postgresql - 如何从 Postgres 中的文本中提取 n-gram 单词序列

Question

我希望使用 Postgres 从文本中提取单词序列。例如下面句子的整个单词 trigrams

"ed ut perspiciatis, unde omnis iste natus error sit voluptatem accusantium"

会是

• “ed ut perspiciatis”
• “ut perspiciatis unde”
• “perspiciatis unde omnis”...

我一直在用 R 做这件事，但我希望 Postgres 能够更有效地处理它。

我在这里看到过类似的问题 n-grams from text in PostgreSQL但我不明白如何使用 pg_trgm 来提取单词序列

Answer 1

下面的函数假设一个单词由字母数字字符组成(任何其他字符都被删除)并且一个空格作为分隔符。

create or replace function word_ngrams(str text, n int)
returns setof text language plpgsql as $$
declare
    i int;
    arr text[];
begin
    arr := regexp_split_to_array(str, '[^[:alnum:]]+');
    for i in 1 .. cardinality(arr)- n+ 1 loop
        return next array_to_string(arr[i : i+n-1], ' ');
    end loop;
end $$;

查找所有三词短语:

select word_ngrams('ed ut perspiciatis, unde omnis iste natus error sit voluptatem accusantium', 3)

        word_ngrams         
----------------------------
 ed ut perspiciatis
 ut perspiciatis unde
 perspiciatis unde omnis
 unde omnis iste
 omnis iste natus
 iste natus error
 natus error sit
 error sit voluptatem
 sit voluptatem accusantium
(9 rows)

找出所有的六字短语:

select word_ngrams('ed ut perspiciatis, unde omnis iste natus error sit voluptatem accusantium', 6)

                 word_ngrams                 
---------------------------------------------
 ed ut perspiciatis unde omnis iste
 ut perspiciatis unde omnis iste natus
 perspiciatis unde omnis iste natus error
 unde omnis iste natus error sit
 omnis iste natus error sit voluptatem
 iste natus error sit voluptatem accusantium
(6 rows)