Utilizzare gli analizzatori di testo

L'istruzione DDL CREATE SEARCH INDEX, la funzione SEARCH e la funzione TEXT_ANALYZE supportano opzioni di configurazione avanzate dell'analizzatore di testo. Comprendere gli analizzatori di testo di BigQuery e le relative opzioni ti consente di perfezionare la tua esperienza di ricerca.

Questo documento fornisce una panoramica dei diversi analizzatori di testo disponibili in BigQuery e delle relative opzioni di configurazione, nonché esempi di come funzionano gli analizzatori di testo con la ricerca in BigQuery. Per ulteriori informazioni sulla sintassi dell'analizzatore di testo, consulta Analisi del testo.

Analizzatori di testo

BigQuery supporta i seguenti analizzatori di testo:

NO_OP_ANALYZER
LOG_ANALYZER
PATTERN_ANALYZER

`NO_OP_ANALYZER`

Utilizza NO_OP_ANALYZER quando hai dati pre-elaborati che vuoi abbinare esattamente. Al testo non viene applicata alcuna tokenizzazione o normalizzazione. Poiché questo analizzatore non esegue la tokenizzazione o la normalizzazione, non accetta alcuna configurazione. Per maggiori informazioni su NO_OP_ANALYZER, consulta NO_OP_ANALYZER.

`LOG_ANALYZER`

LOG_ANALYZER modifica i dati nei seguenti modi:

Il testo viene convertito in minuscolo.
I valori ASCII maggiori di 127 vengono mantenuti invariati.
Il testo viene suddiviso in singoli termini chiamati token dai seguenti delimitatori:
```
[ ] < > ( ) { } | ! ; , ' " * & ? + / : = @ . - $ % \ _ \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
```
Se non vuoi utilizzare i delimitatori predefiniti, puoi specificare quelli che vuoi utilizzare come opzioni dell'analizzatore di testo. LOG_ANALYZER ti consente di configurare delimitatori e filtri token specifici per un maggiore controllo sui risultati di ricerca. Per ulteriori informazioni sulle opzioni di configurazione specifiche disponibili quando utilizzi LOG_ANALYZER, consulta l'opzione analizzatore delimiters e l'opzione analizzatore token_filters.

`PATTERN_ANALYZER`

L'analizzatore di testo PATTERN_ANALYZER estrae i token dal testo utilizzando un'espressione regolare. Il motore e la sintassi delle espressioni regolari utilizzati con PATTERN_ANALYZER sono RE2. PATTERN_ANALYZER tokenizza i pattern nel seguente ordine:

Trova la prima sottostringa che corrisponde al pattern (da sinistra) nella stringa. Questo è un token da includere nell'output.
Rimuove tutto dalla stringa di input fino alla fine della sottostringa trovata nel passaggio 1.
Ripete il processo finché la stringa non è vuota.

La seguente tabella fornisce esempi di estrazione dei token PATTERN_ANALYZER:

Pattern	Testo di input	Token di output
ab	ababab	ab
ab	abacad	ab
[a-z]{2}	abacad	ab ac annuncio
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
".+"	"gatti" e "cani"	"gatti" e "cani" Tieni presente che l 'utilizzo di quantificatori greedy + fa sì che la corrispondenza corrisponda alla stringa più lunga possibile nel testo, causando l'estrazione di"gatti " e"cani" come token nel testo.
".+?"	"gatti" e "cani"	"cats" "dogs" Tieni presente che l'utilizzo dei quantificatori pigri +? fa sì che l'espressione regolare corrisponda alla stringa più breve possibile nel testo, causando l'estrazione di ""gatti"" e ""cani"" come due token separati nel testo.

L'utilizzo dell'analizzatore di testo PATTERN_ANALYZER ti offre un maggiore controllo sui token estratti da un testo quando viene utilizzato con la funzione SEARCH. La tabella seguente mostra come diversi pattern e risultati generano risultati SEARCH diversi:

Pattern	Query	Testo	Token dal testo	SEARCH(text, query)	Spiegazione
abc	abcdef	abcghi	abcghi	VERO	'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/	VERO	'a/' in ['a/', 'b/', 'c/', 'd/'] AND 'b/' in ['a/', 'b/', 'c/', 'd/']
/[^/]+/	aa/bb/	aa/bb/cc/	/bb/	VERO	'/bb/' in ['/bb/']
/[^/]+/	bb	aa/bb/cc/	/bb/	ERRORE	Nessuna corrispondenza trovata nel termine di query
[0-9]+	abc	abc123		ERRORE	Nessuna corrispondenza trovata nel termine di query
[0-9]+	`abc`	abc123		ERRORE	Nessuna corrispondenza trovata nel termine di query Il carattere di apice inverso corrisponde al carattere di apice inverso, non a un carattere speciale.
[a-z][a-z0-9]*@google\.com	Il mio indirizzo email è: test@google.com	test@google.com	test@google.com	VERO	'test@google.com' in 'test@google.com'
abc	abc\ abc	abc	abc	VERO	'abc' in ['abc'] Tieni presente che "abc abc" è una singola sottoquery(ie) dopo l'analisi da parte del parser delle query di ricerca, poiché lo spazio è sottoposto a escape.
(?i)(?:Abc) (nessuna normalizzazione)	aBcd	ABC	ABC	FALSE	'aBc' in ['Abc']
(?i)(?:Abc) normalizzazione: lower_case = true	aBcd	ABC	abc	VERO	'abc' in ['abc']
(?:/?)abc	bc/abc	/abc/abc/	/abc	VERO	'/abc' in ['/abc']
(?:/?)abc	abc	d/abc	/abc	FALSE	'abc' in ['/abc']
".+"	"cats"	"gatti" e "cani"	"gatti" e "cani"	FALSE	'"cats"' in ['"cats" and "dogs"] Tieni presente che l'utilizzo di quantificatori greedy + fa sì che l'espressione regolare corrisponda alla stringa più lunga possibile nel testo, causando l'estrazione di "cats" and "dogs" come token nel testo.
".+?"	"cats"	"gatti" e "cani"	"cats" "dogs"	VERO	'"cats"' in ['"cats"', '"dogs"] Tieni presente che l'utilizzo dei quantificatori pigri +? fa sì che l'espressione regolare corrisponda alla stringa più breve possibile nel testo, causando l'estrazione di '"cats"' e '"dogs"' come due token separati nel testo.

Esempi

I seguenti esempi mostrano l'utilizzo dell'analisi del testo con opzioni di personalizzazione per creare indici di ricerca, estrarre token e restituire risultati di ricerca.

`LOG_ANALYZER` con normalizzazione NFKC ICU e stop word

Il seguente esempio configura le opzioni LOG_ANALYZER con la normalizzazione NFKC ICU e le stop word. L'esempio presuppone la seguente tabella di dati con i dati già compilati:

CREATE TABLE dataset.data_table(
  text_data STRING
);

Per creare un indice di ricerca con la normalizzazione NFKC ICU e un elenco di stop word, crea una stringa in formato JSON nell'opzione analyzer_options dell'istruzione CREATE SEARCH INDEX DDL. Per un elenco completo delle opzioni disponibili quando crei un indice di ricerca con LOG_ANALYZER, consulta LOG_ANALYZER. Per questo esempio, le stop word sono "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"] }
    ]
  }''');

Dato l'esempio precedente, la tabella seguente descrive l'estrazione dei token per vari valori di text_data. Tieni presente che in questo documento il carattere doppio punto interrogativo (⁇) è stato scritto in corsivo per distinguere tra due punti interrogativi (??):

Testo dati	Token per l'indice	Spiegazione
The Quick Brown Fox	["quick", "brown", "fox"]	La tokenizzazione LOG_ANALYZER produce i token ["The", "Quick", "Brown", "Fox"]. Successivamente, la normalizzazione T.I. con `icu_case_folding = true` converte i token in minuscolo per produrre ["the", "quick", "brown", "fox"] Infine, il filtro per le stop word rimuove "the" dall'elenco.
The Ⓠuick Ⓑrown Ⓕox	["quick", "brown", "fox"]	La tokenizzazione LOG_ANALYZER produce i token ["The", "Ⓠuick", "Ⓑrown", "Ⓕox"]. Successivamente, la normalizzazione NFKC ICU con `icu_case_folding = true` converte i token in minuscolo per produrre ["the", "quick", "brown", "fox"] Infine, il filtro per le stop word rimuove "the" dall'elenco.
Ⓠuick⁇Ⓕox	["quick??fox"]	La tokenizzazione di LOG_ANALYZER produce i token ["The", "Ⓠuick⁇Ⓕox"]. Successivamente, la normalizzazione NFKC ICU con `icu_case_folding = true` converte i token in minuscolo per produrre ["quick??fox"]. Tieni presente che il carattere Unicode doppio punto interrogativo è stato normalizzato in due caratteri ASCII punto interrogativo. Infine, il filtro per le stop word non fa nulla perché nessuno dei token è presente nell'elenco dei filtri.

Ora che l'indice di ricerca è stato creato, puoi utilizzare la funzione SEARCH per cercare nella tabella utilizzando le stesse configurazioni dell'analizzatore specificate nell'indice di ricerca. Tieni presente che se le configurazioni dell'analizzatore nella funzione SEARCH non corrispondono a quelle dell'indice di ricerca, quest'ultimo non verrà utilizzato. Utilizza la query seguente:

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"]
      }
    ]
  }''')

Sostituisci quanto segue:

search_query: il testo che vuoi cercare.

La seguente tabella mostra vari risultati in base a diversi testi di ricerca e diversi valori di search_query:

text_data	`search_query`	Risultato	Spiegazione
The Quick Brown Fox	`"Ⓠuick"`	`TRUE`	L'elenco finale dei token estratti dal testo è ["rapida", "marrone", "volpe"]. L'elenco finale dei token estratti dalla query di testo è ["veloce"]. I token di query dell'elenco si trovano tutti nei token di testo.
The Ⓠuick Ⓑrown Ⓕox	`"quick"`	`TRUE`	L'elenco finale dei token estratti dal testo è ["rapida", "marrone", "volpe"]. L'elenco finale dei token estratti dalla query di testo è ["veloce"]. I token di query dell'elenco si trovano tutti nei token di testo.
Ⓠuick⁇Ⓕox	`"quick"`	`FALSE`	L'elenco finale dei token estratti dal testo è ["quick??fox"]. L'elenco finale dei token estratti dalla query di testo è ["rapido"]. "quick" non è presente nell'elenco dei token del testo.
Ⓠuick⁇Ⓕox	`"quick⁇fox"`	`TRUE`	L'elenco finale dei token estratti dal testo è ["quick??fox"]. L'elenco finale dei token estratti dalla query di testo è ["quick??fox"]. "quick??fox" è presente nell'elenco dei token del testo.
Ⓠuick⁇Ⓕox	"`quick⁇fox`"	`FALSE`	In `LOG_ANALYZER`, il backtick richiede una corrispondenza esatta del testo.

`PATTERN_ANALYZER` per la ricerca IPv4 con stop word

L'esempio seguente configura l'analizzatore di testo PATTERN_ANALYZER per cercare un pattern specifico filtrando determinate stop word. In questo esempio, il pattern corrisponde a un indirizzo IPv4 e ignora il valore localhost (127.0.0.1).

Questo esempio presuppone che la seguente tabella sia compilata con i dati:

CREATE TABLE dataset.data_table(
  text_data STRING
);

Per creare un indice di ricerca, l'opzione pattern e un elenco di stop word, crea una stringa in formato JSON nell'opzione analyzer_options dell'istruzione DDL CREATE SEARCH INDEX. Per un elenco completo delle opzioni disponibili quando crei un indice di ricerca con PATTERN_ANALYZER, consulta PATTERN_ANALYZER. Per questo esempio, le nostre stop word sono l'indirizzo 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"
      ]
    }
  ]
}'''
);

Quando utilizzi espressioni regolari con analyzer_options, includi tre simboli \ iniziali per eseguire l'escape corretto delle espressioni regolari che includono un simbolo \, ad esempio \d o \b.

La tabella seguente descrive le opzioni di tokenizzazione per vari valori di text_data

Testo dati	Token per l'indice	Spiegazione
abc192.168.1.1def 172.217.20.142	["192.168.1.1", "172.217.20.142"]	I pattern IPv4 acquisiscono gli indirizzi IPv4 anche se non c'è spazio tra l'indirizzo e il testo.
104.24.12.10abc 127.0.0.1	["104.24.12.10"]	"127.0.0.1" viene filtrato perché si trova nell'elenco delle stop word.

Ora che l'indice di ricerca è stato creato, puoi utilizzare la funzione SEARCH per cercare nella tabella in base alla tokenizzazione specificata in analyzer_options. Utilizza la query seguente:

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"
        ]
      }
    ]
  }'''
);

Sostituisci quanto segue:

search_query: il testo che vuoi cercare.

La seguente tabella mostra vari risultati in base a diversi testi di ricerca e diversi valori di search_query:

text_data	`search_query`	Risultato	Spiegazione
128.0.0.2	"127.0.0.1"	ERRORE	Nessun token di ricerca nella query. La query passa attraverso l'analizzatore di testo, che filtra il token "127.0.0.1".
abc192.168.1.1def 172.217.20.142	"192.168.1.1abc"	VERO	L'elenco dei token estratti dalla query è ["192.168.1.1"]. L'elenco dei token estratti dal testo è ["192.168.1.1", "172.217.20.142"].
abc192.168.1.1def 172.217.20.142	"`192.168.1.1`"	VERO	L'elenco dei token estratti dalla query è ["192.168.1.1"]. L'elenco dei token estratti dal testo è ["192.168.1.1", "172.217.20.142"]. Tieni presente che i backtick vengono trattati come caratteri normali per PATTERN_ANALYZER.

Passaggi successivi

Per una panoramica dei casi d'uso, dei prezzi, delle autorizzazioni richieste e delle limitazioni dell'indice di ricerca, consulta la Introduzione alla ricerca in BigQuery.
Per informazioni sulla ricerca efficiente di colonne indicizzate, vedi Ricerca con un indice.

Utilizzare gli analizzatori di testo

Analizzatori di testo

NO_OP_ANALYZER

LOG_ANALYZER

PATTERN_ANALYZER