Asignación de token

En esta página, se describe cómo agregar la tokenización a las tablas. La tokenización es necesaria para crear los tokens que se usan en el índice de búsqueda.

La tokenización es el proceso de transformar valores en tokens. El método que usas para tokenizar un documento determina los tipos y la eficiencia de las búsquedas que los usuarios pueden realizar en él.

Spanner proporciona tokenizadores para texto en lenguaje natural, subcadenas, texto literal, números y valores booleanos. El esquema de la base de datos usa el tokenizador que coincide con el tipo de búsqueda necesario para la columna. Los tokenizadores tienen las siguientes características:

  • Cada tokenizador es una función de SQL que recibe una entrada, como una cadena o un número, y argumentos con nombre para opciones adicionales.
  • El tokenizador genera un TOKENLIST.

Por ejemplo, una cadena de texto The quick brown fox jumps over the lazy dog se tokeniza en [the,quick,brown,fox,jumps,over,the,lazy,dog]. Una cadena HTML The <b>apple</b> is <i>red</i> se tokeniza en [the,apple,is,red].

Los tokens tienen las siguientes características:

  • Los tokens se almacenan en columnas que usan el tipo de datos TOKENLIST.
  • Cada token se almacena como una secuencia de bytes, con un conjunto opcional de atributos asociados. Por ejemplo, en las aplicaciones de texto completo, un token suele ser una sola palabra de un documento de texto.
  • Cuando se tokenizan valores HTML, Spanner genera atributos que indican la prominencia de un token dentro del documento. Spanner usa estos atributos para la puntuación y, así, destacar los términos más prominentes (como un encabezado).

Tokenizadores

Spanner admite las siguientes funciones de tokenización:

  • El tokenizador de texto completo (TOKENIZE_FULLTEXT) produce tokens de palabras completas para las búsquedas en lenguaje natural.

    Ejemplo

    Ambas funciones siguientes

    GoogleSQL 

    TOKENIZE_FULLTEXT("Yellow apple")
TOKENIZE_FULLTEXT("Yellow <b>apple</b>", content_type=>"text/html")

    PostgreSQL

    En este ejemplo, se usa spanner.tokenize_fulltext.

    spanner.tokenize_fulltext("Yellow apple")
spanner.tokenize_fulltext('Yellow <b>apple</b>', context_type=>'text/html')

    producen los mismos tokens: [yellow,apple].

  • El tokenizador de subcadenas (TOKENIZE_SUBSTRING) genera tokens para cada n-grama de cada palabra. Se usa para encontrar subcadenas de palabras en un texto.

    Ejemplo

    GoogleSQL 

    TOKENIZE_SUBSTRING('hello world', ngram_size_min=>4, ngram_size_max=>6)

    PostgreSQL

    En este ejemplo, se usa spanner.tokenize_substring.

    spanner.tokenize_substring('hello world', ngram_size_min=>4, ngram_size_max=>6)

    Produce los siguientes tokens: [ello,hell,hello,orld,worl,world].

  • El tokenizador de n-gramas (TOKENIZE_NGRAMS) genera n-gramas a partir de una entrada (sin dividirla en palabras separadas). Se usa para acelerar los predicados de expresiones regulares.

    Ejemplo

    La siguiente función:

    GoogleSQL 

    TOKENIZE_NGRAMS("Big Time", ngram_size_min=>4, ngram_size_max=>4)

    PostgreSQL

    En este ejemplo, se usa spanner.tokenize_ngrams.

    spanner.tokenize_ngrams('big time', ngram_size_min=>4, ngram_size_max=>4)

    Produce los siguientes tokens: ["Big ","ig T","g Ti"," Tim", "Time"].

  • Los tokenizadores de concordancia exacta (TOKEN y TOKENIZE_BOOL) se usan para buscar filas que contengan un valor determinado en una de sus columnas. Por ejemplo, una aplicación que indexa un catálogo de productos podría querer buscar productos de una marca y un color determinados.

    Ejemplos

    Las siguientes funciones:

    GoogleSQL 

    TOKEN("hello")
TOKEN(["hello", "world"])

    PostgreSQL

    En este ejemplo, se usa spanner.token.

    spanner.token('hello')

    Produce los siguientes tokens: [hello].

    La siguiente función:

    GoogleSQL 

    TOKENIZE_BOOL(true)

    PostgreSQL

    En este ejemplo, se usa spanner.tokenize_bool.

    spanner.tokenize_bool(true)

    Produce el siguiente token: [y].

  • Los tokenizadores de números (TOKENIZE_NUMBER) se usan para generar un conjunto de tokens que aceleran las búsquedas de comparación numérica. En el caso de las condiciones de igualdad, el token es el número en sí. En el caso de las condiciones de rango (como rating >= 3.5), el conjunto de tokens es más elaborado.

    Ejemplos

    Las siguientes instrucciones de función:

    GoogleSQL 

    TOKENIZE_NUMBER(42, comparison_type=>'equality')
TOKENIZE_NUMBER(42, comparison_type=>'all', granularity=>10, min=>1, max=>100)

    PostgreSQL

    En este ejemplo, se usa spanner.tokenize_number.

    spanner.tokenize_number(42, comparison_type=>'equality')
spanner.tokenize_number(42, comparison_type=>'all', granularity=>10, min=>1, max=>100)

    Produce los siguientes tokens, respectivamente: "==42" y "==42", "[1,75]","[36, 45]","[36,55]","[36, 75]".

  • Los tokenizadores JSON y JSONB (TOKENIZE_JSON y TOKENIZE_JSONB) se usan para generar un conjunto de tokens que aceleran los predicados de contención de JSON y de existencia de claves, como doc[@key] IS NOT NULL (GoogleSQL) o doc ? 'key' (PostgreSQL).

Por lo general, las funciones de tokenización se usan en una expresión de columna generada. Estas columnas se definen como HIDDEN para que no se incluyan en los resultados de la consulta de SELECT *.

En el siguiente ejemplo, se usan un tokenizador de texto completo y un tokenizador numérico para crear una base de datos que almacene nombres y calificaciones de álbumes musicales. La sentencia DDL realiza dos acciones:

  1. Define las columnas de datos AlbumTitle y Rating.

  2. Define AlbumTitle_Tokens y AlbumRating_Tokens. Estas columnas TOKENLIST tokenizan los valores de las columnas de datos para que Spanner pueda indexarlos.

    GoogleSQL 

    CREATE TABLE Albums (
  AlbumId STRING(MAX) NOT NULL,
  AlbumTitle STRING(MAX),
  Rating FLOAT64,
  AlbumTitle_Tokens TOKENLIST AS (TOKENIZE_FULLTEXT(AlbumTitle)) HIDDEN,
  Rating_Tokens TOKENLIST AS (TOKENIZE_NUMBER(Rating)) HIDDEN
) PRIMARY KEY(AlbumId);

    PostgreSQL 

    CREATE TABLE albums (
  albumid character varying NOT NULL,
  albumtitle character varying,
  albumtitle_Tokens spanner.tokenlist GENERATED ALWAYS AS (spanner.tokenize_fulltext(albumtitle)) VIRTUAL HIDDEN,
PRIMARY KEY(albumid));

Cada vez que se modifican los valores base, AlbumTitle_Tokens y Rating_Tokens se actualizan automáticamente.

Asigna tokens a contenido HTML o de texto sin formato

La tokenización de texto admite tipos de contenido de texto sin formato y HTML. Usa la función TOKENIZE_FULLTEXT de Spanner para crear tokens. Luego, usa la declaración DDL CREATE SEARCH INDEX para generar el índice de búsqueda.

Por ejemplo, la siguiente instrucción DDL CREATE TABLE usa la función TOKENIZE_FULLTEXT para crear tokens a partir de AlbumTitles en la tabla Albums. La declaración DDL CREATE SEARCH INDEX crea un índice de búsqueda con el nuevo AlbumTitles_Tokens.

GoogleSQL 

CREATE TABLE Albums (
  AlbumId STRING(MAX) NOT NULL,
  AlbumTitle STRING(MAX),
  AlbumTitle_Tokens TOKENLIST AS (TOKENIZE_FULLTEXT(AlbumTitle)) HIDDEN
) PRIMARY KEY(AlbumId);

CREATE SEARCH INDEX AlbumsIndex ON Albums(AlbumTitle_Tokens)

PostgreSQL 

CREATE TABLE albums (
  albumid character varying NOT NULL,
  albumtitle character varying,
  albumtitle_tokens spanner.tokenlist
      GENERATED ALWAYS AS (spanner.tokenize_fulltext(albumtitle)) VIRTUAL HIDDEN,
PRIMARY KEY(albumid));

CREATE SEARCH INDEX albumsindex ON albums(albumtitle_tokens)

El proceso de tokenización usa las siguientes reglas:

  • La tokenización no incluye la derivación ni la corrección de palabras mal escritas. Por ejemplo, en una oración como "Un gato miraba a un grupo de gatos", el token "gato" se indexa por separado del token "gatos". En comparación con otros motores de búsqueda que normalizan los tokens durante las escrituras, Spanner ofrece una opción para expandir la búsqueda y que incluya diferentes formas de palabras. Para obtener más información, consulta Modo de consulta mejorado.
  • Las palabras irrelevantes (como "un") se incluyen en el índice de búsqueda.
  • La búsqueda de texto completo siempre no distingue mayúsculas de minúsculas. El proceso de tokenización convierte todos los tokens en minúsculas.

El proceso de tokenización hace un seguimiento de las posiciones de cada token en el texto original. Estas posiciones se usan más adelante para correlacionar frases. Las posiciones se almacenan en el índice de búsqueda junto con los docids.

Google sigue mejorando los algoritmos de tokenización. En algunos casos, esto podría hacer que una cadena se tokenice de manera diferente en el futuro a como se tokeniza ahora. Esperamos que estos casos sean extremadamente raros. Un ejemplo de esto es si hay una mejora en la segmentación de idiomas chino, japonés y coreano (CJK).

El argumento content_type especifica si el formato del contenido usa texto sin formato o HTML. Usa los siguientes parámetros de configuración para establecer content_type:

  • Para la tokenización de texto, establece el argumento content_type en "text/plain". Esta es la configuración predeterminada.
  • Para la tokenización de HTML, establece el argumento content_type en "text/html". Sin este argumento, las etiquetas HTML se tratan como signos de puntuación. En el modo HTML, Spanner usa heurísticas para inferir la prominencia del texto en la página. Por ejemplo, si el texto está en un encabezado o el tamaño de su fuente. Los atributos admitidos para HTML incluyen small, medium, large, title y "link". Al igual que la posición, el atributo se almacena junto con el token en el índice de búsqueda. La tokenización no crea tokens para ninguna etiqueta HTML.

Los atributos de token no afectan la correlación ni los resultados de la función SEARCH o SEARCH_SUBSTRING. Solo se usan para la clasificación.

En el siguiente ejemplo, se muestra cómo tokenizar texto:

GoogleSQL 

CREATE TABLE T (
  ...
  Text STRING(MAX),
  Html STRING(MAX),
  Text_Tokens TOKENLIST
    AS (TOKENIZE_FULLTEXT(Text, content_type=>"text/plain")) HIDDEN,
  Html_Tokens TOKENLIST
    AS (TOKENIZE_FULLTEXT(Html, content_type=>"text/html")) HIDDEN
) PRIMARY KEY(...);

PostgreSQL 

CREATE TABLE t (
  ...
  text character varying,
  html character varying,
  text_tokens spanner.tokenlist
      GENERATED ALWAYS AS (spanner.tokenize_fulltext(text, content_type=>"text/plain")) VIRTUAL HIDDEN,
  html_tokens spanner.tokenlist
      GENERATED ALWAYS AS (spanner.tokenize_fulltext(html, content_type=>'type/html')) VIRTUAL HIDDEN,
PRIMARY KEY(...));

Mejora de la detección de idioma con el argumento language_tag

De forma predeterminada, la tokenización detecta automáticamente el idioma de entrada. Cuando se conoce el idioma de entrada, se puede usar un argumento language_tag para definir mejor este comportamiento:

GoogleSQL 

AlbumTitle_Tokens TOKENLIST
  AS (TOKENIZE_FULLTEXT(AlbumTitle, language_tag=>"en-us")) HIDDEN

PostgreSQL 

albumtitle_tokens spanner.tokenlist
      GENERATED ALWAYS AS (spanner.tokenize_fulltext(albumtitle, language_tag=>'en-us')) VIRTUAL HIDDEN

La mayoría de las aplicaciones no especifican el argumento language_tag y, en cambio, se basan en la detección automática del idioma. La segmentación para idiomas asiáticos, como el chino, el coreano y el japonés, no requiere que se configure el idioma de tokenización.

En los siguientes ejemplos, se muestran casos en los que language_tag afecta la tokenización:

Función de tokenización Tokens producidos
TOKENIZE_FULLTEXT("A tout pourquoi il y a un parce que") [a, tout, pourquoi, il, ya, un, parce, que]
TOKENIZE_FULLTEXT("A tout pourquoi il y a un parce que", \ language_tag=>"fr" [a, tout, pourquoi, il, y, a, un, parce, que]
TOKENIZE_FULLTEXT("旅 行") Dos tokens: [旅, 行]
TOKENIZE_FULLTEXT("旅 行", language_tag=>"zh") Un token: [viaje]

¿Qué sigue?