UML软件工程组织

 

 

在Unix服务器上设置Oracle全文检索
 
出处:赛迪网 korn
 

由于工作需要,笔者在HP UX, Soralis 上面设置了Oracle Intermedia来实现全文检索。目前已经投入实际使用。设置过程中有许多问题和经验,拿来和大家交流。本文依据的是Oracle 8.1.6 和8.1.7两个版本,不能保证适用于其他版本。

目前全文检索功能几乎所有主流数据库都支持。此前笔者曾在sql server 2000上实现,感觉非常简单,方便,但创建全文检索索引的时间比较长,通常要十几个小时。Oracle 的全文检索建立和维护索引都要快得多,笔者的65万记录的一个表建立索引只需要20分钟,同步一次只需要1分钟。但设置就要复杂得多。

一.设置过程

1.首先,检查你的数据库是否安装了intermedia

这可以通过检查是否有ctxsys用户和ctxapp角色(role). 如果没有这个用户和角色,意味着你的数据库创建时未安装intermedia功能。你必须修改数据库以安装这项功能。

修改过程:

运行 $ORACLE_HOME/bin/dbassist, 选择'modify database', 然后在选择数据库功能时将j server 和 intermedia 都选上(安装intermedia必须同时安装jserver).强烈建议你在做这个改动前先备份整个数据库。

2.设置extproc

Oracle 是通过所谓的‘外部调用功能’(external procedure)来实现intermedia的,因此正确地设置extproc是关键一步。

首先要配置listener 使它能监听intermedia 调用的请求。你可以通过运行$ORACLE_HOME/bin/netassit 来进行配置,也可以手工修改配置文件:$ORACLE_HOME/network/admin/listener.ora ,然后重新启动listener。下面以一个例子来讲述如何手工修改配置文件。

打开listener.ora文件,在修改前,通常有如下内容(假定使用缺省listener):

LISTENER = 
(DESCRIPTION = 
(ADDRESS = (PROTOCOL = TCP)(HOST = MYDATABASE)(PORT = 1521)) 
) 

SID_LIST_LISTENER = 
(SID_DESC = 
(GLOBAL_DBNAME = mydatabase.world) 
(ORACLE_HOME = /u01/app/oracle/product/8.1.6) 
(SID_NAME = mydatabase) 
)

这个listener还没有配置extproc, 因此,需要为它增加对extproc的监听,办法就是分别增加description 和 sid_desc. 修改后的listner.ora 如下:

LISTENER = 
(DESCRIPTION_LIST = 
(DESCRIPTION = 
(ADDRESS = (PROTOCOL = TCP)(HOST = MYDATABASE)(PORT = 1521)) 
) 
(DESCRIPTION = 
(ADDRESS = (PROTOCOL = IPC)(KEY = EXTPROC)) 

) 
) 
SID_LIST_LISTENER = 
(SID_LIST = 
(SID_DESC = 
(GLOBAL_DBNAME = mydatabase.world) 
(ORACLE_HOME = /u01/app/oracle/product/8.1.6) 
(SID_NAME = mydatabase) 
) 
(SID_DESC = 
(PROGRAM = extproc) 
(SID_NAME = PLSExtProc) 
(ORACLE_HOME = /u01/app/oracle/product/8.1.6) 
) 
)

注意上面的host, global_dbname,sid_name,oracle_home应填写你的数据库的实际值,但program一项必须填写extproc.

其次,要配置服务器端的tnsnames.ora文件。该文件的位置在$ORACLE_HOME/network/admin下面。同样可以通过运行netasst来进行配置。

在tnsnames.ora文件中需要增加如下一项:

EXTPROC_CONNECTION_DATA,EXTPROC_CONNECTION_DATA.WORLD = 
(DESCRIPTION = 
(ADDRESS_LIST = 
(ADDRESS = (PROTOCOL = IPC)(KEY = EXTPROC)) 
) 
(CONNECT_DATA = 
(SID = PLSExtProc) 
) 
)

注意其中,KEY 和SID必须与listener.ora中的key 和sid_name对应相同。

修改完成后,重新启动listener (先用lsnrctl stop, 然后 lsnrctl start), 然后,使用tnsping 来测试一下是否配置正确:

tnsping extproc_connection_data 或者

tnsping extproc_connection_data.world,如果配置正确,会显示:

Attempting to contact (ADDRESS=(PROTOCOL=IPC)(KEY=EXTPROC)) OK(140毫秒)

否则请检查你的上述两个文件,并注意,在修改后一定要重新启动listener,但并不需要重新启动数据库。

3.设置词法分析器(lexer)

Oracle实现全文检索,其机制其实很简单。即通过Oracle专利的词法分析器(lexer),将文章中所有的表意单元(Oracle 称为 term) 找出来,记录在一组 以 dr$开头的表中,同时记下该term出现的位置、次数、hash 值等信息。检索时,Oracle 从这组表中查找相应的 term,并计算其出现频率,根据某个算法来计算每个文档的得分(score),即所谓的‘匹配率’。而lexer则是该机制的核心,它决定了全文检索的效率。Oracle 针对不同的语言提供了不同的 lexer, 而我们通常能用到其中的三个:

basic_lexer: 针对英语。它能根据空格和标点来将英语单词从句子中分离,还能自动将一些出现频率过高已经失去检索意义的单词作为‘垃圾’处理,如if , is 等,具有较高的处理效率。但该lexer应用于汉语则有很多问题,由于它只认空格和标点,而汉语的一句话中通常不会有空格,因此,它会把整句话作为一个term,事实上失去检索能力。以‘中国人民站起来了’这句话为例,basic_lexer 分析的结果只有一个term ,就是‘中国人民站起来了’。此时若检索‘中国’,将检索不到内容。

chinese_vgram_lexer: 专门的汉语分析器,支持所有汉字字符集。该分析器按字为单元来分析汉语句子。‘中国人民站起来了’这句话,会被它分析成如下几个term: ‘中’,‘中国’,‘国人’,‘人民’,‘民站’,‘站起’,起来’,‘来了’,‘了’。可以看出,这种分析方法,实现算法很简单,并且能实现‘一网打尽’,但效率则是差强人意。

chinese_lexer: 这是一个新的汉语分析器,只支持utf8字符集。上面已经看到,chinese vgram lexer这个分析器由于不认识常用的汉语词汇,因此分析的单元非常机械,像上面的‘民站’,‘站起’在汉语中根本不会单独出现,因此这种term是没有意义的,反而影响效率。chinese_lexer的最大改进就是该分析器 能认识大部分常用汉语词汇,因此能更有效率地分析句子,像以上两个愚蠢的单元将不会再出现,极大 提高了效率。但是它只支持 utf8, 如果你的数据库是zhs16gbk字符集,则只能使用笨笨的那个Chinese vgram lexer.

如果不做任何设置,Oracle 缺省使用basic_lexer这个分析器。要指定使用哪一个lexer, 可以这样操作:

第一.在ctxsys用户下建立一个preference:

begin ctx_ddl.create_preference('my_lexer','chinese_vgram_lexer'); end;

第二.在建立intermedia索引时,指明所用的lexer:

create index myindex on mytable(mycolumn) indextype is ctxsys.context 
parameters('lexer my_lexer');

这样建立的全文检索索引,就会使用chinese_vgram_lexer作为分析器。

4.使用job定时同步和优化

在intermedia索引建好后,如果表中的数据发生变化,比如增加或修改了记录,怎么办?由于对表所发生的任何dml语句,都不会自动修改索引,因此,必须定时同步(sync)和优化(optimize)索引,以正确反映数据的变化。

在索引建好后,我们可以在该用户下查到Oracle自动产生了以下几个表:(假设索引名为myindex):

DR$myindex$I,DR$myindex$K,DR$myindex$R,DR$myindex$N

其中以I表最重要,可以查询一下该表,看看有什么内容:

select token_text, token_count from DR$I_RSK1$I where rownum<=20;

这里就不列出查询接过了。可以看到,该表中保存的其实就是Oracle 分析你的文档后,生成的term记录在这里,包括term出现的位置、次数、hash值等。当文档的内容改变后,可以想见这个I表的内容也应该相应改变,才能保证Oracle在做全文检索时正确检索到内容(因为所谓全文检索,其实核心就是查询这个表)。那么如何维护该表的内容呢?总不能每次数据改变都重新建立索引吧!这就用到sync 和 optimize了。

同步(sync):将新的term 保存到I表;

优化(optimize):清除I表的垃圾,主要是将已经被删除的term从I表删除。

Oracle提供了一个所谓的ctx server来做这个同步和优化的工作,只需要在后台运行这个进程,它会监视数据的变化,及时进行同步。但笔者使用ctxserver碰到了许多问题,Oracle 北京的support也建议不使用,而是用以下的两个job来完成(该job要建在和表同一个用户下):

-- sync: 
VARIABLE jobno number; 
BEGIN 
DBMS_JOB.SUBMIT(:jobno,'ctx_ddl.sync_index(''myindex'');', 
SYSDATE, 'SYSDATE + (1/24/4)'); 
commit; 
END; 

-- optimizer 
VARIABLE jobno number; 
BEGIN 
DBMS_JOB.SUBMIT(:jobno,'ctx_ddl.optimize_index(''myindex'',''FULL'');', 
SYSDATE, 'SYSDATE + 1'); 
commit; 
END;

其中, 第一个job的SYSDATE + (1/24/4)是指每隔15分钟同步一次,第二个job的SYSDATE + 1是每隔1天做一次全优化。具体的时间间隔,你可以根据自己的应用的需要而定。至此,你的全文检索功能已设置完成。

二、常见错误

下面就一些常见的错误信息给出解释和解决办法:

1、sync 失败

DRG-10595: ALTER INDEX T_DOC6_CT失败 
DRG-50857: oracle error in drsxsopen 
ORA-01480: STR 赋值变量缺少空后缀

解决:这是8i的一个bug, 但可以避免它,方法是在同步之前先发一个语句:

alter session set nls_language=American;

2.create index 失败

ORA-29855: 执行 ODCIINDEXCREATE 例行程序时出错 
ORA-20000: interMedia Text 错误: 
ORA-06512: 在"CTXSYS.DRUE", line 126 
ORA-06512: 在"CTXSYS.TEXTINDEXMETHODS", line 54 
ORA-06512: 在line 1

解决:这是8.1.6.3之前的版本的一个bug, 在处理中文时,某个特殊字符造成的。向Oracle要补丁,或者自己去metalink.oracle.com 下载(需要CSI 号码)。

3.create index 失败

RA-29855: 执行 ODCIINDEXCREATE 例行程序时出错 
ORA-20000: interMedia Text 错误: 
DRG-50704: Net8 监听器没有运行或无法启动外部过程 
ORA-28575: 无法打开与外部过程代理程序的 RPC 连接 
ORA-06512: 在"CTXSYS.DRUE", line 126 
ORA-06512: 在"CTXSYS.TEXTINDEXMETHODS", line 54 
ORA-06512: 在line 1

解决:明显的extproc配置不当。仔细阅读本文基本设置的第二步。

4.访问建有索引的表时失败

ora-29861: 域索引标记为loading/failed/unusable

解决:这是该表的一个intermedia索引有问题,该索引要么没有正确建立,要么是某次同步失败导致它状态异常。先查到是哪个索引:

Select idx_name,idx_status from ctxsys.ctx_indexes;

然后同步该索引或者强制删除它:

重建:alter index myindex rebuild online parameters('sync');

删除:drop index myindex force;

5.使用chinese_lexer失败

ERROR at row 1: 
ORA-29855: err on ODCIINDEXCREATE 
ORA-20000: interMedia Text err: 
DRG-10502: index 1386 is not existing. 
DRG-11102: the lexer cann't analyze as SIMPLIFIED CHINESE_CHINA.ZHS16GBK 
ORA-06512: 在"CTXSYS.DRUE", line 126 
ORA-06512: 在"CTXSYS.TEXTINDEXMETHODS", line 54 
ORA-06512: 在line 1

解决:chinese_lexer 只支持utf8字符集。现在你面临抉择:忍受chinese vgram lexer的愚蠢,或者将数据库字符集改到 utf8, 但面对可能引起你的应用不能正确处理中文的风险(先咨询Oracle support, 并且与你的应用软件提供商联系)。

6.升级或应用patch后失败

ORA-29856: err when execute ODCIINDEXDROP 
ORA-20000: interMedia Texterr 
ORA-06508: PL/SQL: can not find program unit beingcalled 
ORA-06512: at "CTXSYS.DRUE", line 126 
ORA-06512: at"CTXSYS.TEXTINDEXMETHODS", line 229 
ORA-06512: at line 1

解决:这是intermedia的某个object 没有正确产生或者编译。用ctxsys用户登录后,运行 $oracle_home/ctx/admin/dr0pkh.sql 和 $oracle_home/ctx/admin/dr0plb.sql 以重新产生所有的package.你也可以直接察看dba_objects视图,找出那些属于ctxsys用户并且status 为invalid的东西,重新产生或者重新编译。(你可能会发现有许多这种东西,不要惊讶,Oracle不会因此而崩溃)。

7.create index 失败

ERROR 位于第 1 行:

ORA-29855: 执行 ODCIINDEXCREATE 例行程序时出错 
ORA-20000: interMedia Text 错误: 
DRG-50857: oracle error in driddl.IndexResume 
ORA-04030: 在尝试分配 524288 字节 (cursor work he,QERHJ Bit vector)时进程内存不足 
ORA-06512: 在"CTXSYS.DRUE", line 126 
ORA-06512: 在"CTXSYS.TEXTINDEXMETHODS", line 214 
ORA-06512: 在line 1

解决:引起这个问题可以有多种原因,首先你可以将sort_area_size这个参数减小到不多于2M,这可以防止Oracle在创建索引时分配太多的sort 内存而耗尽资源。 但如果这不起作用,而且你是8.1.7, 则恭喜,你hit 了bug 1391737. 该bug 在你要建索引的字段,如果某条记录的长度超过2000字符时引起Oracle耗尽内存资源。别无它法,除了打 8.1.7.1B 的补丁。

 

组织简介 | 联系我们 |   Copyright 2002 ®  UML软件工程组织 京ICP备10020922号

京公海网安备110108001071号