如何在PostgreSQL的ts_vector中拆分驼峰式字符串？

问题出在PostgreSQL的simple分词器不会自动拆分驼峰命名的字符串——它只会将输入转为小写并移除停用词，所以logDescription被当作了一个完整的词元。要实现你要的拆分效果，可以分两种情况处理：

情况1：不需要保留词元的大小写 #

如果可以接受词元全小写，用正则先拆分驼峰再调用to_tsvector即可：

SELECT to_tsvector('simple', regexp_replace('logDescription', '([a-z])([A-Z])', '\1 \2', 'g'));

执行后输出：

to_tsvector       
------------------------
 'description':2 'log':1

情况2：需要保留词元的大小写（如你示例中的Description） #

因为simple分词器会强制将词元转为小写，所以需要手动构造tsvector：

SELECT string_agg(format('''%s'':1', word), ' ')::tsvector
FROM unnest(string_to_array(regexp_replace('logDescription', '([a-z])([A-Z])', '\1 \2', 'g'), ' ')) AS word;

执行后输出：

tsvector         
-------------------------
 'Description':1 'log':1

代码解释 #

• regexp_replace(...)：通过正则匹配小写字母后跟大写字母的位置，插入空格，将logDescription拆分为log Description
• string_to_array(...)：将拆分后的字符串转为数组
• unnest：将数组展开为单行记录
• format(...)：将每个词格式化为'词元':1的tsvector元素格式
• string_agg(...)：将所有元素拼接为完整的tsvector字符串，再强制转换为tsvector类型

内容的提问来源于stack exchange，提问作者Chinnmay B S