalui penganalisis teks, yang memfilter token "127.0.0.1".
abc192.168.1.1def 172.217.20.142	"192.168.1.1abc"	TRUE	Daftar token yang diekstrak dari kueri adalah ["192.168.1.1"]. Daftar token yang diekstrak dari teks adalah ["192.168.1.1", "172.217.20.142"].
abc192.168.1.1def 172.217.20.142	"`192.168.1.1`"	TRUE	Daftar token yang diekstrak dari kueri adalah ["192.168.1.1"]. Daftar token yang diekstrak dari teks adalah ["192.168.1.1", "172.217.20.142"]. Perhatikan bahwa tanda petik terbalik diperlakukan sebagai karakter biasa untuk PATTERN_ANALYZER.

Langkah berikutnya

Untuk mengetahui ringkasan kasus penggunaan, harga, izin yang diperlukan, dan batasan indeks penelusuran, lihat Pengantar penelusuran di BigQuery.
Untuk mengetahui informasi tentang penelusuran kolom yang diindeks secara efisien, lihat Menelusuri dengan indeks.

Bekerja dengan penganalisis teks

Penganalisis teks

NO_OP_ANALYZER

LOG_ANALYZER

PATTERN_ANALYZER