Полнотекстовый поиск в PostgreSQL с помощью tsvector

Что это

Документация описывает сам конвейер обработки: парсер разбивает текст на токены, словари нормализуют их в лексемы (приведение к нижнему регистру, стемминг, удаление стоп-слов) согласно конфигурации текстового поиска (english, german, simple), а результат сохраняется как tsvector. Запросы — это значения tsquery, комбинируемые операторами &, |, ! и <-> (фразовый поиск). ts_rank и ts_rank_cd оценивают совпадения; GIN-индекс на tsvector делает поиск совпадений быстрым.

Почему это важно

Многим приложениям нужен поиск, который «достаточно хорош», без отдельного поискового сервиса. Встроенный поиск держит данные в одной системе с транзакционной согласованностью и без отдельной задачи синхронизации.

Как применять

• Храните генерируемый столбец search tsvector GENERATED ALWAYS AS (to_tsvector('english', coalesce(title,'') || ' ' || coalesce(body,'')) STORED и индексируйте его через GIN; взвешивайте поля через setweight, когда заголовки должны учитываться сильнее.
• Выбирайте конфигурацию по языку документа; для многоязычных данных нужен либо отдельный вектор на каждый язык, либо конфигурация simple.
• Стройте запросы из пользовательского ввода через websearch_to_tsquery; она безопасно обрабатывает кавычки и знаки минуса.
• Комбинируйте с префиксным или триграммным индексом (pg_trgm) для автодополнения и устойчивости к опечаткам.

Подводные камни

Стемминг зависит от языка; применение english к немецкому тексту даёт плохие совпадения. Очень длинные документы обходятся дорого по времени ранжирования. Ранжирование не использует индекс; сначала ограничивайте набор кандидатов.