在 CLOB 中搜索列表/表格中的单词

Question

我有一个带有 clob 列（+100,000 行）的大表，我需要在特定时间范围内从中搜索特定单词。

{select id, clob_field,  dbms_lob.instr(clob_field, '.doc',1,1) as doc,  --ideally want .doc
      dbms_lob.instr(clob_field, '.docx',1,1) as docx, --ideally want .docx
      dbms_lob.instr(clob_field, '.DOC',1,1) as DOC,  --ideally want .DOC
      dbms_lob.instr(clob_field, '.DOCX',1,1) as DOCX  --ideally want .DOCX
 from clob_table, search_words s
 where (to_char(date_entered, 'DD-MON-YYYY') 
      between to_date('01-SEP-2018') and to_date('30-SEP-2018'))
 AND (contains(clob_field, s.words )>0)  ;}

这组词是“.doc”、“.DOC”、“.docx”和“.docx”。当我使用 CONTAINS() 它似乎忽略了点，因此为我提供了很多行，但没有包含其中的文档扩展名。它会查找带有 .doc 作为地址一部分的电子邮件，因此该文档的两边都会有一个句点。

即mail.doc.george@here.com

我不希望出现这些情况。我试过在单词末尾加一个空格，它忽略了空格。如上所示，我已将它们放在我创建的搜索表中，但它仍然忽略了空格。有什么建议？

谢谢！！

Answer 1

这里有两个建议。

简单、低效的方法是使用除 CONTAINS 之外的东西。众所周知，上下文索引很难正确处理。因此，您可以这样做，而不是最后一行：

AND regexp_instr(clob_field, '\.docx', 1,1,0,'i') > 0

我认为这应该可行，但可能会很慢。那是您使用索引的时候。但是 Oracle Text 索引比普通索引更复杂。 This old doc explains 标点符号（在索引参数中定义）没有被索引，因为 Oracle Text 的重点是索引 words。如果要将特殊字符作为单词的一部分进行索引，则需要将其添加到 printjoin 字符集中。 This doc explains how，但我会把它贴在这里。您需要删除现有的 CONTEXT 索引并使用此首选项重新创建它：

begin
ctx_ddl.create_preference('mylex', 'BASIC_LEXER');
ctx_ddl.set_attribute('mylex', 'printjoins', '._-'); -- periods, underscores, dashes can be parts of words
end;
/

CREATE INDEX myindex on clob_table(clob_field) INDEXTYPE IS CTXSYS.CONTEXT
  parameters ('LEXER mylex');

请记住，默认情况下 CONTEXT 索引不区分大小写；我认为这就是您想要的，但仅供参考，您可以通过在词法分析器上将“mixed_case”属性设置为“Y”来更改它，就在您设置上面的 printjoins 属性的下方。

此外，您似乎正在尝试搜索 以 .docx 结尾的单词，但 CONTAINS 不是 INSTR - 默认情况下它匹配整个单词，而不是字符串。您可能希望修改查询以执行 AND contains(clob_field, '%.docx')>0