Compartir vía

Configurar y administrar archivos de sinónimos para búsquedas de texto completo

  • Artículo

Se aplica a: SQL Server

Las consultas de búsqueda de texto completo de SQL Server pueden buscar sinónimos de términos especificados por el usuario mediante el uso de un diccionario de sinónimos de búsqueda de texto completo. Cada diccionario de sinónimos define un conjunto de sinónimos para un idioma concreto. Al desarrollar un diccionario de sinónimos personalizado para los datos de texto completo, puede ampliar de forma eficaz el ámbito de las consultas de texto completo en esos datos.

La comprobación de coincidencia con el diccionario de sinónimos tiene lugar para todas las consultas FREETEXT y FREETEXTABLE , y para las consultas CONTAINS y CONTAINSTABLE que especifican la cláusula FORMSOF THESAURUS.

Un diccionario de sinónimos de búsqueda de texto completo es un archivo de texto XML.

¿Qué es un diccionario de sinónimos?

Para que las consultas de búsqueda de texto completo puedan buscar sinónimos en un idioma determinado, debe definir las asignaciones del diccionario de sinónimos (es decir, los sinónimos) de ese idioma. Cada diccionario de sinónimos se debe configurar manualmente para definir lo siguiente:

  • Conjunto de expansión

    Un conjunto de expansión contiene un grupo de sinónimos como "escritor", "autor" y "periodista" que se sustituyen entre si en una consulta de texto completo. Las consultas que contienen una coincidencia para algún sinónimo en un conjunto de expansión se expanden para incluir uno de cada dos sinónimos en el conjunto de expansión.

    Para más información, vea Estructura XML de un conjunto de expansión, posteriormente en este tema.

  • Conjunto de reemplazo

    Un conjunto de reemplazo contiene un patrón de texto que se reemplazará por un conjunto de sustitución. Para obtener un ejemplo, vea la sección Estructura XML de un conjunto de reemplazo más adelante en este tema.

  • Configuración de signos diacríticos

    En un diccionario de sinónimos determinado, todos los patrones de búsqueda distinguen o no las marcas diacríticas como la tilde (~), la marca de acento agudo (´) o la diéresis (¨) (es decir, distinguen acentos o no distinguen acentos). Por ejemplo, imagine que especifica el patrón "café" para que sea reemplazado por otros patrones en una consulta de búsqueda de texto completo. Si el archivo de sinónimos no distingue acentos, la búsqueda de texto completo reemplaza los patrones "café" y "cafe". Si el archivo de sinónimos distingue acentos, la búsqueda de texto completo solo reemplaza el patrón "café". De forma predeterminada, un diccionario de sinónimos no distingue acentos.

Archivos de sinónimos predeterminados

SQL Server proporciona un conjunto de archivos de sinónimos XML, uno para cada idioma admitido. Estos archivos están esencialmente vacíos. Solo contienen la estructura XML de nivel superior que es común a todos los diccionarios de sinónimos SQL Server y un diccionario de sinónimos de ejemplo comentado.

Ubicación de los archivos de sinónimos

La ubicación predeterminada de los archivos de sinónimos es la siguiente:

<SQL_Server_data_files_path>\MSSQL13.MSSQLSERVER\MSSQL\FTDATA\

Esta ubicación predeterminada contiene los archivos siguientes:

  • Archivos de sinónimos específicos del idioma

    El programa de instalación instala los archivos de sinónimos vacíos en la ubicación anterior. Se proporciona un archivo independiente para cada idioma admitido. Un administrador del sistema puede personalizar estos archivos.

    Los nombres de archivo predeterminados de los archivos de sinónimos usan el formato siguiente:

    'ts' + <three-letter language-abbreviation> + '.xml'

    El nombre del archivo de sinónimos para un idioma determinado se especifica en el valor siguiente en el Registro:

    HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Microsoft SQL Server\<instance-name>\MSSearch\<language-abbrev>

  • El archivo de sinónimos global

    Un archivo de sinónimos global y vacío, tsGlobal.xml.

Cambiar la ubicación de un archivo de sinónimos

Puede cambiar la ubicación y los nombres de un archivo de sinónimos cambiando su clave del Registro. Para cada idioma, la ubicación del archivo de sinónimos se especifica en el valor siguiente en el Registro:

HKLM\SOFTWARE\Microsoft\Microsoft SQL Server\<instance name>\MSSearch\Language\<language-abbreviation>\TsaurusFile

El archivo de sinónimos global corresponde al idioma neutro con el LCID 0. Solo los administradores pueden cambiar este valor.

Cómo las consultas de texto completo utilizan el diccionario de sinónimos

Una consulta del diccionario de sinónimos utiliza un diccionario de sinónimos específico del idioma y el diccionario de sinónimos global.

  1. Primero, la consulta busca el archivo específico del idioma y lo carga para su procesamiento (a menos que ya esté cargado). La consulta se expande para incluir los sinónimos específicos del idioma especificados por las reglas de conjuntos de expansión y conjuntos de reemplazo en el archivo de diccionario de sinónimos.
  2. Estos pasos se repiten después para el diccionario de sinónimos global. Sin embargo, si un término ya forma parte de una coincidencia en el archivo de diccionario de sinónimos específico del idioma, el término es ilegible para coincidencias en el diccionario de sinónimos global.

Estructura de un archivo de sinónimos

Cada archivo de sinónimos define un contenedor XML cuyo identificador es Microsoft Search Thesaurus y un comentario, <!-- ... -->, que contiene un diccionario de sinónimos de ejemplo. El diccionario de sinónimos se define en un elemento <thesaurus> que contiene ejemplos de los elementos secundarios que definen la configuración de los signos diacríticos, los conjuntos de expansión y los conjuntos de reemplazo.

Un archivo de sinónimos vacío típico contiene el texto XML siguiente:

<XML ID="Microsoft Search Thesaurus">  
  
<!--  Commented out  
  
    <thesaurus xmlns="x-schema:tsSchema.xml">  
<diacritics_sensitive>0</diacritics_sensitive>  
        <expansion>  
            <sub>Internet Explorer</sub>  
            <sub>IE</sub>  
            <sub>IE5</sub>  
        </expansion>  
        <replacement>  
            <pat>NT5</pat>  
            <pat>W2K</pat>  
            <sub>Windows 2012</sub>  
        </replacement>  
        <expansion>  
            <sub>run</sub>  
            <sub>jog</sub>  
        </expansion>  
    </thesaurus>  
-->  
</XML>

Estructura XML de un conjunto de expansión

Cada conjunto de expansión está delimitado por un elemento <expansion>. Dentro de este elemento, se especifican una o varias sustituciones en un elemento <sub>. En el conjunto de expansión, puede especificar un grupo de sustituciones que sean sinónimas.

Por ejemplo, puede editar la sección de expansión para tratar las sustituciones "writer", "author" y "journalist" como sinónimos. Las consultas de búsqueda de texto completo que contienen coincidencias en una sustitución se expanden para incluir todas las demás sustituciones especificadas en el conjunto de expansión. Por tanto, en el ejemplo anterior, al emitir una consulta FORMS OF THESAURUS o FREETEXT para la palabra "autor", la búsqueda de texto completo también devuelve resultados que contienen las palabras "escritor" y "periodista".

Esta es la apariencia que tendrá la sección del conjunto de expansión en el caso del ejemplo anterior:

<expansion>  
        <sub>writer</sub>  
        <sub>author</sub>  
        <sub>journalist</sub>  
</expansion>

Estructura XML de un conjunto de sustitución

Cada conjunto de reemplazo está delimitado por un elemento <replacement>. Dentro de este elemento, se pueden especificar uno o varios modelos en un elemento <pat> y cero o más sustituciones en elementos <sub>, una por cada sinónimo. Puede especificar un patrón para que sea reemplazado por un conjunto de sustitución. Los patrones y las sustituciones pueden contener una palabra o una secuencia de palabras. Si no se especifica ninguna sustitución para un modelo, se quita el modelo de la consulta del usuario.

Por ejemplo, imagine que desea que las consultas de "Win8", el patrón, sean reemplazadas por "Windows Server 2012" o "Windows 8.0", las sustituciones. Si ejecuta una búsqueda de texto completo de "Win8", solo devolverá los resultados que contengan "Windows Server 2012" o "Windows 8.0". No devolverá resultados que contengan "Win8". Esto se debe a que el patrón "Win8" ha sido "reemplazado" por los patrones "Windows Server 2012" y "Windows 8.0".

Éste es el aspecto que tendrá la sección del conjunto de reemplazo en el caso del ejemplo anterior:

<replacement>  
        <pat>Win8</pat>  
        <sub>Windows Server 2012</sub>  
        <sub>Windows 8.0</sub>  
</replacement>

Si tiene dos conjuntos de reemplazo con patrones similares para los que se buscan coincidencias, prevalecerá el más largo de los dos. Por ejemplo, si ejecuta una consulta FORMS OF THESAURUS para "Comunidad en línea de Internet Explorer" y tiene los siguientes conjuntos de reemplazo, el conjunto de reemplazo "Internet Explorer" tiene prioridad sobre el conjunto de reemplazo "Internet". Por tanto, la consulta se procesará como "Comunidad en línea de IE" o "Comunidad en línea de IE 9".

<replacement>  
         <pat>Internet</pat>  
         <sub>intranet</sub>  
</replacement>

y

<replacement>  
         <pat>Internet Explorer</pat>  
         <sub>IE</sub>  
         <sub>IE 9</sub>  
</replacement>

Estructura XML de la configuración de signos diacríticos

La configuración de signos diacríticos de un diccionario de sinónimos se especifica en un único elemento <diacritics_sensitive>. Este elemento contiene un valor entero que controla la distinción de acentos, de la forma siguiente:

Configuración de signos diacríticos Valor XML
No distinguir acentos 0 <diacritics_sensitive>0</diacritics_sensitive>
Distinguir acentos 1 <diacritics_sensitive>1</diacritics_sensitive>

Nota:

Esta configuración solo se puede aplicar una vez en el archivo, y se aplica a todos los patrones de búsqueda del mismo. Esta configuración no se puede especificar para patrones individuales.

Editar un archivo de sinónimos

Puede configurar el diccionario de sinónimos de un idioma determinado editando su archivo de diccionario de sinónimos (un archivo XML). Durante la instalación, se instalan los archivos de sinónimos vacíos que contienen solo el contenedor <xml> y un elemento de ejemplo <thesaurus> comentado. Para que las consultas de búsqueda de texto completo que busquen sinónimos funcionen correctamente, debe crear un elemento real <thesaurus> que defina un conjunto de sinónimos. Puede definir dos formatos de sinónimos: conjuntos de expansión y conjuntos de reemplazo.

Editar un archivo de sinónimos

  1. Abra el archivo de sinónimos en el Bloc de notas o en otro editor de texto.

  2. Si va a modificar el archivo de sinónimos por primera vez, quite las siguientes líneas de comentarios del principio y el final del archivo, respectivamente:

    <!--Commented out  
-->

  3. Agregue, modifique o elimine un conjunto de reemplazo o un conjunto de expansión.

  4. Guarde el archivo y cierre el Bloc de notas.

  5. Use sp_fulltext_load_thesaurus_file para cargar el contenido del archivo de diccionario de sinónimos en tempdb, especificando el identificador local (LCID) que corresponde al idioma del archivo de diccionario de sinónimos. Por ejemplo, para el archivo de diccionario de sinónimos en inglés, tsenu.xml, el LCID correspondiente es 1033.

    USE AdventureWorks;  
EXEC sys.sp_fulltext_load_thesaurus_file 1033;  
GO

Recomendaciones para editar los archivos de sinónimos

Se recomienda que las entradas del archivo de diccionario de sinónimos no contengan ningún carácter especial. Esto se debe a que los separadores de palabras demuestran comportamientos sutiles con respecto a los caracteres especiales. Si una entrada del diccionario de sinónimos contiene algún carácter especial, los separadores de palabras que se usan en combinación con esa entrada pueden tener implicaciones sutiles de comportamiento en una consulta de texto completo.

Se recomienda que las entradas <sub> no contengan palabras irrelevantes porque estas se omiten en el índice de texto completo. Las consultas se expanden para incluir las entradas <sub> de un archivo de diccionario de sinónimos y, si una entrada <sub> contiene palabras irrelevantes, el tamaño de la consulta aumenta innecesariamente.

Restricciones para editar los archivos de sinónimos

Las restricciones siguientes se aplican al modificar un archivo de diccionario de sinónimos:

  • Solo los administradores del sistema pueden actualizar, modificar o eliminar archivos de diccionarios de sinónimos.

  • Al modificar archivos de diccionarios de sinónimos con herramientas de edición de texto, los archivos deben guardarse en formato Unicode y deben especificarse marcas de orden de bytes.

  • Las entradas del diccionario de sinónimos no pueden estar vacías ni tener separación de palabras en una cadena vacía.

  • Las frases del archivo de diccionario de sinónimos no deben tener más de 512 caracteres.

  • Un diccionario de sinónimos no debe contener ninguna entrada duplicada entre las entradas <sub> de los conjuntos de expansión y los elementos <pat> de los conjuntos de reemplazo.

Consulte también

CONTAINS (Transact-SQL)
CONTAINSTABLE (Transact-SQL)
FREETEXT (Transact-SQL)
FREETEXTTABLE (Transact-SQL)
sp_fulltext_load_thesaurus_file (Transact-SQL)
sys.dm_fts_parser (Transact-SQL)