Skip to main content
テキスト索引 (転置索引 とも呼ばれます) を使用すると、テキストデータに対して高速な全文検索が可能になります。 テキスト索引には、各トークンを含む行番号への対応付けが保存されます。 トークンは、トークン化と呼ばれる処理によって生成されます。 たとえば、ClickHouse のデフォルトのトークナイザーは、英語の文 “The cat likes mice.” を [“The”, “cat”, “likes”, “mice”] というトークン列に変換します。 例として、1 つのカラムと 3 行を持つテーブルを考えます
対応するトークンは次のとおりです。
通常は大文字と小文字を区別せずに検索したいため、トークンを小文字に変換します:
また、ほぼすべての行に現れる “I”、“the”、“and” などのストップワードも削除します:
テキスト索引には、概念的には次の情報が含まれます:
検索トークンを指定すると、この索引構造により一致するすべての行をすばやく見つけられます。

テキスト索引の作成

テキスト索引は、ClickHouse バージョン 26.2 以降で一般提供 (GA) されています。 これらのバージョンでは、テキスト索引を使用するために特別な設定を行う必要はありません。 本番環境で使用する場合は、ClickHouse バージョン >= 26.2 の利用を強く推奨します。
テキスト索引は、compatibility 設定に関係なく、ClickHouse バージョン >= 26.2 であれば使用できます。
テキスト索引を作成するには、次の構文を使用します。
Query
テキスト索引は、次の型のカラムに定義できます。 Nullable(T) 型および LowCardinality() 型のカラムにも対応しており、Array(Nullable(String or FixedString)) も含まれます。 また、既存のテーブルにテキスト索引を追加するには:
Query
既存のテーブルに索引を追加する場合は、既存のテーブルパーツに対して索引をマテリアライズすることを推奨します (そうしないと、索引のないパーツの検索では低速な総当たりスキャンにフォールバックします) 。
Query
テキスト索引を削除するには、次を実行します
Query
トークナイザー引数 (必須) tokenizer 引数では、トークナイザーを指定します。
  • splitByNonAlpha は、ASCII の英数字以外の文字で String を分割します (関数 splitByNonAlpha を参照) 。
  • splitByString(S) は、ユーザー定義の区切り String S で String を分割します (関数 splitByString を参照) 。 区切り文字は省略可能なパラメータで指定できます。たとえば、tokenizer = splitByString([', ', '; ', '\n', '\\']) のように指定します。 各 String は複数文字で構成することもできます (例では ', ') 。 明示的に指定しない場合 (たとえば tokenizer = splitByString) 、デフォルトの区切り文字リストは単一の空白文字 [' '] です。
  • asciiCJK は、Unicode の単語境界規則を使用して String をトークンに分割します (Unicode Text Segmentation (UAX #29) に類似) 。 ASCII の英数字とアンダースコアは、コネクタ (文字に対する ASCII :、同種の文字に対する . および ') を含むトークンを構成します。非 ASCII の Unicode 文字は、CJK 文字を含め、1 文字のトークンになります。
  • ngrams(N) は、String を同じ長さの N-gram に分割します (関数 ngrams を参照) 。 ngram の長さは、1 から 8 までの省略可能な整数パラメータで指定できます。たとえば、tokenizer = ngrams(3) のように指定します。 明示的に指定しない場合 (たとえば tokenizer = ngrams) 、デフォルトの ngram サイズは 3 です。
  • sparseGrams(min_length, max_length, min_cutoff_length) は、min_length 文字以上 max_length 文字以下 (両端を含む) の可変長 n-gram に String を分割します (関数 sparseGrams を参照) 。 明示的に指定しない限り、min_lengthmax_length のデフォルト値は 3 と 100 です。 パラメータ min_cutoff_length を指定した場合、長さが min_cutoff_length 以上の n-gram のみが返されます。 ngrams(N) と比べると、sparseGrams トークナイザーは可変長の N-gram を生成するため、元のテキストをより柔軟に表現できます。 たとえば、tokenizer = sparseGrams(3, 5, 4) では、内部的には入力文字列から 3-gram、4-gram、5-gram を生成しますが、返されるのは 4-gram と 5-gram のみです。
  • array はトークン化を行いません。つまり、各行の値がトークンになります (関数 array を参照) 。
使用可能なすべてのトークナイザーは system.tokenizers に一覧表示されています。
splitByString トークナイザーは、分割区切り文字を左から右の順に適用します。 そのため、曖昧さが生じることがあります。 たとえば、区切り String ['%21', '%'] を指定すると、%21abc['abc'] としてトークン化されます。一方、区切り String の順序を ['%', '%21'] に入れ替えると、出力は ['21abc'] になります。 多くの場合、より長い区切り文字が優先的に一致するようにするのが望ましいでしょう。 通常は、区切り String を長さの降順で渡すことでこれを実現できます。 区切り String がたまたま prefix code を構成している場合は、任意の順序で渡せます。
トークナイザーが入力文字列をどのように分割するかを確認するには、tokens 関数および tokensForLikePattern 関数を使用できます。 例:
Query
Response
非ASCII入力の扱い テキスト索引は、任意の言語および文字セットのテキストデータに対して作成できます。 非ASCIIテキストでは、CJK文字を含む Unicode の単語境界を正しく扱えるため、asciiCJK トークナイザーの使用を推奨します。 プリプロセッサ引数 (任意) 。プリプロセッサとは、トークン化の前に入力文字列へ適用される式を指します。 プリプロセッサ引数の一般的な用途としては、次のようなものがあります
  1. 大文字/小文字の変換、または大文字小文字を区別しないマッチングを可能にするケースフォールディング。例: lower, lowerUTF8, caseFoldUTF8
  2. UTF-8 の正規化。例: normalizeUTF8NFC, normalizeUTF8NFD, normalizeUTF8NFKC, normalizeUTF8NFKD, normalizeUTF8NFKCCasefold, toValidUTF8
  3. アクセント記号など、不要な文字や部分文字列の削除または変換。例: extractTextFromHTML, substring, idnaEncode, translate, removeDiacriticsUTF8
プリプロセッサ式は、String または FixedString 型の入力値を、同じ型の値に変換する必要があります。 テキスト索引が Nullable(T) または LowCardinality(T) 型のカラムに対して構築されている場合、プリプロセッサ式は nullable または low-cardinality の値を受け入れられる必要があります (つまり、例外をスローしてはいけません) 。 例:
  • INDEX idx col TYPE text(tokenizer = 'splitByNonAlpha', preprocessor = lower(col))
  • INDEX idx col TYPE text(tokenizer = 'splitByNonAlpha', preprocessor = substringIndex(col, '\n', 1))
  • INDEX idx col TYPE text(tokenizer = 'splitByNonAlpha', preprocessor = lower(extractTextFromHTML(col)))
  • INDEX idx col TYPE text(tokenizer = 'splitByNonAlpha', preprocessor = removeDiacriticsUTF8(caseFoldUTF8(col)))
また、プリプロセッサ式は、テキスト索引が定義されているカラムまたは式のみを参照しなければなりません。 例:
  • INDEX idx lower(col) TYPE text(tokenizer = 'splitByNonAlpha', preprocessor = upper(lower(col)))
  • INDEX idx lower(col) TYPE text(tokenizer = 'splitByNonAlpha', preprocessor = concat(lower(col), lower(col)))
  • 許可されません: INDEX idx lower(col) TYPE text(tokenizer = 'splitByNonAlpha', preprocessor = concat(col, col))
非決定論的関数は使用できません。
プリプロセッサは原則として、索引対象のカラムまたは式をプリプロセッサ式でラップすることと同等です。 例えば、INDEX idx col TYPE text(tokenizer = 'splitByNonAlpha', preprocessor = lower(col)) における lower プリプロセッサは、INDEX idx lower(col) TYPE text(tokenizer = 'splitByNonAlpha') によって再現できます。 後者の形式には、再現されたプリプロセッサが WHERE 句のフィルタ条件に一致する場合にのみ適用されるという欠点があります。 例えば、WHERE hasAllTokens(lower(col), [...]) は一致しますが、WHERE hasAllTokens(col, [...]) は一致しません。 そのため、最適なユーザー体験のために、プリプロセッサ式の使用を推奨します。
関数 hasTokenhasAllTokenshasAnyTokens、および hasPhrase では、検索語をトークン化する前に、まずプリプロセッサで変換を行います。 プリプロセッサはテキスト索引のパスでのみ適用されるため、これらの関数の結果は、テキスト索引を使用するクエリと使用しないクエリ (例: SETTINGS use_skip_indexes = 0) とで異なる場合があることに注意してください。 例えば、
Query
は次と同等です:
Query
この場合、プリプロセッサ式は配列内の各要素をそれぞれ変換します。 例:
Query
Map 型のカラムに対するテキスト索引でプリプロセッサを定義するには、その索引を マップのキーと値のどちらを対象に構築するかを決める必要があります。 例:
Query
ポストプロセッサ引数 (任意)。ポストプロセッサとは、トークン化の後に各出力トークンへ適用される式のことです。 入力文字列全体をトークナイザーがトークンへ分割する前に変換するプリプロセッサとは異なり、ポストプロセッサはトークンそのものに対して 1 つずつ処理を行います。 本質的にトークン単位の変換を行うのに適した場所です。 ポストプロセッサ引数の典型的なユースケースは次のとおりです:
  1. ストップワード (極めて高頻度なトークン) のフィルタリング。“the”、“a”、“is” のような非常によく出現するトークンは、検索との関連性が低いうえ、索引を肥大化させます。 ポストプロセッサを使えば、それらを空トークンに変換して除外できます。空トークンは無視され、つまり索引には追加されません。 例: if(str IN ('the', 'a', 'an', 'of', 'in', 'is', 'it'), '', str)
  2. タイムスタンプの除去。ログ行は、2024-01-15T10:23:45 のような構造化されたタイムスタンプで始まっていることや、それを含んでいることがよくあります。 タイムスタンプのトークンを索引化すると、検索上の関連性を持たない文字列によって索引が肥大化します。 タイムスタンプを無視するための相補的な方法は 2 つあります:
    • ポストプロセッサ方式: splitByString トークナイザー (空白で分割) を使用してタイムスタンプ全体を 1 つのトークンにし、その後 parseDateTimeOrNull を使って検出して除外します。 例: if(isNull(parseDateTimeOrNull(str, '%Y-%m-%dT%H:%i:%S')), str, '') タイムゾーンオフセットや小数秒を含むタイムスタンプには、明示的なフォーマット文字列を使わずに parseDateTimeBestEffortOrNull(str) を使用します。
    • プリプロセッサ方式: トークン化の に、正規表現でログ行全体からタイムスタンプを取り除きます。 例: replaceRegexpAll(str, '^[0-9]{4}-[0-9]{2}-[0-9]{2}T[0-9]{2}:[0-9]{2}:[0-9]{2} ', '') この方法はどのトークナイザーでも機能し、タイムスタンプ文字列がまったくトークン化されないため、より効率的です。 両方の方法を組み合わせることもできます。プリプロセッサでタイムスタンプを除去しつつ、ポストプロセッサで残りのトークンを正規化またはフィルタリングします (たとえば、小文字化 + ERRORINFO のような重大度を表す語の除去)。
  3. ステミング。各トークンをその語幹に対応付けることで、同じ語根を共有する語形の違いにも一致するようになり、検索の再現率が向上します。 たとえば、英語のステミングでは “running”、“runs”、“run” はすべて “run” に語幹化されるため、これらの異形のいずれかに対するクエリですべてに一致します。 ClickHouse には、複数の言語向けの組み込み stem 関数があります。 例: stem(str, 'en')
  4. 大文字小文字の正規化。たとえば lowerlowerUTF8 を使って、トークンを小文字化または大文字化し、大文字小文字を区別しないマッチングを可能にします。 小文字化および大文字化には、ポストプロセッサではなくプリプロセッサを推奨します。
ポストプロセッサ式は、String 型のトークンを同じ型のトークンに変換します。 また、ポストプロセッサ式は、テキスト索引が定義されているカラムまたは式のみを参照する必要があります。 カラムの型が Array(String) の場合でも、ポストプロセッサは個々のトークンをプレーンな String 値として処理します。 非決定論的関数の使用は許可されていません。 ポストプロセッサは、index のビルド時に生成される各トークンに適用されます (array トークナイザーでは、各配列要素が 1 つのトークンです) 。クエリ時の動作は、関数によって異なります。
  • hasTokenhasAllTokenshasAnyTokenshasPhrase の場合 (サポートされている任意のトークナイザーを使用) : ポストプロセッサは、haystack 側のトークンと検索 needle の両方に適用されるため、完全に正規化されたマッチング (たとえば、大文字と小文字を区別しない検索) が可能になります。hasPhrase では、ポストプロセッサ適用後のトークンは詰めて配置されるため、ポストプロセッサによって削除されたトークンがあっても位置上のギャップは生じず、その箇所をまたいでフレーズが一致します。たとえば、the を削除するストップワード用ポストプロセッサを使用すると、hasPhrase(col, 'see cat')see the cat という文書に一致します。
  • それ以外のすべての関数 (=, IN, has, hasAny, hasAll, mapContains*) : index ヒントのルックアップでは検索 needle にのみポストプロセッサが適用され、行レベルの述語では引き続き元のカラム値と比較されます。
例:
  • ポストプロセッサ式を使用してストップワードを削除します:
  • ポストプロセッサ式を使用してタイムスタンプを削除します:
  • プリプロセッサ式でタイムスタンプを削除します:
  • プリプロセッサとポストプロセッサを組み合わせた式でタイムスタンプを削除します:
  • 後処理式でトークンをステミングします:
関数のサポート テキスト索引を参照する述語では、索引構築時に格納されたものと同じトークンを索引のルックアップで使えるように、グラニュールレベルのチェックの前にプリプロセッサとポストプロセッサが検索値に適用されます。 ほとんどの関数 (=, IN, startsWith, endsWith, LIKE, mapContains*) では、テキスト索引は無関係なデータブロックをスキップするためにのみ使用されます。ClickHouse はその後も、元のカラムデータに対して元の述語で、残った各行を検証します。 トークン検索関数 (hasToken, hasAllTokens, hasAnyTokens) では、テキスト索引が主な評価経路になります。ClickHouse は、索引構築時に適用されたものと同じプリプロセッサ、トークナイザー、ポストプロセッサを通して needle を正規化し、この正規化形を索引付き・索引なしの両方のテーブルパーツに対して使用します。ポストプロセッサがある場合は、haystack のトークンもクエリ時に正規化されるため (array に限らず、どのトークナイザーでも同様) 、比較の両側が一貫して変換され、結果は索引を直接読み取るかどうか (設定 query_plan_direct_read_from_text_index) 、または特定のパーツにマテリアライズされた索引があるかどうかに依存しません。たとえば、lower ポストプロセッサを使うと、hasAllTokens(col, ['FOO']) で大文字と小文字を区別しないマッチングを有効にできます。 support_phrase_search がない場合、hasPhrase は索引をヒントとしてのみ使用し、残った各行を元の述語で検証します。さらに、ポストプロセッサはフレーズと haystack のトークンの両方を同じ方法で正規化するため、結果は読み取り経路に依存せず、ポストプロセッサが削除するトークンによってフレーズの隣接関係が崩れることもありません。support_phrase_search = 1 の場合、hasPhrase は正確な直接読み取りを使用します (存在する場合は、ポストプロセッサも引き続き適用されます) 。 ポストプロセッサによって空文字列にマップされる検索トークンは無視され、つまり検索フレーズに存在しないものとして扱われます。 ¹ LIKEmatch は、記載されたトークナイザーではヒントとして direct read を使用し、それ以外では 総当たりスキャン にフォールバックします。 LIKE はさらに、プリプロセッサやポストプロセッサを使わない splitByNonAlpha および array トークナイザーに対して、direct read (ヒントなし) もサポートします (use_text_index_like_evaluation_by_dictionary_scan で有効化) 。 ² ILIKE は、direct read (ヒントなし) でのみサポートされます (use_text_index_like_evaluation_by_dictionary_scan = 1splitByNonAlpha または array トークナイザー) 。 索引をヒントとして使うフォールバックはありません。設定が無効になっている場合、またはトークナイザーがサポート対象外の場合、ILIKE では索引は使用されません。 プリプロセッサがある場合は lower または upper である必要があり、ポストプロセッサはサポートされません。 Experimental: フレーズ検索引数のサポート (任意) 実験的なパラメータ support_phrase_search (デフォルト: 0) は、索引にトークン位置を保存するかどうかを制御します。 1 に設定すると、索引は位置データ (.pos ファイル内) も追加で保存し、これにより hasPhrase 関数で direct read を介した完全なフレーズ一致が可能になります。 位置情報を保存すると、索引のディスク上のサイズと書き込みコストが増加するため、これはオプトインです。 ディスク上フォーマットはまだ stable ではないため、このパラメータは Experimental であり、将来の release で変更される可能性があります。 そのため、support_phrase_search = 1 を指定して索引を作成するには、MergeTree setting allow_experimental_text_index_phrase_search を有効にする必要があります。 ポスティングリストのみの保存を維持するには support_phrase_search = 0 (デフォルト) を設定してください。この引数を指定せずに作成されたテキスト索引には位置情報は含まれません。
この引数は Experimental であり、テスト用途でのみ使用してください。 位置情報の保存を有効にするには、MergeTree setting allow_experimental_text_index_phrase_search を設定してください。
索引の粒度。 テキスト索引は、ClickHouse では スキップ索引 の一種として実装されています。 ただし、他のスキップ索引とは異なり、テキスト索引では無限粒度 (1 億) が使用されます。 これは、テキスト索引のテーブル定義を見ると確認できます。 例:
Query
Response
非常に大きな索引粒度により、テキスト索引はパート全体に対して作成されます。 明示的に指定した索引粒度は無視されます。

テキスト索引の使用

SELECT クエリでテキスト索引を使用するのは簡単で、一般的な文字列検索関数は自動的に索引を利用します。 カラムまたはテーブルパートに索引がない場合、文字列検索関数は低速な総当たりスキャンにフォールバックします。
テキスト索引の検索には、関数 hasAnyTokens および hasAllTokens の使用を推奨します。詳しくは以下を参照してください。 これらの関数は、利用可能なすべてのトークナイザーと、あらゆるプリプロセッサ式およびポストプロセッサ式に対応しています。 一方、その他のサポート対象の関数は歴史的にテキスト索引より前から存在していたため、多くの場合で従来の動作を維持する必要がありました (例: プリプロセッサまたはポストプロセッサをサポートしない) 。

サポートされている関数

テキスト関数を WHERE 句または PREWHERE 句で使用している場合は、テキスト索引を利用できます。
= (equals) は、指定された検索語全体と一致します。 例:

IN

IN (in) は equals と似ていますが、すべての検索語句に一致します。 例:
テキスト索引では、NOT IN (notIn) はサポートされていません。

LIKEmatch

現在、これらの関数でフィルタリングにテキスト索引が使用されるのは、索引のトークナイザーが splitByNonAlphangrams、または sparseGrams のいずれかである場合に限られます。
NOT LIKE (notLike) はテキスト索引ではサポートされていません。
テキスト索引で LIKE (like) および match 関数を使用するには、ClickHouse が検索語から完全なトークンを抽出できる必要があります。 ngrams トークナイザーを使用する索引では、ワイルドカードに挟まれた検索文字列の長さが N-gram の長さ以上であれば、これに該当します。 splitByNonAlpha トークナイザーを使用するテキスト索引の例:
support はこの例では、supportsupportssupporting などに一致する可能性があります。 この種のクエリは部分文字列クエリであり、テキスト索引で高速化することはできません。 LIKE クエリでテキスト索引を活用するには、LIKE パターンを次のように書き換える必要があります。
support の左右に空白があることで、その語を token として抽出できます。 幸い、ClickHouse が転置索引を活用して LIKE クエリを大幅に高速化できる特別なケースがあります。 詳しくは、LIKE/ILIKE パフォーマンスチューニングのセクションを参照してください。

multiSearchAnymultiMatchAny

multiSearchAny とその UTF-8 版である multiSearchAnyUTF8 は、複数のリテラルな部分文字列のうちいずれかが検索対象文字列に現れるかどうかを判定し、multiMatchAny は複数の正規表現のうちいずれかに一致するかどうかを判定します。 これらの関数は、LIKE および match と同じ条件でテキスト索引を使用します (上記参照) 。つまり、ClickHouse が各 needle から完全なトークンを抽出でき、かつ needles のリストが定数である必要があります。 いずれかの needle が含まれている可能性があるグラニュールは読み取られます。 multiMatchAny では、1 つの pattern をトークン要件に還元できない場合 (たとえば任意の document に一致する .* など) 、テキスト索引は使用できず、クエリは完全走査にフォールバックします。 LIKEmatch と同様に、部分文字列検索と正規表現検索は ngrams および sparseGrams トークナイザーで最も効果的に機能します。 これらのトークナイザーは、互いに重なり合う文字 N-gram を索引化します。そのため needle は N-gram に分解され、単語の途中で始まるか終わるかにかかわらず、needle が部分文字列として現れる箇所であれば索引内に存在します。 したがって、needle は N-gram サイズ以上の長さがあれば、そのまま使用できます。 ngrams トークナイザーを使ったテキスト索引の例:
これに対して、splitByNonAlpha トークナイザーは完全なトークン (単語全体) だけを索引付けします。 needle は単語の途中で始まったり終わったりすることがあるため、ClickHouse は各 needle の先頭と末尾のトークンを除外します。そのため、索引がグラニュールを絞り込めるのは、完全なトークンを使う場合に限られます。 splitByNonAlpha で substring 検索や正規表現検索に索引を利用させるには、各 needle を区切り文字 (スペースなど) で囲み、1 つ以上の完全なトークンになるようにします。 splitByNonAlpha トークナイザーを使用したテキスト索引の例:

startsWith and endsWith

LIKE と同様に、関数 startsWithendsWith も、検索語から完全なトークンを抽出できる場合にのみ、テキスト索引を利用できます。 ngrams トークナイザーを使用する索引では、ワイルドカードに挟まれた検索文字列の長さが N-gram 長以上の場合に該当します。 テキスト索引で ポストプロセッサ を使用している場合でも、正規化後に抽出されたヒント トークン が空でなければ、これらの関数は Hint モードでその索引を利用できます。正規化によってすべてのヒント トークン が削除される場合、その predicate では索引は使用されません。 splitByNonAlpha トークナイザーを使用するテキスト索引の例:
この例では、トークンとして扱われるのは clickhouse のみです。 supportsupportsupportssupporting などに一致する可能性があるため、トークンではありません。 clickhouse supports で始まるすべての行を検索するには、検索パターンの末尾にスペースを入れてください:
同様に、endsWith も先頭にスペースを付けて使用する必要があります。

hasToken

hasToken は、非 splitByNonAlpha トークナイザーやプリプロセッサ/ポストプロセッサ式を使用したテキスト索引でのルックアップに用いる場合、いくつか注意点があります。 代わりに、hasAnyTokenshasAllTokens を使用することを推奨します。大文字小文字を区別しないバリアントである hasTokenCaseInsensitivehasTokenCaseInsensitiveOrNull はテキスト索引を考慮しません。テキスト索引付きのカラムであっても、常に全行スキャンとして実行されます。大文字小文字を区別しない照合を行うには、lower(...) のプリプロセッサまたはポストプロセッサを使用し、それを hasToken / hasAllTokens / hasAnyTokens と組み合わせてください。
関数 hasToken は、指定した単一のトークンに対して照合を行います。 前述の関数とは異なり、これらの関数は検索語をトークン化しません (入力が単一のトークンであることを前提としています) 。 例:

hasAnyTokenshasAllTokens

関数 hasAnyTokenshasAllTokens は、指定したトークンのいずれか、またはすべてに一致します。 これら 2 つの関数では、検索トークンとして、索引カラムで使用されているものと同じトークナイザーでトークン化される文字列、または検索前にトークン化されない、処理済みトークンの配列を指定できます。 詳しくは、各関数のドキュメントを参照してください。 例:

hasPhrase

関数 hasPhrase はフレーズとの一致を判定します。すべてのトークンが連続して、かつ検索文字列と同じ順序で出現する必要があります。 すべてのトークンがどこかに含まれていればよい hasAllTokens とは異なり、hasPhrase ではそれらが連続した並びとして出現する必要があります。 検索フレーズは、索引対象のカラムに設定されているものと同じトークナイザーでトークン化されます。 テキスト索引で ポストプロセッサ を使用している場合、検索フレーズも索引のルックアップ前に正規化されます。 この関数を使用するには、splitByNonAlphasplitByStringngramsasciiCJK のいずれかのトークナイザーが必要です。 例:

has

Array関数 has は、String の配列内の単一のトークン にマッチします。 例:

hasAny and hasAll

Array 関数の hasAnyhasAll は、索引が設定された配列カラムに、定数の検索文字列の集合のいずれかまたはすべてが含まれているかどうかを判定します。 例:

mapContains

関数 mapContains (mapContainsKey のエイリアス) は、マップのキーに対して、検索文字列から抽出されたトークンとの照合を行います。 この動作は、String カラムに対する equals 関数と似ています。 テキスト索引が使用されるのは、mapKeys(map) 式に対して作成されている場合のみです。 例:

mapContainsValue

関数 mapContainsValue は、map の値について、検索対象の文字列から抽出されたトークンとの一致を判定します。 この動作は、String カラムに対する equals 関数に似ています。 テキスト索引が使用されるのは、mapValues(map) 式に対して作成されている場合のみです。 例:

mapContainsKeyLike and mapContainsValueLike

関数 mapContainsKeyLikemapContainsValueLike は、Map のすべてのキーまたは値に対して、それぞれパターン照合を行います。 例:

operator[]

アクセスoperator[]は、テキスト索引と組み合わせて使用することで、キーと値を絞り込めます。テキスト索引が使用されるのは、mapKeys(map) または mapValues(map) 式、あるいはその両方に対して作成されている場合のみです。 例:
テキスト索引で Array(T) 型および Map(K, V) 型のカラムを使用する方法については、以下の例を参照してください。

Array(String) カラムの索引作成

著者がキーワードでブログ記事を分類するブログプラットフォームを想像してみてください。 ユーザーがトピックを検索したりクリックしたりして、関連するコンテンツを見つけられるようにしたいとします。 次のテーブル定義を考えてみましょう。
テキスト索引がない場合、特定のキーワード (例: clickhouse) を含む投稿を見つけるには、すべてのエントリをスキャンする必要があります。
プラットフォームの拡大に伴い、クエリは各行の keywords 配列をすべて調べる必要があるため、これは次第に遅くなります。 このパフォーマンス上の問題を解決するため、カラム keywords にテキスト索引を定義します。

Mapカラムの索引付け

オブザーバビリティの多くのユースケースでは、ログメッセージを「要素」に分割し、それぞれを適切なデータ型で保存します。たとえば、timestamp には日時、ログレベルには enum などを使用します。 メトリクスのフィールドは、キー・バリューのペアとして保存するのが最適です。 運用チームは、デバッグ、セキュリティインシデント、監視のために、ログを効率的に検索できる必要があります。 次のログテーブルを考えてみましょう:
テキスト索引がない場合、Map データを検索するには、テーブル全体をスキャンする必要があります。
ログの量が増えると、これらのクエリは遅くなります。 解決策は、Map のキーと値に対してテキスト索引を作成することです。 フィールド名や属性タイプでログを検索する必要がある場合は、mapKeys を使ってテキスト索引を作成します。
属性の実際の内容内を検索する必要がある場合は、mapValues を使用してテキスト索引を作成します。
クエリの例:

JSONカラムの索引付け

テキスト索引は、JSONカラムに対して次の 3 つの方法で使用できます。
  1. 特定のサブカラムに対する索引 — 通常のカラムと同じように、既知の JSON パスにテキスト索引を作成します。これにより、そのパスにあるが索引化されます。
  2. JSONAllPaths を使用したパスベースの索引 — 各グラニュールに存在するすべてのパスを索引化し、クエリ対象のパスを含み得ないグラニュールをスキップします。Mapカラムの場合と同様です。
  3. JSONAllValues を使用した値ベースの索引 — すべての JSON パスにまたがるすべての値を索引化し、単一の索引で任意の JSON サブカラムに対する全文検索を高速化します。

特定のサブカラムに対する索引

通常のカラムと同じ構文で、任意の JSON サブカラムにスキップ索引を作成できます。 索引式で JSON サブカラムを参照する方法は 2 つあります。
  • JSON 型ヒントで宣言された 型付きパス — 名前で直接アクセスします: json.a
  • 明示的にキャストする 動的パス:: キャスト構文を使用します: json.b::String
索引定義の例:
Query
クエリ例:
Query
Response
クエリの例:
Query
Response

JSONAllPaths を使用したパスベースの索引

Map カラムと同様に、JSON カラムでも JSONAllPaths を使ってテキスト索引を作成できます。 この索引は各グラニュールに存在する JSON パスの集合を格納し、クエリされたパスが存在しないグラニュールをスキップするために利用されます。 索引定義の例:
Query
EXPLAIN indexes = 1 を使用すると、スキップ索引が使われていることを確認できます。 あるパスが一方のパートにしか存在しない場合、索引によってもう一方のパートはスキップされます。 例:
Query
Response
そのパスがどのパーツにも存在しない場合、すべてのパーツとグラニュールはスキップされます。 例:
Query
Response
IS NOT NULL でも索引が使用され、path が存在しないグラニュールはスキップされます (その場合、値は NULL になるためです) : 例:
Query
Response

JSONAllValues を使用した値ベースの索引

テキスト索引を使用すると、関数 JSONAllValues を介して JSON カラムに対する検索を高速化できます。 JSONAllValues は、JSON カラム内のすべての値を Array(String) として返します。 文字列以外のデータ型の値 (たとえば整数や配列) は、テキスト表現に変換されます。 JSONAllValues を使って構築したテキスト索引は、各行のすべての JSON パスにまたがるこれらのテキスト表現に索引を作成します。 この索引により、個々の JSON サブカラムで絞り込むクエリを高速化できます。 クエリが特定のサブカラムでフィルタする場合 (例: data.user_name = 'alice') 、テキスト索引は、どの JSON 値にも検索トークンが含まれていない行 (およびグラニュール) をすばやくスキップできます。
異なる JSON パスに同じトークンが含まれている場合、この索引で偽陽性が発生することがあります。 たとえば、行 1 が {"a": "hello", "b": "world"} で、クエリが data.a = 'world' を検索する場合、テキスト索引では world がパス a ではなく b に属していることを区別できません。 このような場合、索引はその行をスキップせず、実際のカラムデータに対するフィルタで最終的な評価が行われます。 これは、索引が高速な事前フィルタとして機能する、他のテキスト索引のユースケースと同じ動作です。
索引の作成
索引定義の例:
サポートされるクエリパターン
索引を作成すると、JSONサブカラムに対するクエリを高速化できます。使用できるのは、String カラムで使うものと同じ関数、およびすべてのカラムで使える関数 equals です。 サブカラムへのアクセス:
明示的に CAST を使用したサブカラムへのアクセス:
IN 演算子:
通常のテキスト索引検索の例
指定されたトークンを任意の順序で含むすべての行に一致します。 この例では、While she stayed in Tokyo, the weather was great. という行がフィルタに一致します。 これに対して、フレーズ検索では、指定された順序どおりに並んだトークンに一致します。 例えば、
weather in Tokyo というトークン列を含む任意の行 (たとえば How is the weather in Tokyo?) に一致しますか? テキスト索引は、フレーズ内のすべてのトークンの posting list の積集合を求めて候補となる グラニュール を特定することで、フレーズ検索を高速化します。 その後、ClickHouse はそれらの グラニュール 内で、トークンが正確に隣接していることを検証します。 この処理は比較的コストが高く、通常のテキスト検索クエリより低速です。 フレーズ検索クエリを高速化するには、テキスト索引で位置情報の保存を有効にしてください (上記の Optional parameters を参照) 。 hasPhrase は、トークナイザー splitByNonAlphasplitByStringngramsasciiCJK とあわせて使用できます。 指定したフレーズ文字列は、索引のトークナイザーを使ってトークン化されます。 フレーズ内の区切り文字は無視されます。splitByNonAlpha をトークナイザーとして使用している場合、hasPhrase(text, 'quick+brown')hasPhrase(text, 'quick brown') と同等です。

Query
Response
2 行目 ('New weather in York') は、トークンの順序が正しくないため一致しません。 3 行目 ('weather in New Orleans') は、トークン 'York' を含まないため一致しません。

パフォーマンスチューニング

Direct read

一部の種類のテキスト検索クエリは、「direct read」と呼ばれる最適化によって大幅に高速化できます。 例:
direct read 最適化では、基になるテキストカラムにアクセスせず、テキスト索引 (つまりテキスト索引ルックアップ) のみを使ってクエリを処理します。 テキスト索引ルックアップで読み取るデータ量は比較的少ないため、ClickHouse の通常のスキップ索引 (スキップ索引のルックアップを行った後、残りのグラニュールを読み込んでフィルタリングする方式) よりも大幅に高速です。 direct read は 2 つの設定で制御されます。 サポートされる関数 direct read 最適化は、hasTokenhasAllTokenshasAnyTokens 関数をサポートします。 テキスト索引が array トークナイザーで定義されている場合、direct read は equalshashasAnyhasAllmapContainsKeymapContainsValue 関数でもサポートされます。 これらの関数は、ANDORNOT 演算子で組み合わせることもできます。 WHERE 句または PREWHERE 句には、追加の非テキスト検索関数のフィルタ (テキストカラムまたは他のカラムに対するフィルタ) を含めることもできます。この場合でも direct read 最適化は使用されますが、効果はやや低下します (適用されるのはサポート対象のテキスト検索関数のみです) 。 クエリが direct read を利用しているか確認するには、EXPLAIN PLAN actions = 1 を付けてクエリを実行します。 例として、direct read を無効にしたクエリは
戻り値
一方、同じクエリを query_plan_direct_read_from_text_index = 1 を指定して実行すると
戻り値
2 番目の EXPLAIN PLAN の出力には、仮想カラム __text_index_<index_name>_<function_name>_<id> が含まれます。 このカラムが存在する場合、direct read が使用されています。 WHERE フィルタ句にテキスト検索関数しか含まれていない場合、クエリはカラムデータをまったく読み取らずに済むため、direct read によるパフォーマンス上のメリットを最大限に得られます。 ただし、クエリ内のほかの箇所でテキストカラムにアクセスしている場合でも、direct read によってパフォーマンス改善は得られます。 ヒントとしての direct read ヒントとしての direct read は、通常の direct read と同じ原理に基づきますが、基になるテキストカラムを除外する代わりに、テキスト索引データから構築した追加のフィルタを加えます。 これは、テキスト索引だけを読み取ると偽陽性が発生する関数で使用されます。 サポートされている関数は次のとおりです: like, startsWith, endsWith, equals, has, hasPhrase, mapContainsKey, mapContainsValue この追加フィルタは、ほかのフィルタと組み合わせることで結果セットをさらに絞り込むための選択性を高め、他のカラムから読み取るデータ量の削減に役立ちます。 ヒントとしての direct read は、設定 query_plan_text_index_add_hint で制御されます (デフォルトで有効) 。 ヒントなしのクエリの例:
戻り値
一方、query_plan_text_index_add_hint = 1 を指定して同じクエリを実行した場合は
返す
2つ目の EXPLAIN PLAN の出力では、追加の論理積条件 (__text_index_...) がフィルタ条件に加えられていることがわかります。 PREWHERE の最適化により、フィルタ条件は3つの個別の論理積条件に分解され、計算コストの低い順に適用されます。 このクエリでは、適用順は __text_index_...、次に greaterOrEquals(...)、最後に like(...) です。 この順序により、WHERE 句の後でクエリ内で使用される重いカラムを読み取る前に、テキスト索引と元のフィルタでスキップされるグラニュールよりもさらに多くのデータグラニュールをスキップでき、読み取るデータ量をいっそう削減できます。

LIKE/ILIKE クエリ

LIKE/ILIKE クエリのパターンが %<スペースを含まない英数字文字>% で、テキスト索引のトークナイザーが splitByNonAlpha または array の場合、ClickHouse は転置索引を利用して LIKE/ILIKE クエリを大幅に高速化します。これを実現するために、ClickHouse は一致するパターンを見つける際、テーブル全体をスキャンする代わりに転置索引の Dictionary をスキャンします。 この最適化が有効な場合、LIKE/ILIKE クエリはテーブル全体のスキャンより大幅に高速になるはずです。ただし、パターンが Dictionary 内のトークンの大半に一致する場合は、テーブル全体のスキャンと比べて性能が悪化することがあります。幸い、それを防ぐためのフォールバックの仕組みがあります。 この最適化は、次の設定で制御されます。 フォールバックの仕組みは、次の 2 つの設定で制御されます。 この最適化でサポートされるのは、関数 likeilike のみです。

キャッシュ

テキスト索引の一部をメモリ上に保持するための、サーバー全体で共有されるさまざまな cache があります (実装の詳細 セクションを参照してください) 。 現在、I/O を削減するために、テキスト索引のデシリアライズ済みヘッダー、トークン、ポスティングリスト用の cache が用意されています。 設定 use_text_index_header_cacheuse_text_index_tokens_cache、および use_text_index_postings_cache を使用すると、クエリによる個々の cache への読み取りと書き込みを無効にできます。 cache をクリアするには、ステートメント SYSTEM CLEAR TEXT INDEX CACHES を使用します。 cache を設定するには、以下のサーバー設定を参照してください。

テキスト索引トークンキャッシュの設定

ヘッダーキャッシュの設定

ポスティングリスト cache の設定

制限事項

現在、テキスト索引には次の制限があります。
  • トークン数が非常に多いテキスト索引 (例: 100 億トークン) のマテリアライズでは、大量のメモリを消費する可能性があります。テキスト 索引のマテリアライズは、直接 (ALTER TABLE <table> MATERIALIZE INDEX <index>) 行われる場合と、パーツのマージで間接的に行われる場合があります。
  • 4,294,967,296 (= 2^32 = 約 42 億) 行を超えるパーツでは、テキスト索引をマテリアライズできません。テキスト索引がマテリアライズされていない場合、クエリはそのパーツ内での低速な総当たり検索にフォールバックします。最悪ケースの見積もりとして、パーツには String 型のカラムが 1 つだけ含まれ、MergeTree setting max_bytes_to_merge_at_max_space_in_pool (デフォルト: 150 GB) が変更されていないと仮定してください。この場合、そのカラムの 1 行あたりの平均文字数が 29.5 文字未満であれば、この状況が発生します。実際には、テーブルにはほかのカラムも含まれるため、しきい値はこれより何倍も小さくなります (ほかのカラムの数、型、サイズに依存します) 。

テキスト索引とブルームフィルタベースの索引の違い

文字列述語は、テキスト索引やブルームフィルタベースの索引 (索引タイプ bloom_filterngrambf_v1tokenbf_v1sparse_grams) によって高速化できますが、両者は設計と想定ユースケースの点で本質的に異なります。 ブルームフィルタ索引
  • 偽陽性が発生しうる確率的データ構造に基づいています。
  • 集合への所属判定、つまりそのカラムにトークン X が含まれている可能性があるか、あるいは確実に含まれていないか、ということしか判定できません。
  • クエリ実行時に大まかな範囲をスキップできるよう、granule レベルの情報を格納します。
  • 適切にチューニングするのが難しいです (例は こちら を参照) 。
  • 比較的コンパクトです (1 パーツあたり数 KB ~数 MB) 。
テキスト索引
  • トークンに対して決定論的な転置索引を構築します。索引自体による偽陽性は発生しません。
  • テキスト検索ワークロード向けに特化して最適化されています。
  • 効率的な用語ルックアップを可能にするため、行レベルの情報を格納します。
  • 比較的大きくなります (1 パーツあたり数十~数百 MB) 。
ブルームフィルタベースの索引が全文検索をサポートするのは、あくまで「副次的な効果」にすぎません。
  • 高度なトークン化や前処理には対応していません。
  • 複数トークンの検索には対応していません。
  • 転置索引に期待されるような性能特性は得られません。
一方、テキスト索引は全文検索向けに専用設計されています。
  • トークン化と前処理を提供します
  • hasAllTokensLIKEmatch などのテキスト検索関数を効率的にサポートします。
  • 大規模なテキストコーパスに対して、はるかに優れたスケーラビリティを発揮します。

実装の詳細

各テキスト索引は、 (抽象的には) 2つのデータ構造で構成されます。
  • 各トークンをポスティングリストに対応付けるDictionary
  • それぞれが行番号の集合を表す、ポスティングリストの集合
テキスト索引は、パーツ全体に対して構築されます。 ほかのスキップ索引とは異なり、テキスト索引はデータパーツのマージ時に再構築するのではなく、そのままマージできます (詳細は以下を参照) 。 索引の作成時には、 (パーツごとに) 3つのファイルが作成されます。 Dictionaryブロックファイル (.dct) テキスト索引内のトークンはソートされ、512トークンごとのDictionaryブロックに格納されます (ブロックサイズはパラメータ dictionary_block_size で設定できます) 。 Dictionaryブロックファイル (.dct) には、パーツ内のすべてのインデックスグラニュールに含まれるすべてのDictionaryブロックが格納されます。 索引ヘッダーファイル (.idx) 索引ヘッダーファイルには、各Dictionaryブロックについて、そのブロックの先頭トークンと、Dictionaryブロックファイル内での相対オフセットが格納されます。 このスパースインデックス構造は、ClickHouse のスパース主キー索引) に似ています。 ポスティングリストファイル (.pst) すべてのトークンのポスティングリストは、ポスティングリストファイル内に順番に配置されます。 容量を節約しつつ高速な積集合およびユニオン操作を可能にするため、ポスティングリストは roaring bitmaps として格納されます。 ポスティングリストが posting_list_block_size より大きい場合は、複数のブロックに分割され、ポスティングリストファイルに順番に格納されます。 位置ファイル (.pos) 任意。索引引数 support_phrase_search = 1 の場合のみ作成されます。 一致した行内におけるトークンの位置を格納します。 テキスト索引のマージ データパーツがマージされる際、テキスト索引を最初から再構築する必要はありません。代わりに、マージ処理内の別ステップで効率的にマージできます。 このステップでは、各入力パーツのテキスト索引にあるソート済みDictionaryを読み込み、新しい統合Dictionaryへ結合します。 また、ポスティングリスト内の行番号も、初期マージフェーズで作成された旧行番号から新行番号への対応関係を用いて、マージ後のデータパーツ内での新しい位置を反映するよう再計算されます。 このテキスト索引のマージ方法は、_part_offset カラムを持つ projections のマージ方法に似ています。 ソースパーツ内で索引がマテリアライズされていない場合は、索引を構築して一時ファイルに書き込み、その後、ほかのパーツの索引およびほかの一時索引ファイルの索引とともにマージされます。 デバッグ テーブル関数 mergeTreeTextIndex を使用すると、テキスト索引の内部を調査できます。

例: Hacker News データセット

テキストが多い大規模なデータセットに対して、テキスト索引によってどの程度パフォーマンスが向上するかを見てみましょう。 人気サイト Hacker News のコメント 2,870 万行を使用します。 以下は、テキスト索引がないテーブルです。
2,870万行のデータはS3上のParquetファイルにあります。これをhackernewsテーブルに挿入してみましょう:
ALTER TABLE を使用して comment カラムにテキスト索引を追加し、その後マテリアライズします:
それでは、hasTokenhasAnyTokenshasAllTokens 関数を使ってクエリを実行してみましょう。 以下の例では、通常の索引スキャンと direct read 最適化の間にある大きな性能差を示します。

1. hasToken を使用する

hasToken は、テキストに特定の単一トークンが含まれているかどうかを確認します。 大文字と小文字を区別するトークン ‘ClickHouse’ を検索します。 direct read 無効 (標準スキャン) デフォルトでは、ClickHouse はスキップ索引を使ってグラニュールをフィルタリングし、その後、それらのグラニュールのカラムデータを読み取ります。 この動作は、direct read を無効にすることで再現できます。
direct read 有効 (高速な索引読み取り) ここでは、direct read を有効にした状態 (デフォルト) で、同じクエリを実行します。
direct readクエリは、索引のみを参照することで、45倍以上高速で (0.362秒 vs 0.008秒) 、処理するデータ量も大幅に少なくなります (9.51 GB vs 3.15 MB) 。

2. hasAnyTokens の使用

hasAnyTokens は、テキストに指定したトークンのうち少なくとも 1 つが含まれているかどうかを判定します。 ‘love’ または ‘ClickHouse’ を含むコメントを検索します。 Direct read 無効 (標準スキャン)
Direct read が有効 (索引の高速読み取り)
この一般的な “OR” 検索では、高速化の効果がさらに顕著です。 フルカラムスキャンを回避することで、クエリは約89倍高速になります (1.329秒 対 0.015秒) 。

3. hasAllTokens の使用

hasAllTokens は、テキストに指定したすべてのトークンが含まれているかどうかを判定します。 ‘love’ と ‘ClickHouse’ の両方を含むコメントを検索します。 Direct read 無効時 (標準スキャン) Direct read が無効でも、標準のスキップ索引は引き続き有効です。 28.7M 行を 147.46K 行まで絞り込めますが、それでもカラムから 57.03 MB を読み取る必要があります。
Direct read 有効 (高速な索引読み取り) Direct read では索引データを直接利用してクエリに応答するため、読み取り量は 147.46 KB のみです。
この”AND”検索では、direct read最適化は標準的なスキップ索引スキャンと比べて26倍以上高速です (0.184秒に対し0.007秒) 。 direct read の最適化は、複合ブール式にも適用されます。 ここでは、‘ClickHouse’ OR ‘clickhouse’ の大文字と小文字を区別しない検索を行います。 Direct read 無効 (標準スキャン)
Direct read が有効 (高速な索引読み取り)
索引の結果を組み合わせることで、direct read クエリは 34 倍高速になり (0.450 秒に対して 0.013 秒) 、9.58 GB のカラムデータを読み取る必要がありません。 このケースでは、hasAnyTokens(comment, ['ClickHouse', 'clickhouse']) を使うほうが、より効率的で推奨される構文です。 旧資料
最終更新日 2026年7月23日