HubbleDotNet开源全文搜索数据库项目--查询方法汇总 ——>eaglet

HubbleDotNet的查询语法为类SQL语句，本文以示例的形式讲述HubbleDotNet的各种查询方法。随着功能不断的增加，查询方法还会不断补充。

本文给出如下查询方法的示例：

对单个字段按或方式匹配

对单个字段按与方式匹配

对单个字段按部分与，部分或方式匹配

对多个字段匹配并分页

和Untokenized类型字段组合查询

按多字段排序

在搜索结果中查找

搜索结果中不包含

对单个字段GROUPBY

同时输出多个字段的Groupby统计结果

对多字段组合进行Groupby

GroupByLimit设置

同构表联合查询

异构表联合查询

采用UnionSelect对海量数据分割为小表后联合查询

基本查询

对单个字段按或方式匹配

搜索标题中包含“北京”“大学”两个关键字的所有记录，并按照得分的大小排倒序

SQL语句：

selecttop10*fromCNewswheretitlematch'北京^5000^0大学^5000^2'orderbyscoredesc

单词分量后面跟的参数^5000^0含义如下

第一个参数表示这个单词分量的权值，这里为5000。

第二个参数表示这个单词分量在输入的被搜索的句子中的其实位置，如这里“北京”的位置为0，大学的起始位置为2.

top10表示输出前10条匹配的记录

Score为得分，这个是一个动态字段。

结果:

对单个字段按与方式匹配

搜索标题包含abcnewstocut这几个关键字中所有关键字的记录，并按匹配度排序

SQL语句：

selecttop10Id,Title,ScorefromEnglishNewswheretitlecontains'abc^5000^0news^5000^3to^5000^7cut^5000^9'

orderbyscoredesc

采用Contains搜索，可以进行精确匹配，这里我们发现采用Contains搜索出来的数据要比Match少很多。因为只有

同时包含abcnewstocut这四个单词的记录才会被输出出来。

结果：

对单个字段按部分与，部分或方式匹配

上面的例子，由于to这个词太常见，我们希望匹配同时包含abcnewscut这三个单词的记录，并且记录中如果包含to，

则得分比不包含to的得分高。这种搜索方法已经很解决google或baidu的搜索方法了，google中如果输入关键字中包含停用词，

对非停用词采用与的方式匹配，对停用词采用或的方式匹配，但如果记录中包含要匹配的停用词，则得分比不包含的要高。

SQL语句：

selecttop10Id,Title,ScorefromEnglishNewswheretitlecontains'abc^5000^0news^5000^3to^5000^7^1cut^5000^9'orderbyscoredesc

这里我们看出，多出了一条记录，这条记录排在第三位，和前两条记录比起来，这条记录没有to这个单词。

to这个单词分量后面跟的参数说明：

to^5000^7^1

前两个参数和其他单词的意思一样，一个为权重，一个为位置。

第三个参数为标志字段，1表示可以为或。

结果：

对多个字段匹配并分页

搜索标题或内容中包含“北京”“大学”两个关键字的所有记录，并按照得分的大小排倒序

SQL语句：

selectbetween0to9*fromCNewswheretitle^2match'北京^5000^0大学^5000^2'or
contentmatch'北京^5000^0大学^5000^2'orderbyscoredesc

这里title字段后跟了一个参数2，这个参数表示title字段的权值为2，也就是说通过这种方法对字段设置权值。

between0to9表示输出0到9范围内的记录，这种方法可以用于分页显示。

结果：

和Untokenized类型字段组合查询

搜索标题中包含“北京”“大学”两个关键字的，并且时间大于2007年1月1日小于2007年8月16日的所有记录，并按照时间排倒序

SQL语句：

selecttop10*fromCNewswheretitle^2match'北京^5000^0大学^5000^2'andtime>'2007-1-1'and
time<'2007-8-16'orderbytimedesc

结果：

按多字段排序

搜索标题中包含“北京”“大学”两个关键字的，并且时间大于2007年1月1日小于2007年8月16日的所有记录，并按照时间和得分同时排倒序

即先按时间排序，时间相同的记录，得分高的排前面。

SQL语句：

selecttop10*fromCNewswheretitle^2match'北京^5000^0大学^5000^2'
orderbytimedesc,scoredesc

结果：

在搜索结果中查找

在match'abc^5000^0news^5000^3to^5000^7cut^5000^9'的结果中再查找包含Staff这个词的记录

SQL语句：

selecttop10Id,Title,ScorefromEnglishNewswheretitlematch'abc^5000^0news^5000^3to^5000^7cut^5000^9'

andtitlecontains'Staff'orderbyscoredesc

结果：

搜索结果中不包含

在match'abc^5000^0news^5000^3to^5000^7cut^5000^9'的结果中再查找不含包含Staff这个词的记录

SQL语句：

selecttop10Id,Title,ScorefromEnglishNewswheretitlematch'abc^5000^0news^5000^3to^5000^7cut^5000^9'

andtitlenotcontains'Staff'orderbyscoredesc

结果：

GROUPBY功能

对单个字段GROUPBY

搜索标题包含abcnewstocut这几个关键字中任意一个关键字的记录，并按匹配度排序，同时按GroupId字段做统计，

输出记录最多的10个groupid

SQL语句：

[GroupBy('Count','*','GroupId',10)]
selecttop10Id,Title,ScorefromEnglishNewswheretitlematch'abc^5000^0news^5000^3to^5000^7cut^5000^9'

orderbyscoredesc

第一个参数表示采用什么统计函数，目前只支持Count，以后还会增加Sum,AVG等等。

第二个参数为统计函数参数，填*，相当于count(*)

第三个参数为要统计的字段名，GroupBy字段必须为untokenized类型索引字段且不能是字符串类型。
最后一个参数10是可选参数，表示返回前10个最多的分组统计结果，如果不填，返回所有分组统计结果。

这个语句执行后，会输出2个DataTable第一个是select语句的结果集，第二个是groupby的结果集。也就是说在全文搜索时同时进行分组统计，

这样使用起来更方便，而且速度更快。

GroupBy部分的伪SQL语句是

selecttop10GroupId,count(*)ascountfromenglishnewswheretitlematch'abc^5000^0news^5000^3to^5000^7cut^5000^9'

groupbyGroupIdorderbycountdesc

结果：

同时输出多个字段的Groupby统计结果

很多应用，特别是电子商务类应用，查询时需要输出多个分类的统计结果，HubbleDotNet可以在一次查询中同时输出多个分类的统计结果，极大的方便了这方面的应用。而且HubbleDotNet的GroupBy功能是在底层进行统计的，比Lucene的统计需要在结果输出后再通过程序进行过滤统计要简单快速很多。

[GroupBy('Count','*','GroupId',10)]
[GroupBy('Count','*','SiteId',10)]
selecttop10Id,GroupId,SiteId,Title,ScorefromEnglishNewswheretitlematch'abc^5000^0news^5000^3to^5000^7cut^5000^9'

orderbyscoredesc

这个语句同时输出针对GroupId和SiteId两个字段的统计结果。

对多字段组合进行Groupby

本例对GroupId和SiteId的组合进行Groupby

[GroupBy('Count','*','GroupId,SiteId',10)]
selecttop10Id,GroupId,SiteId,Title,ScorefromEnglishNewswheretitlematch'abc^5000^0news^5000^3to^5000^7cut^5000^9'

orderbyscoredesc

上述语句可以针对多个字段进行分组统计。要注意的是多字段GroupBy时，多个字段的占用字节数总和不可以超过8字节。及最多2个int类型，

或者8个tinyint类型。

GroupByLimit设置

HubbleDotNet的表属性中有一个GroupByLimit设置，这个设置的意思是在做Groupby时只针对前GroupByLimit条记录进行统计，如果查询的返回结果集的记录行数大于这个数值，则统计结果为约数，不是实数，在界面上应显示为类似(2500+)这样的形式。这个设置的目的是提高分组统计的效率，默认为40000，如果觉得这个值比较小，可以调大。

多表联合查询功能

HubbleDotNet提供类似SQLUnion这样的多表联合查询的功能，用于分布式查询，异构表联合查询。

同构表联合查询

本例为两个相同结构的表联合查询

SQL语句：

[UnionSelect]
selecttop10title,content,scorefromEnglishNewswherecontentmatch'news'orderbyscoredesc;
selecttop10title,content,scorefromNewswherecontentmatch'news'orderbyscoredesc;

这个语句对EnglishNews和News这个两个表联合查询匹配News这个词的记录，按匹配相关度排序，并返回前10条记录。

这里要注意的是：

联合查询的多条SQL语句必须有top或者between关键字来指明实际输出多少结果集。每条语句指定的结果集数量必须相当，

比如这里都指定为10。这里实际返回的结果集数量小于等于10，而不是小于等于20.

每条SQL语句的返回字段名必须相同

必须有orderby语句，指明按什么字段进行排序

联合查询的SQL语句必须以分号“;”分割

联合查询的SQL语句数量没有限制

查询后返回两个DataTable，第一个表是联合查询的结果集，第二个表是联合查询中各个语句实际匹配的记录数。这里News表匹配了9条记录

而EnglishNews表匹配3896条记录。

结果：

异构表联合查询

很多网站的应用中，要全文查询的表不止一种，比如一个网站有博客，有新闻，这些表的字段名都不相同，如果我们希望通过一个统一的入口来查询所有博客和新闻的全文，过去的方法是把博客和新闻的数据整合到一个全文索引结构中，然后进行查询，这样做是对资源的严重浪费。HubbleDotNet通过UnionSelect功能，可以对这种异构表联合查询的需求进行支持，你可以通过SQL语句任意动态组合不同的异构数据表进行查询，而不需要重新建立索引。

SQL语句：

[UnionSelect]
selecttop10title,abstractascontent,scorefromAllIndexwhereabstractcontains'北京^5000^0大学^5000^2'orderbyscoredesc;
selecttop10title,content,scorefromNewswherecontentcontains'北京^5000^0大学^5000^2'orderbyscoredesc;

这个语句对AllIndex和News这个两个表联合查询匹配北京大学这个词的记录，按匹配相关度排序，并返回前10条记录。

由于AllIndex和News表结构不同，AllIndex中没有content字段，而是abstract字段，所以在这个联合查询语句中，我们将abstract字段通过as关键字改名为content字段输出，这样两个查询语句返回的字段名就相同了，就可以实现异构表的联合查询了。

结果：

采用UnionSelect对海量数据分割为小表后联合查询

对于5000万行以上的海量数据，可以通过分割为多个小表然后联合查询的方式来提高查询效率，由于UnionSelect查询时，多条SQL语句是并行执行的，在多核计算机上，并行查询可以大大提高查询速度，海量数据分割后查询的速度也会比单个大表的查询速度要快。另外分割成小表还有一个好处是提高了索引和优化的效率，如果一个大表的索引文件大小为600G，那么每次优化都会生成一个600G这么大的索引文件，其耗时是巨大的。但如果分割为10个60G的表，则优化只要生成60G大小的索引文件，耗时要小10倍。而且很多应用是只有增量和删除，这种情况下很多历史表一旦生成就不需要再重新索引了，比如我们每天生成一个索引表，那么只要每天对当天的索引表索引就可以了，不需要将当天的索引和历史索引合并，这样索引的效率就大大提高了。

HubbleDotNet海量数据测试报告这篇文章中的海量数据就是分割为8个小表联合查询来做的。

对于2000万行一下的数据，如果索引文件不是特别大，可以单表索引，联合查询对性能的提升有限。

返回Hubble.net技术详解