Búsqueda de texto completo en PostgreSQL con tsvector

Qué es

La documentación describe el proceso: un parser divide el texto en tokens, unos diccionarios los normalizan en lexemas (pasar a minúsculas, aplicar stemming, eliminar palabras vacías) según una configuración de búsqueda de texto (english, german, simple), y el resultado se almacena como un tsvector. Las consultas son valores tsquery combinados con &, |, ! y <-> (frase). ts_rank y ts_rank_cd puntúan las coincidencias; un índice GIN sobre el tsvector hace que la búsqueda sea rápida.

Por qué importa

Muchas aplicaciones necesitan una búsqueda «suficientemente buena» sin necesidad de un servicio de búsqueda adicional. La búsqueda incorporada mantiene los datos en un solo sistema, con consistencia transaccional y sin ningún trabajo de sincronización.

Cómo aplicarlo

• Almacena una columna generada search tsvector GENERATED ALWAYS AS (to_tsvector('english', coalesce(title,'') || ' ' || coalesce(body,'')) STORED e indéxala con GIN; pondera los campos con setweight cuando los títulos deban contar más.
• Elige la configuración según el idioma del documento; los datos multilingües necesitan un vector por idioma, o bien la configuración simple.
• Construye las consultas con websearch_to_tsquery para la entrada del usuario; tolera con seguridad las comillas y los signos menos.
• Combínalo con un índice de prefijo o de trigramas (pg_trgm) para el autocompletado y la tolerancia a erratas.

Trampas

El stemming depende del idioma; usar english sobre texto en alemán produce coincidencias pobres. Los documentos muy largos cuestan tiempo de puntuación. La puntuación (ranking) no usa el índice; limita antes el conjunto de candidatos.