文本搜索可用于在表中快速搜索单个 CHAR、VARCHAR、LONG VARCHAR、VARBINARY 或 LONG VARBINARY 字段的内容，以查找特定关键字。
可以对要重复查询其内容的列使用此功能。创建文本索引之后，对源表的 DML 操作会变得稍慢。这种性能变化是对文本索引和源表进行同步所导致的。每次对源表执行操作时，文本索引都会在后台进行更新。对源表的定期查询不受影响。
文本索引包含源表文本字段以及在创建索引期间包含的任何其他额外列中的所有单词。不会为额外列编制索引，仅将其值传递到文本索引中。文本索引就像任何其他 Vertica 表一样，除了它在内部链接至源表。
首先对计划搜索的表创建文本索引。然后，在对表创建索引后，针对文本索引运行查询，以查找特定关键字。此查询会为每个关键字实例返回一个 doc_id。与直接在源表中查询其文本字段的内容相比，在查询文本索引之后将文本索引联接回源表的性能会有显著提高。
在以下示例中，可以使用名为 t_log 的源表执行文本搜索。该源表包含两个列：
一个列包含表的主键
另一个列包含日志文件信息
必须将投影与源表相关联。使用按主键排序并按哈希 (id) 分段或未分段的投影。可以在源表上定义此投影以及任何其他现有投影。
对希望执行文本搜索的表创建文本索引。
=> CREATE TEXT INDEX text_index ON t_log (id, text);
文本索引包含两列：
doc_id 使用源表中的唯一标识符。
token 使用来自源表的指定列的文本字符串填充。字词列通过对文本列中的单词进行分词和词干提取获得。
如果您的表已分区，您的文本索引还将包含名为 partition 的第三个列。
=> SELECT * FROM text_index;
token | doc_id | partition
------------------------+--------+-----------
<info> | 6 | 2014
<warning> | 2 | 2014
<warning> | 3 | 2014
<warning> | 4 | 2014
<warning> | 5 | 2014
database | 6 | 2014
execute: | 6 | 2014
object | 4 | 2014
object | 5 | 2014
[catalog] | 4 | 2014
[catalog] | 5 | 2014
您一次只能在源表上创建一个文本索引。在未来，您将不必在每次更新或更改源表时重新创建文本索引。
通过在源表上运行的任何操作，您的文本索引将与源表的内容保持同步。这些操作包括但不限于：
COPY
INSERT
UPDATE
DELETE
DROP PARTITION
MOVE_PARTITIONS_TO_TABLE
当您在编制了索引的源表中移动或交换分区时，验证目标表是否已存在并且以相同的方式编制了索引。
在以下示例中，您将对 Flex 表创建文本索引。本例假定您已创建一个名为 mountains 的 Flex 表。要创建本示例中使用的 Flex 表，请参阅入门中的“使用 Flex 表”。
若要对 Flex 表创建文本索引，首先需要向 Flex 表添加主键约束。
=> ALTER TABLE mountains ADD PRIMARY KEY (__identity__);
对希望执行文本搜索的表创建文本索引。使用 FlexTokenizer 对 __raw__column 进行分词，并将数据类型指定为 LONG VARBINARY。由于 __raw__column 的数据类型不同于默认的 StringTokenizer，因此务必要使用 FlexTokenizer 来对 Flex 表创建文本索引。
=> CREATE TEXT INDEX flex_text_index ON mountains(__identity__, __raw__) TOKENIZER public.FlexTokenizer(long varbinary);
文本索引包含两列：
doc_id 使用源表中的唯一标识符。
token 使用来自源表的指定列的文本字符串填充。字词列通过对文本列中的单词进行分词和词干提取获得。
如果您的表已分区，您的文本索引还将包含名为 partition 的第三个列。
=> SELECT * FROM flex_text_index;
token | doc_id
-------------+--------
50.6 | 5
Mt | 5
Washington | 5
mountain | 5
12.2 | 3
15.4 | 2
17000 | 3
29029 | 2
Denali | 3
Helen | 2
Mt | 2
St | 2
mountain | 3
volcano | 2
29029 | 1
34.1 | 1
Everest | 1
mountain | 1
14000 | 4
Kilimanjaro | 4
mountain | 4
(21 rows)
您一次只能在源表上创建一个文本索引。在未来，您将不必在每次更新或更改源表时重新创建文本索引。
通过在源表上运行的任何操作，您的文本索引将与源表的内容保持同步。这些操作包括但不限于：
COPY
INSERT
UPDATE
DELETE
DROP PARTITION
MOVE_PARTITIONS_TO_TABLE
当您在编制了索引的源表中移动或交换分区时，验证目标表是否已存在并且以相同的方式编制了索引。
创建文本索引后，请编写一个查询，并对该索引运行查询，从而搜索特定关键字。
在下面的示例中，可以使用 WHERE 子句搜索文本索引中的关键字 <WARNING>。WHERE 子句应使用创建文本索引时使用的词干分析器。使用 STEMMER 关键字时，它会分析关键字词干，以便与文本索引中的关键字匹配。如果未使用 STEMMER 关键字，则默认词干分析器为 v_txtindex.StemmerCaseInsensitive。如果使用了 STEMMER NONE，则可以省略 WHERE 子句中的 STEMMER 关键字。
=> SELECT * FROM text_index WHERE token = v_txtindex.StemmerCaseInsensitive('<WARNING>');
token | doc_id
-----------+--------
<warning> | 2
<warning> | 3
<warning> | 4
<warning> | 5
(4 rows)
接下来，编写查询，显示与在文本索引中搜索的关键字匹配的所有源表内容。
=> SELECT * FROM t_log WHERE id IN (SELECT doc_id FROM text_index WHERE token = v_txtindex.StemmerCaseInsensitive('<WARNING>'));
id | date | text
---+------------+-----------------------------------------------------------------------------------------------
4 | 2014-06-04 | 11:00:49.568 unknown:0x7f9207607700 [Catalog] <WARNING> validateDependencies: Object 45035968
5 | 2014-06-04 | 11:00:49.568 unknown:0x7f9207607700 [Catalog] <WARNING> validateDependencies: Object 45030
2 | 2013-06-04 | 11:00:49.568 unknown:0x7f9207607700 [Catalog] <WARNING> validateDependencies: Object 4503
3 | 2013-06-04 | 11:00:49.568 unknown:0x7f9207607700 [Catalog] <WARNING> validateDependencies: Object 45066
(4 rows)
使用 doc_id 可以查找源表中关键字的确切位置。doc_id 会与源表的唯一标识符匹配。此匹配有助于迅速找出表中的关键字实例。
文本索引会经过优化，以便根据词干分析器与所有单词实例匹配。默认情况下，不区分大小写的词干分析器会应用于未指定词干分析器的所有文本索引。因此，如果您计划针对文本索引编写的查询区分大小写，则 Vertica 建议使用区分大小写的词干分析器来构建文本索引。
以下示例显示了执行文本搜索时，可用来在区分大小写和不区分大小写的情况下与单词匹配的查询。
此查询会在不区分大小写的文本索引中查找不区分大小写的记录：
=> SELECT * FROM t_log WHERE id IN (SELECT doc_id FROM text_index WHERE token = v_txtindex.StemmerCaseInsensitive('warning'));
此查询会在区分大小写的文本索引中查找区分大小写的记录：
=> SELECT * FROM t_log_case_sensitive WHERE id IN (SELECT doc_id FROM text_index WHERE token = v_txtindex.StemmerCaseSensitive('Warning'));
使用文本索引时也可以执行更详细的查询，找出多个关键字或忽略含有其他关键字的结果。以下示例显示了一个更详细的查询，您可以在执行文本搜索时使用该查询。
在此示例中，t_log 是源表，text_index 是文本索引。查询会查找含有以下任一内容的记录：
同时含有 '<WARNING>’ 和 'validate' 单词的记录
只含有 '[Log]' 单词且不含有 'validateDependencies' 的记录
SELECT * FROM t_log where (
id IN (SELECT doc_id FROM text_index WHERE token = v_txtindex.StemmerCaseSensitive('<WARNING>'))
AND ( id IN (SELECT doc_id FROM text_index WHERE token = v_txtindex.StemmerCaseSensitive('validate')
OR id IN (SELECT doc_id FROM text_index WHERE token = v_txtindex.StemmerCaseSensitive('[Log]')))
AND NOT (id IN (SELECT doc_id FROM text_index WHERE token = v_txtindex.StemmerCaseSensitive('validateDependencies'))));
此查询会返回以下结果：
id | date | text
----+------------+------------------------------------------------------------------------------------------------
11 | 2014-05-04 | 11:00:49.568 unknown:0x7f9207607702 [Log] <WARNING> validate: Object 4503 via fld num_all_roles
13 | 2014-05-04 | 11:00:49.568 unknown:0x7f9207607706 [Log] <WARNING> validate: Object 45035 refers to root_i3
14 | 2014-05-04 | 11:00:49.568 unknown:0x7f9207607708 [Log] <WARNING> validate: Object 4503 refers to int_2
17 | 2014-05-04 | 11:00:49.568 unknown:0x7f9207607700 [Txn] <WARNING> Begin validate Txn: fff0ed17 catalog editor
(4 rows)
删除文本索引将从数据库中删除指定的文本索引。
在以下情况下可以删除文本索引：
不再经常查询。
管理任务需要在源表上执行，且需要删除文本索引。
删除文本索引不会删除与该文本索引关联的源表。但如果删除与文本索引关联的源表，该文本索引也会被删除。Vertica 会将文本索引视为依赖对象。
以下示例说明了如何删除名为 text_index 的文本索引：
=> DROP TEXT INDEX text_index;
DROP INDEX
Vertica 提供默认词干分析器和分词器。您也可以创建自己的自定义词干分析器和分词器。以下主题介绍了默认词干分析器和分词器，以及在 Vertica 中创建自定义词干分析器和分词器的要求。
Vertica 词干分析器采用 Porter 词干抽取算法来查找从同一基词/根词派生的词语。例如，在文本索引中搜索关键字 database 时，您可能还希望获得包含 databases 一词的结果。
为了实现这种类型的匹配，当使用任何 v_txtindex 词干分析器时，Vertica 都会以已抽取词干的形式存储词语。
Vertica Analytics Platform 提供了以下词干分析器：
以下示例显示了创建文本索引时如何使用词干分析器。
使用 StemmerCaseInsensitive 词干分析器创建文本索引：
=> CREATE TEXT INDEX idx_100 ON top_100 (id, feedback) STEMMER v_txtindex.StemmerCaseInsensitive(long varchar)
TOKENIZER v_txtindex.StringTokenizer(long varchar);
使用 StemmerCaseSensitive 词干分析器创建文本索引：
=> CREATE TEXT INDEX idx_unstruc ON unstruc_data (__identity__, __raw__) STEMMER v_txtindex.StemmerCaseSensitive(long varchar)
TOKENIZER public.FlexTokenizer(long varbinary);
在不使用词干分析器的情况下创建文本索引：
=> CREATE TEXT INDEX idx_logs FROM sys_logs ON (id, message) STEMMER NONE TOKENIZER v_txtindex.StringTokenizer(long varchar);
分词器执行以下操作：
接收字符流。
将该流分解为通常对应于各个单词的各个标记。
返回标记流。
Vertica Analytics Platform 提供以下预配置的分词器：
Vertica 还提供了以下未预配置的分词器：
以下示例显示了在创建文本索引时如何使用预配置的分词器。
使用 StringTokenizer 从 top_100 创建索引：
=> CREATE TEXT INDEX idx_100 FROM top_100 on (id, feedback)
TOKENIZER v_txtindex.StringTokenizer(long varchar)
STEMMER v_txtindex.StemmerCaseInsensitive(long varchar);
使用 FlexTokenizer 从非结构化数据创建索引：
=> CREATE TEXT INDEX idx_unstruc FROM unstruc_data on (__identity__, __raw__)
TOKENIZER public.FlexTokenizer(long varbinary)
STEMMER v_txtindex.StemmerCaseSensitive(long varchar);
使用 StringTokenizerDelim 在指定的分隔符处拆分字符串：
=> CREATE TABLE string_table (word VARCHAR(100), delim VARCHAR);
CREATE TABLE
=> COPY string_table FROM STDIN DELIMITER ',';
Enter data to be copied followed by a newline.
End with a backslash and a period on a line by itself.
>>
>> SingleWord,dd
>> Break On Spaces,' '
>> Break:On:Colons,:
>> \.
=> SELECT * FROM string_table;
word | delim
-----------------+-------
SingleWord | dd
Break On Spaces |
Break:On:Colons | :
(3 rows)
=> SELECT v_txtindex.StringTokenizerDelim(word,delim) OVER () FROM string_table;
words
-----------------
Break
On
Colons
SingleWor
Break
On
Spaces
(7 rows)
=> SELECT v_txtindex.StringTokenizerDelim(word,delim) OVER (PARTITION BY word), word as input FROM string_table;
words | input
-----------------+-----------------
Break | Break:On:Colons
On | Break:On:Colons
Colons | Break:On:Colons
SingleWor | SingleWord
Break | Break On Spaces
On | Break On Spaces
Spaces | Break On Spaces
(7 rows)
返回可包含二级分隔符的令牌。在令牌由空格或多种标点分隔的情况下可以使用此分词器。在通过添加二级分隔符定义分隔符方面，高级日志分词器能比基本日志分词器提供更大的粒度。这一方法通常适用于分析日志文件。
以下示例显示了如何在没有词干分析器的情况下使用高级日志分词器从表 foo 创建文本索引。
=> CREATE TABLE foo (id INT PRIMARY KEY NOT NULL,text VARCHAR(250));
=> COPY foo FROM STDIN;
End with a backslash and a period on a line by itself.
>> 1|2014-05-10 00:00:05.700433 %ASA-6-302013: Built outbound TCP connection 9986454 for outside:101.123.123.111/443 (101.123.123.111/443)
>> \.
=> CREATE PROJECTION foo_projection AS SELECT * FROM foo ORDER BY id
SEGMENTED BY HASH(id) ALL NODES KSAFE;
=> CREATE TEXT INDEX indexfoo_AdvancedLogTokenizer ON foo (id, text)
TOKENIZER v_txtindex.AdvancedLogTokenizer(LONG VARCHAR) STEMMER NONE;
=> SELECT * FROM indexfoo_AdvancedLogTokenizer;
token | doc_id
-----------------------------+--------
%ASA-6-302013: | 1
00 | 1
00:00:05.700433 | 1
05 | 1
10 | 1
101 | 1
101.123.123.111/443 | 1
111 | 1
123 | 1
2014 | 1
2014-05-10 | 1
302013 | 1
443 | 1
700433 | 1
9986454 | 1
ASA | 1
Built | 1
TCP | 1
connection | 1
for | 1
outbound | 1
outside | 1
outside:101.123.123.111/443 | 1
(23 rows)
返回不包含指定二级分隔符的令牌。在令牌由空格或多种标点分隔的情况下可以使用此分词器。这一方法通常适用于分析日志文件。
以下示例显示了如何在没有词干分析器的情况下使用基本日志分词器从表 foo 创建文本索引。
=> CREATE TABLE foo (id INT PRIMARY KEY NOT NULL,text VARCHAR(250));
=> COPY foo FROM STDIN;
End with a backslash and a period on a line by itself.
>> 1|2014-05-10 00:00:05.700433 %ASA-6-302013: Built outbound TCP connection 9986454 for outside:101.123.123.111/443 (101.123.123.111/443)
>> \.
=> CREATE PROJECTION foo_projection AS SELECT * FROM foo ORDER BY id
SEGMENTED BY HASH(id) ALL NODES KSAFE;
=> CREATE TEXT INDEX indexfoo_BasicLogTokenizer ON foo (id, text)
TOKENIZER v_txtindex.BasicLogTokenizer(LONG VARCHAR) STEMMER NONE;
=> SELECT * FROM indexfoo_BasicLogTokenizer;
token | doc_id
-----------------------------+--------
%ASA-6-302013: | 1
00:00:05.700433 | 1
101.123.123.111/443 | 1
2014-05-10 | 1
9986454 | 1
Built | 1
TCP | 1
connection | 1
for | 1
outbound | 1
outside:101.123.123.111/443 | 1
(11 rows)
仅返回由空格所包围的令牌。如果您只希望用空格字符来分隔源文档中的令牌，可以使用此分词器。使用这种方法时，您仍然能够设置非索引字和令牌长度限制。
以下示例显示了如何在没有词干分析器的情况下使用空格日志分词器从表 foo 创建文本索引。
=> CREATE TABLE foo (id INT PRIMARY KEY NOT NULL,text VARCHAR(250));
=> COPY foo FROM STDIN;
End with a backslash and a period on a line by itself.
>> 1|2014-05-10 00:00:05.700433 %ASA-6-302013: Built outbound TCP connection 998 6454 for outside:101.123.123.111/443 (101.123.123.111/443)
>> \.
=> CREATE PROJECTION foo_projection AS SELECT * FROM foo ORDER BY id
SEGMENTED BY HASH(id) ALL NODES KSAFE;
=> CREATE TEXT INDEX indexfoo_WhitespaceLogTokenizer ON foo (id, text)
TOKENIZER v_txtindex.WhitespaceLogTokenizer(LONG VARCHAR) STEMMER NONE;
=> SELECT * FROM indexfoo_WhitespaceLogTokenizer;
token | doc_id
-----------------------------+--------
%ASA-6-302013: | 1
(101.123.123.111/443) | 1
00:00:05.700433 | 1
2014-05-10 | 1
6454 | 1
998 | 1
Built | 1
TCP | 1
connection | 1
for | 1
outbound | 1
outside:101.123.123.111/443 | 1
(12 rows)
支持多种语言。可以使用此分词器识别非英语语言中的单词边界，包括未用空格分隔的亚洲语言。
ICU 分词器未预先配置。可以通过首先创建用户定义的转换函数 (UDTF) 来配置分词器。然后设置参数 locale 来标识分词器的语言。
以下示例步骤显示了如何将 ICU 分词器配置为简体中文，然后从包含中文字符的表 foo 中创建文本索引。
有关如何配置分词器的详细信息，请参阅配置分词器。
使用 UDTF 创建分词器。将示例分词器命名为 ICUChineseTokenizer。
VMart=> CREATE OR REPLACE TRANSFORM FUNCTION v_txtindex.ICUChineseTokenizer AS LANGUAGE 'C++' NAME 'ICUTokenizerFactory' LIBRARY v_txtindex.logSearchLib NOT FENCED;
CREATE TRANSFORM FUNCTION
获取分词器的过程 ID。
VMart=> SELECT proc_oid from vs_procedures where procedure_name = 'ICUChineseTokenizer';
proc_oid
-------------------
45035996280452894
(1 row)
将参数 locale 设置为简体中文。使用过程 ID 标识分词器。
VMart=> SELECT v_txtindex.SET_TOKENIZER_PARAMETER('locale','zh_CN' using parameters proc_oid='45035996280452894');
SET_TOKENIZER_PARAMETER
-------------------------
t
(1 row)
锁定分词器。
VMart=> SELECT v_txtindex.SET_TOKENIZER_PARAMETER('used','true' using parameters proc_oid='45035996273762696');
SET_TOKENIZER_PARAMETER
-------------------------
t
(1 row)
创建示例表 foo，其中包含要编制索引的简体中文文本。
VMart=> CREATE TABLE foo(doc_id integer primary key not null,text varchar(250));
CREATE TABLE
VMart=> INSERT INTO foo values(1, u&'\4E2D\534E\4EBA\6C11\5171\548C\56FD');
OUTPUT
--------
1
对表 foo 创建索引 index_example。该示例在没有词干分析器的情况下创建索引；Vertica 词干分析器仅适用于英语文本。对非英语文本使用英语词干分析器可能会导致分词不正确。
VMart=> CREATE TEXT INDEX index_example ON foo (doc_id, text) TOKENIZER v_txtindex.ICUChineseTokenizer(long varchar) stemmer none;
CREATE INDEX
查看新索引。
VMart=> SELECT * FROM index_example ORDER BY token,doc_id;
token | doc_id
--------+--------
中华 | 1
人民 | 1
共和国 | 1
(3 rows)
可以通过使用 v_txtindex.AdvTxtSearchLib 库中的两个基本用户定义的转换函数 (UDTF) 之一创建 UDTF，来配置分词器。库中包含两个基本分词器：一个用于 Log Words，一个用于 Ngrams。可以配置每个具有或不具有位置相关性的基本函数。
可以在多个不同的分词器基本配置中进行选择：
创建没有位置相关性的 logWord 分词器：
=> CREATE TRANSFORM FUNCTION v_txtindex.fooTokenizer AS LANGUAGE 'C++' NAME 'logWordITokenizerFactory' LIBRARY v_txtindex.logSearchLib NOT FENCED;
创建分词器之后，Vertica 将名称和 proc_oid 写入系统表 vs_procedures 中。必须检索分词器的 proc_oid 以执行其他配置。
输入以下查询，替换您自己的分词器名称：
=> SELECT proc_oid FROM vs_procedures WHERE procedure_name = 'fooTokenizer';
使用分词器的 proc_oid 可以配置分词器。有关获取分词器 proc_oid 的详细信息，请参阅配置分词器。以下示例显示了如何配置各个分词器参数：
配置非索引字：
=> SELECT v_txtindex.SET_TOKENIZER_PARAMETER('stopwordscaseinsensitive','for,the' USING PARAMETERS proc_oid='45035996274128376');
配置主要分隔符：
=> SELECT v_txtindex.SET_TOKENIZER_PARAMETER('majorseparators', E'{}()&[]' USING PARAMETERS proc_oid='45035996274128376');
配置二级分隔符：
=> SELECT v_txtindex.SET_TOKENIZER_PARAMETER('minorseparators', '-,$' USING PARAMETERS proc_oid='45035996274128376');
配置最小长度：
=> SELECT v_txtindex.SET_TOKENIZER_PARAMETER('minlength', '1' USING PARAMETERS proc_oid='45035996274128376');
配置最大长度：
=> SELECT v_txtindex.SET_TOKENIZER_PARAMETER('maxlength', '140' USING PARAMETERS proc_oid='45035996274128376');
配置 ngramssize：
=> SELECT v_txtindex.SET_TOKENIZER_PARAMETER('ngramssize', '2' USING PARAMETERS proc_oid='45035996274128376');
配置完分词器时，请将参数 used 设置为 True。更改此设置后，将不能再更改分词器的参数。此时即可使用分词器来创建文本索引。
配置 used 参数：
=> SELECT v_txtindex.SET_TOKENIZER_PARAMETER('used', 'True' USING PARAMETERS proc_oid='45035996274128376');
创建自定义分词器之后，您可以通过以下两种任一方式查看分词器的参数设置：
使用 GET_TOKENIZER_PARAMETER — 查看单个分词器参数设置。
使用 READ_CONFIG_FILE — 查看所有分词器参数设置。
如果您需要查看分词器的单个参数设置，可以使用 GET_TOKENIZER_PARAMETER 查看特定的分词器参数设置：
=> SELECT v_txtindex.GET_TOKENIZER_PARAMETER('majorseparators' USING PARAMETERS proc_oid='45035996274126984');
getTokenizerParameter
-----------------------
{}()&[]
(1 row)
有关详细信息，请参阅GET_TOKENIZER_PARAMETER。
如果您需要查看分词器的所有参数，可以使用 READ_CONFIG_FILE 查看分词器的所有参数设置：
=> SELECT v_txtindex.READ_CONFIG_FILE( USING PARAMETERS proc_oid='45035996274126984') OVER();
config_key | config_value
--------------------------+---------------
majorseparators | {}()&[]
maxlength | 140
minlength | 1
minorseparators | -,$
stopwordscaseinsensitive | for,the
type | 1
used | true
(7 rows)
如果 used 参数设置为 False，则只能查看已对分词器应用的参数。
有关详细信息，请参阅READ_CONFIG_FILE。
使用 DELETE_TOKENIZER_CONFIG_FILE 函数删除分词器配置文件。此函数不会删除用户定义的转换函数 (UDTF)。而是仅删除与 UDTF 关联的配置文件。
当参数“已使用 (used)”设置为 False 时，删除分词器配置文件：
=> SELECT v_txtindex.DELETE_TOKENIZER_CONFIG_FILE(USING PARAMETERS proc_oid='45035996274127086');
删除参数“确认 (confirm)”设置为 True 的分词器配置文件。此设置将强制执行配置文件删除操作，即使参数“已使用 (used)”也设置为 True：
=> SELECT v_txtindex.DELETE_TOKENIZER_CONFIG_FILE(USING PARAMETERS proc_oid='45035996274126984', confirm='true');
有关详细信息，请参阅DELETE_TOKENIZER_CONFIG_FILE。
有时，您需要的特定分词或词干抽取行为可能与 Vertica 所提供的不同。在这种情况下，您可以实施自己的自定义“用户定义的扩展 (UDx)”，以取代词干分析器或分词器。有关构建自定义 UDx 的详细信息，请参阅开发用户定义的扩展 (UDx)。
在 Vertica 中实现自定义词干分析器或分词器之前，请验证 UDx 扩展是否满足以下要求。
创建自定义词干分析器时，应遵循以下要求：
必须是用户定义的标量函数 (UDSF) 或 SQL 函数
可使用 C++、Java 或 R 编写
波动性设置为稳定或不可变
支持的数据输入类型：
Varchar
Long varchar
支持的数据输出类型：
Varchar
Long varchar
若要创建自定义分词器，请遵循以下要求：
必须是用户定义的转换函数 (UDTF)
可使用 C++、Java 或 R 编写
输入类型必须与输入文本的类型相匹配
支持的数据输入类型：
Char
Varchar
Long varchar
Varbinary
Long varbinary
支持的数据输出类型：
Varchar
Long varchar