pg_mystem - расширение PostgreSQL для поддержки Yandex Mystem

pg_mystem - расширение PostgreSQL для Yandex mystem (стеммер или лемматизатор или морфологический нормализатор - точный термин, как я понимаю, в русском языке не определен). Основная функция данного расширения заключается в объединении лучшего, на мой взгляд, стеммера русского языка mystem и мощнейшей СУБД PostgreSQL.

Установка Yandex Mystem

Необходимо загрузить исполнимый файл mystem, соответствующий вашей архитектуре, и скопировать его в share директорию PostgreSQL.
Пример:

$ wget http://download.cdn.yandex.net/mystem/mystem-3.0-linux3.1-64bit.tar.gz
$ tar xfz mystem-3.0-linux3.1-64bit.tar.gz
$ sudo cp ./mystem `pg_config --sharedir`

Установка pg_mystem

$ git clone https://github.com/maxoodf/pg_mystem.git
$ cd ./pg_mystem
$ git submodule init
$ git submodule update
$ make
$ sudo make install

Настройка pg_mystem

Настройки pg_mystem могут быть изменены. Для этого необходимо отредактировать соответствующие переменные, определенные в Makefile -

1. DOC_LEN_MAX - максимальный размер документа (в байтах). Если вы работаете с короткими документами (строками), установите значение DOC_LEN_MAX, например, в 1000. Для работы с большими документами (строками), установите DOC_LEN_MAX в необходимое значение.
2. MYSTEM_PROCS - количество запущенных mystem процессов. Рекомендованное значение - один mystem процесс на 9 KB/sec обрабатываемого текста. Например, если требуется обеспечить производительность лемматизации в 50KB текста в секунду, используйте 6 процессов mystem (приведенные значения являются крайне относительными и зависят от производительности вашей системы).

После изменения настроек необходимо переустановить pg_mystem, как описано ранее.

Регистрация расширения pg_mystem

1. Измените ваш конфигурационный файл postgresql.conf.

• необходимо добавить следующую строку - shared_preload_libraries = 'pg_mystem'
• возможно, вам потребуется увелисить количество max_worker_processes до MYSTEM_PROCS + 1, как минимум. Например, строка конфигурационного файла - max_worker_processes = 24

2. Перезапустите PostgreSQL

$ sudo service postgresql restart

3. Выполните следующий запрос для регистрации расширения в PostgreSQL -

$ sudo -u postgres psql

\connect YOUR_DB
CREATE EXTENSION pg_mystem;
\q

Теперь вы можете использовать mystem из PostgreSQL.

SELECT mystem_convert('Ехал грека через реку, сунул грека руку в реку');
                mystem_convert                 
-----------------------------------------------
 ехать грек через река, сунуть грек рука в река +

(1 row)

pg_mystem - PostgreSQL extension for Yandex Mystem

pg_mystem is an implementation of the PostgreSQL extension for Yandex mystem (morphology analyzer/stemmer for Russian language). What is the extension function? You can use the power of the mystem inside of a PostgreSQL database.

Yandex mystem Installation

Download binary mystem file and install it to the PostgreSQL share directory.
Example:

$ wget http://download.cdn.yandex.net/mystem/mystem-3.0-linux3.1-64bit.tar.gz
$ tar xfz mystem-3.0-linux3.1-64bit.tar.gz
$ sudo cp ./mystem `pg_config --sharedir`

pg_mystem Installation

$ git clone https://github.com/maxoodf/pg_mystem.git
$ cd ./pg_mystem
$ git submodule init
$ git submodule update
$ make
$ sudo make install

pg_mystem Configuration

You may wish to change pg_mystem default settings. All you need is to change Makefile defined parameters -

1. DOC_LEN_MAX - maximum document (string) length. If you work with a short lines, redefine DOC_LEN_MAX to 1000 chars or so. If you work with a large documents, redefine DOC_LEN_MAX to 100000 characters etc.
2. MYSTEM_PROCS - how many mystem processes to run. I use the following value in my projects - one mystem process throughput is about 9 KB/sec (depends on hardware). So if I need to process, say 50 KB of text in a second I use 6 mystem processes.

You will need to reinstall pg_mystem in case any of these parameters is changed.

pg_mystem Extension registration

1. Edit your postgresql.conf.
   Add the following line - shared_preload_libraries = 'pg_mystem'
   Also you may need to change max_worker_processes to MYSTEM_PROCS + 1 at least.
   Example - max_worker_processes = 24
2. Restart PostgreSQL

$ sudo service postgresql restart

3. Execute the following query inside your database. Example -

$ sudo -u postgres psql

\connect YOUR_DB
CREATE EXTENSION pg_mystem;
\q

That's all. Now you can use mystem from PostgreSQL queries.

SELECT mystem_convert('Ехал грека через реку, сунул грека руку в реку');
                mystem_convert                 
-----------------------------------------------
 ехать грек через река, сунуть грек рука в река +

(1 row)