为什么PostgreSQL在ts_headline()中剥离HTML实体？

Question

我正在编写一个全文搜索功能的原型,它将在搜索结果中返回找到的文档的"标题".这是Postgres文档中稍微修改过的示例:

SELECT ts_headline('english',
  'The most common type of search is to find all documents containing given query terms <b>and</b> return them in <order> of their similarity to the query.',
  to_tsquery('query & similarity'),
  'StartSel = XXX, StopSel = YYY');

我期望的是什么样的

"documents containing given XXXqueryYYY terms <b>and</b> return them in <order> of their XXXsimilarityYYY to the XXXqueryYYY."

我得到的是

"documents containing given XXXqueryYYY terms  and  return them in   of their XXXsimilarityYYY to the XXXqueryYYY."

看起来像HTML标签一样远程看起来的所有内容都被剥离并替换为单个空格字符(注意周围的双重空格and).

我没有在文档中找到任何声明Postgres假设输入文本是HTML并且用户希望剥离标签的地方.该API允许压倒一切的StartSel,并StopSel从默认的<b>和</b>,所以我认为它是为了满足更广泛的用例.

在我缺少的文档中是否有一些设置或注释？

Answer 1

<b>并被</b>识别为标签令牌。默认情况下它们被忽略。您需要修改现有配置或创建新配置：

=# CREATE TEXT SEARCH CONFIGURATION english_tag (COPY = english);
=# alter text search configuration english_tag
   add mapping for tag with simple;

那么标签不会被跳过：

=# select * from ts_debug('english_tag', 'query <b>test</b>');
   alias   |   description   | token |  dictionaries  |  dictionary  | lexemes
-----------+-----------------+-------+----------------+--------------+---------
 asciiword | Word, all ASCII | query | {english_stem} | english_stem | {queri}
 blank     | Space symbols   |       | {}             | (null)       | (null)
 tag       | XML tag         | <b>   | {simple}       | simple       | {<b>}
 asciiword | Word, all ASCII | test  | {english_stem} | english_stem | {test}
 tag       | XML tag         | </b>  | {simple}       | simple       | {</b>}

但即使在这种情况下 ts_headline 也会跳过标签。因为它是 硬编码的：

#define HLIDREPLACE(x)  ( (x)==TAG_T )

当然有一个解决方法。可以创建您自己的文本搜索解析器扩展。GitHub上的示例。并改变

#define HLIDREPLACE(x)  ( (x)==TAG_T )

到

#define HLIDREPLACE(x)  ( false )