pg_bigmを用いた全文検索のしくみ(前編)

Copyright © 2013 NTT DATA Corporation

2013年6月8日株式会社ＮＴＴデータ基盤システム事業本部澤田雅彦

pg_bigm(ピージーバイグラム)を用いた全文検索のしくみ(前編)

第26回しくみ勉強会

2 Copyright © 2013NTT DATA Corporation

ＩＮＤＥＸ

1. 全文検索とは？

2. pg_bigmとは？

3. pg_bigmの全文検索のしくみ

4. pg_bigmの性能測定(前編)

5. まとめ

Copyright © 2013 NTT DATA Corporation 3

全文検索とは？

4 Copyright © 2013 NTT DATA Corporation

全文検索ってなに？

全文検索ってなに？

複数のテキストからキーワードを含むテキストを見つけ出す事

(英語辞書から特定の単語を探す、Web検索、など)

東京都・・・・・・・・・・・・

・・・・・・・・・図書館・・・・・・・・・・・・

・・・・・・・・・・・・

・・オープンソース・・・

・・・・・・・・・・・・・

・・・・・・・・本。・学校・・・・・・・・・

東京都で・・・・・・・・・・・・・・・・・・

・・・データベース・・・・・・・・・・・

・・・・・・・・・・・・・・・・・

・・・・・・・・

東京都・・・・・・・・・・・・

・・・・・・・・・図書館・・・・・・・・・・・・

・・・・・・・・・・・・

・・オープンソース・・・

・・・・・・・・・・・・・

・・・・・・・・本。・学校・・・・・・・・・

全文検索キーワード

「オープンソース」


DBの全文検索ってなに？

SQL発行

DB

：：

テキスト型の列を持つテーブルから、キーワードを含むレコードを検索すること

全文検索では検索対象のデータが多い

全文検索用のインデックスを作成することで高速にできる

インデックスのキーの作り方として。。。

N-gram方式、形態素解析方式がある

キーワード：「オープンソース」


形態素解析とN-gram

形態素解析 N-gram

分割方法単語単位で分割文字単位で分割

例)’今日は全文検索の日’ではどうなる？

キーワード「今日」,「全文検索」,「日」 (2-gramの場合)

「今日」,「日は」,「は全」,「全文」,「文検」、「検索」、「索の」…

<一般的な特徴>

インデックスサイズ小さい大きい

表記の揺れ類義語を定義しやすい例)「今日」⇔「本日」を対応させる

表記の揺れに弱い

検索結果単語の分割方法に依存する例)「全文」と「検索」は分ける？分けない？

LIKEに近い結果を得ることができる

どういう時に有効？整った文章(論文等)を扱う時記号や造語を検索する時


PostgreSQLでN-gramの全文検索をするには

(今まで)

PostgreSQLに付属しているpg_trgmを使用していた。

しかしpg_trgmには以下の弱みがある。。

→pg_bigmでは上記の2つの問題を解決しています！

1、2文字検索でインデックスを有効に使えない(SeqScanより遅くなる)

→ 例えば「車」、「日本」などの検索キーワードは日本語検索時には十分考えられる

日本語対応をさせるためには、ソースコードの変更が必要 → trgm.hの一部を変更しないといけない


2. pg_bigmとは？


pg_bigmとは

pg_bigmとは

→2-gramの全文検索モジュール

対応バージョン PostgreSQL9.1以降

ライセンス PostgreSQL License

開発主体 NTTデータ

公開日 2013年4月

入手元 http://pgbigm.sourceforge.jp/


pg_bigmとその他の仲間たち

pg_bigm pg_trgm textsearch_groonga

作成方法 2-gram 3-gram N-gram

対応バージョン 9.1以降 9.1以降 9.1まで

開発主体 NTTデータ PostgreSQL コミュニティ

板垣氏 (個人)

日本語対応 ○ △ ○

依存モジュールなしなしあり

(groonga)

レプリケーション・リカバリ対応

○ ○ ×


pg_bigmの特徴

2-gramの全文検索モジュール

PostgreSQL内部にインデックスを持つ(GINインデックス)

PostgreSQLのレプリケーション、リカバリ対応

１，２文字検索対応

日本語検索対応

データベースエンコーディングはUTF8、ロケールはCにのみ対応


pg_bigmの使い方


インストール

インストールはいつも通り

$ tar zxf pg_bigm-20130405.tar.gz

$ cd pg_bigm-20130405

$ make USE_PGXS=1 PG_CONFIG=$PGHOME/bin/pg_config

$ su

# make USE_PGXS=1 PG_CONFIG=$PGHOME/bin/pg_config install


pg_bigmの登録

pg_bigmの登録

$ initdb –D $PGDATA --locale=C --encoding=UTF8

$ vi $PGDATA/postgresql.conf

shared_preload_libraries = 'pg_bigm'

custom_variable_classes = ‘pg_bigm‘ (custom_variable_classesは9.2以降では廃止)

$ pg_ctl start -D PGDATA

$ psql -d <データベース名>

=# CREATE EXTENSION pg_bigm;

=# ¥dx

List of installed extensions

Name | Version | Schema | Description

--------+------+------+--------------------------------

pg_bigm | 1.0 | public | text index searching based on bigrams


インデックス作成まで

テーブル定義作成

=# CREATE TABLE pg_tools (tool text, description text);

データ投入

=# INSERT INTO pg_tools VALUES ('pg_hint_plan', 'HINT句を使えるようにするツール');

=# INSERT INTO pg_tools VALUES ('pg_dbms_stats', '統計情報を固定化するツール');

=# INSERT INTO pg_tools VALUES ('pg_bigm', '2-gramの全文検索を使えるようにするツール');

=# INSERT INTO pg_tools VALUES ('pg_trgm', '3-gramの全文検索を使えるようにするツール');

インデックス作成

=# CREATE INDEX pg_tools_idx ON hoge USING gin (description gin_bigm_ops);

マルチカラムインデックス作成

=# CREATE INDEX pg_tools_multi_idx ON pg_tools USING gin( tool gin_bigm_ops, description gin_bigm_ops);

GINインデックス(転置インデックス)の詳細は後程説明します


実行例

=# SELECT * FROM pg_tools WHERE description LIKE ‘%全文%’;

tool | description

------+------------------------------

pg_bigm | 2-gramの全文検索を使えるようにするツール

pg_trgm | 3-gramの全文検索を使えるようにするツール

(2 rows)

簡単な実行例

=# EXPLAIN ANALYZE SELECT * FROM pg_tools WHERE description LIKE '%全文%'; QUERY PLAN ------------------------------------------------------------------ Bitmap Heap Scan on pg_tools (cost=8.00..12.01 rows=1 width=64) (actual time=0.033..0.034 rows=2 loops=1) Recheck Cond: (description ~~ '%全文%'::text) -> Bitmap Index Scan on pg_tool_idx (cost=0.00..8.00 rows=1 width=0) (actual time=0.025..0.025 rows=2 loops=1) Index Cond: (description ~~ '%全文%'::text) Total runtime: 0.094 ms (5 rows)


pg_bigmの全文検索のしくみ


GINインデックスとは

GINインデックス(Generalized Inverted Index)とは？

(Wikipediaより)

全文検索を行う対象からなる文章分から位置情報を格納するための索引構造。

転置索引、逆引き索引などとも呼ばれる

(PostgreSQLマニュアルより)

GINインデックスは(キー、投稿されたリスト)の組み合わせの集合を格納します。

ここで"投稿されたリスト"はキーに合う行IDの集合です。

→「キー」と、「そのキーが出現するTID」の組み合わせを格納するインデックス


GINインデックスとは

検索キーワード：「accelerometers compensation」

「accelerometers」

5, 10, 25 ,28, 30, 36, 58, 59, 61, 73, 74

「compensation」

30, 68

「accelerometers compensation 」 →30ページにある


pg_trgmとpg_bigmのインデックス登録時の挙動の説明をしていきます pg_trgmではキーをINT値で持つ pg_bigmではキーを文字列で持つ

インデックス登録時の挙動

キー TID

△△P 100

△PO 100

POS 100

CRC1 100

CRC2 100

CRC3 100

①3文字分割「△△P」、「△PO」、「POS」、「OSぐ」、「Sぐれ」、「ぐれ△」

②ハッシュ変換+ ソート

「△△P」、「△PO」、「POS」、「CRC1」、「CRC2」、「CRC3」

①2文字分割「△P」、「PO」、「OS」、「Sぐ」、「ぐれ」、「れ△」

②ソート「△P」、「PO」、「OS」、「Sぐ」、「ぐれ」、「れ△」

pg_bigm

キー TID

△P 100

PO 100

OS 100

Sぐ 100

ぐれ 100

れ△ 100

TID データ

100 POSぐれ

pg_trgm

キーワード

‘POSぐれ’ INSERT

3Byte以上のtrgmは3Byteにハッシュ変

換されます

INT値で格納される

テキスト型で格納される


インデックス検索時の挙動

①2文字分割「OS」「Sぐ」「ぐれ」

キーワード‘%OSぐれ%’からTID100のデータが検索されるまでの挙動を解説します

②インデックススキャン

TID データ

100 POSぐれ

200 POSぐる

300 ぽSぐれ

キー TID

△P 100, 200

△ぽ 300

OS 100, 200

PO 100, 200

Sぐ 100, 200, 300

る△ 200

れ△ 100, 300

ぐれ 100, 300

：：

③TID候補決定

→TID 100 ④Recheck

検索キーワード

‘%OSぐれ%’

pg_bigmの場合


Recheck処理の必要性

キー TID

東京 1

京都 1

京と 1

：：

検索ワード：

‘%東京都%’

「東京」： TID1 「京都」： TID1

TABLE

INDEX

間違った結果を取ってきてしまう

INDEXを検索 TID決定

Recheck処理で再検査！

例えばこんな時。。

1 東京と京都：：


Recheck処理の必要性

実際に見てみる。

postgres=# EXPLAIN ANALYZE SELECT * FROM hoge WHERE col1 LIKE ‘%東京都%';

QUERY PLAN

---------------------------------------------------------

Bitmap Heap Scan on hoge (cost=16.00..20.01 rows=1 width=32) (actualtime=0.019..0.019 rows=0 loops=1)

Recheck Cond: (col1 ~~ ‘%東京都%'::text)

Rows Removed by Index Recheck: 1

-> Bitmap Index Scan on hoge_idx (cost=0.00..16.00 rows=1 width=0) (actualtime=0.011..0.011 rows=1

loops=1)

Index Cond: (col1 ~~ ‘%東京都%'::text)

Total runtime: 0.046 ms

(5 rows)

Bitmap Index Scanでは1行検出しているが、 Rechek処理により間違った結果を排除している

ことがわかる。


部分一致とは？

①2文字分割「本」

②インデックススキャン

キー TID

：：

末尾 100, 200

本日 200, 300

本屋 500

本当 400

札束 200

：：

③TID候補決定 ④Recheck

キーワード

‘%本%’

2文字分割後、1文字のキーワードが生成された場合、部分一致を行う関数が実行される (例)検索キーワードが’%東%’の場合など部分一致では1文字の検索キーワードと各キーの先頭を比較して、一致、不一致を判断する pg_bigmでは部分一致関数を実装しているため、2文字”以下”の検索ができる


pg_bigmの性能


性能測定の概要①

pg_bigmとpg_trgmを比較

pg_bigm

→2013年4月に新しく公開されたモジュール。

pg_trgm

→おなじみのPostgreSQL付属のモジュール。日本語対応を有効にして参加。

以下の項目の順番に検証を実施

1. インデックスサイズ → 1、2を前編で実施

2. インデックス作成時間

3. 検索時間 → 3、4を後編で実施

4. インデックス更新時間


性能測定の概要②

テストデータ

日本語と英語が混在したテキスト

日本語：青空文庫より

英語： Project Gutenbergより (単語の途中で区切られないようにしてある)

テーブル定義

CREATE TABLE hoge (col1 text);

テーブル行数

約85万行 (日本語60万行、英語25万行)

一行あたりのデータサイズ

約600Byte(日本語：200文字/行、英語：600文字/行)

テーブルサイズ

約612MB


マシンスペック・ソフトウェア関連情報

項目詳細

OS Red Hat Enterprise Linux 6.3(64bit)

DBMS PostgreSQL 9.2.4

項目詳細

メーカー DELL

モデル PowerEdge C8220X

CPU Xeon(R) E5-2660 2.20GHz ×2

メモリ 24GB

ディスク HDD1本(RAID構成なし) 回転数：7200rpm、容量:1TB


インデックスサイズと作成時間の比較概要

データCOPY→インデックス作成の流れで、インデックスのサイズと作成にかかる時間を計測

全てGINインデックスを使用

それぞれ10回計測を行い、その平均値を結果とする

対象インデックス作成クエリ

pg_bigm CREATE INDEX hoge_idx ON hoge USING gin (col1 gin_bigm_ops);

pg_trgm CREATE INDEX hoge_idx ON hoge USING gin (col1 gin_trgm_ops);


インデックスサイズの比較

今回の測定条件ではpg_bigmの方がインデックスサイズが小さいという結果になった

2文字分割の方が分割後のデータが重複する確率が高い

→重複したデータは削除される

(参考) 一つのインデックスキーの大きさの比較

pg_bigm ：英語は「3byte」 ←(データ2byte+TEXT型のヘッダ1Byte)

日本語は「(2文字のバイト数の合計)+(TEXT型のヘッダ1Byte)」

pg_trgm ： 4byte(INT値で格納するため。日本語はハッシュ変換される)

(例) 「this」→インデックスキーが5つできる(pg_bigm、pg_trgm共通)

pg_bigm : 3Byte×5個 = 15Byte、 pg_trgm : 4Byte×5個 = 20Byte

対象テーブルサイズインデックスサイズ

pg_bigm 612MB

1523MB

pg_trgm 2154MB


インデックス作成時間の比較

対象 COPY CREATE INDEX Total

pg_bigm

15秒

589秒 604秒

pg_trgm 785秒 800秒

今回の測定条件ではpg_bigmの方がインデックス作成時間が短いという結果になった

pg_trgmの方が書き込むサイズが大きいため (インデックスサイズ結果参照)

pg_trgmはハッシュ変換のオーバーヘッドがある


まとめ


まとめ

まとめ

pg_bigmでは日本語に対応している

1、2文字検索に対応している

(今回の測定条件では)pg_bigmの方がpg_trgmと比べてインデックスサイズが小さく、作成時間も短かった

日本語2文字以下の検索をする要件 → pg_bigm一択か？

次回予定

pg_bigmの性能測定(後半)

様々な長さの検索キーワード(英語、日本語)での検索性能

インデックスの更新性能

pg_bigm独自機能やpg_bigmが提供しているパラメータの紹介

pg_bigmを用いた全文検索のしくみ(前編)

Software

Transcript of pg_bigmを用いた全文検索のしくみ(前編)