Branch data Line data Source code
1 : : /*-------------------------------------------------------------------------
2 : : *
3 : : * ts_selfuncs.c
4 : : * Selectivity estimation functions for text search operators.
5 : : *
6 : : * Portions Copyright (c) 1996-2026, PostgreSQL Global Development Group
7 : : *
8 : : *
9 : : * IDENTIFICATION
10 : : * src/backend/tsearch/ts_selfuncs.c
11 : : *
12 : : *-------------------------------------------------------------------------
13 : : */
14 : : #include "postgres.h"
15 : :
16 : : #include "access/htup_details.h"
17 : : #include "catalog/pg_statistic.h"
18 : : #include "catalog/pg_type.h"
19 : : #include "miscadmin.h"
20 : : #include "nodes/nodes.h"
21 : : #include "tsearch/ts_type.h"
22 : : #include "utils/fmgrprotos.h"
23 : : #include "utils/lsyscache.h"
24 : : #include "utils/selfuncs.h"
25 : :
26 : :
27 : : /*
28 : : * The default text search selectivity is chosen to be small enough to
29 : : * encourage indexscans for typical table densities. See selfuncs.h and
30 : : * DEFAULT_EQ_SEL for details.
31 : : */
32 : : #define DEFAULT_TS_MATCH_SEL 0.005
33 : :
34 : : /* lookup table type for binary searching through MCELEMs */
35 : : typedef struct
36 : : {
37 : : text *element;
38 : : float4 frequency;
39 : : } TextFreq;
40 : :
41 : : /* type of keys for bsearch'ing through an array of TextFreqs */
42 : : typedef struct
43 : : {
44 : : char *lexeme;
45 : : int length;
46 : : } LexemeKey;
47 : :
48 : : static Selectivity tsquerysel(VariableStatData *vardata, Datum constval);
49 : : static Selectivity mcelem_tsquery_selec(TSQuery query,
50 : : const Datum *mcelem, int nmcelem,
51 : : const float4 *numbers, int nnumbers);
52 : : static Selectivity tsquery_opr_selec(QueryItem *item, char *operand,
53 : : TextFreq *lookup, int length, float4 minfreq);
54 : : static int compare_lexeme_textfreq(const void *e1, const void *e2);
55 : :
56 : : #define tsquery_opr_selec_no_stats(query) \
57 : : tsquery_opr_selec(GETQUERY(query), GETOPERAND(query), NULL, 0, 0)
58 : :
59 : :
60 : : /*
61 : : * tsmatchsel -- Selectivity of "@@"
62 : : *
63 : : * restriction selectivity function for tsvector @@ tsquery and
64 : : * tsquery @@ tsvector
65 : : */
66 : : Datum
67 : 855 : tsmatchsel(PG_FUNCTION_ARGS)
68 : : {
69 : 855 : PlannerInfo *root = (PlannerInfo *) PG_GETARG_POINTER(0);
70 : :
71 : : #ifdef NOT_USED
72 : : Oid operator = PG_GETARG_OID(1);
73 : : #endif
74 : 855 : List *args = (List *) PG_GETARG_POINTER(2);
75 : 855 : int varRelid = PG_GETARG_INT32(3);
76 : : VariableStatData vardata;
77 : : Node *other;
78 : : bool varonleft;
79 : : Selectivity selec;
80 : :
81 : : /*
82 : : * If expression is not variable = something or something = variable, then
83 : : * punt and return a default estimate.
84 : : */
85 [ - + ]: 855 : if (!get_restriction_variable(root, args, varRelid,
86 : : &vardata, &other, &varonleft))
87 : 0 : PG_RETURN_FLOAT8(DEFAULT_TS_MATCH_SEL);
88 : :
89 : : /*
90 : : * Can't do anything useful if the something is not a constant, either.
91 : : */
92 [ - + ]: 855 : if (!IsA(other, Const))
93 : : {
94 [ # # ]: 0 : ReleaseVariableStats(vardata);
95 : 0 : PG_RETURN_FLOAT8(DEFAULT_TS_MATCH_SEL);
96 : : }
97 : :
98 : : /*
99 : : * The "@@" operator is strict, so we can cope with NULL right away
100 : : */
101 [ - + ]: 855 : if (((Const *) other)->constisnull)
102 : : {
103 [ # # ]: 0 : ReleaseVariableStats(vardata);
104 : 0 : PG_RETURN_FLOAT8(0.0);
105 : : }
106 : :
107 : : /*
108 : : * OK, there's a Var and a Const we're dealing with here. We need the
109 : : * Const to be a TSQuery, else we can't do anything useful. We have to
110 : : * check this because the Var might be the TSQuery not the TSVector.
111 : : *
112 : : * Also check that the Var really is a TSVector, in case this estimator is
113 : : * mistakenly attached to some other operator.
114 : : */
115 [ + - ]: 855 : if (((Const *) other)->consttype == TSQUERYOID &&
116 [ + - ]: 855 : vardata.vartype == TSVECTOROID)
117 : : {
118 : : /* tsvector @@ tsquery or the other way around */
119 : 855 : selec = tsquerysel(&vardata, ((Const *) other)->constvalue);
120 : : }
121 : : else
122 : : {
123 : : /* If we can't see the query structure, must punt */
124 : 0 : selec = DEFAULT_TS_MATCH_SEL;
125 : : }
126 : :
127 [ + + ]: 855 : ReleaseVariableStats(vardata);
128 : :
129 [ - + - + ]: 855 : CLAMP_PROBABILITY(selec);
130 : :
131 : 855 : PG_RETURN_FLOAT8((float8) selec);
132 : : }
133 : :
134 : :
135 : : /*
136 : : * tsmatchjoinsel -- join selectivity of "@@"
137 : : *
138 : : * join selectivity function for tsvector @@ tsquery and tsquery @@ tsvector
139 : : */
140 : : Datum
141 : 0 : tsmatchjoinsel(PG_FUNCTION_ARGS)
142 : : {
143 : : /* for the moment we just punt */
144 : 0 : PG_RETURN_FLOAT8(DEFAULT_TS_MATCH_SEL);
145 : : }
146 : :
147 : :
148 : : /*
149 : : * @@ selectivity for tsvector var vs tsquery constant
150 : : */
151 : : static Selectivity
152 : 855 : tsquerysel(VariableStatData *vardata, Datum constval)
153 : : {
154 : : Selectivity selec;
155 : : TSQuery query;
156 : :
157 : : /* The caller made sure the const is a TSQuery, so get it now */
158 : 855 : query = DatumGetTSQuery(constval);
159 : :
160 : : /* Empty query matches nothing */
161 [ - + ]: 855 : if (query->size == 0)
162 : 0 : return (Selectivity) 0.0;
163 : :
164 [ + + ]: 855 : if (HeapTupleIsValid(vardata->statsTuple))
165 : : {
166 : : Form_pg_statistic stats;
167 : : AttStatsSlot sslot;
168 : :
169 : 825 : stats = (Form_pg_statistic) GETSTRUCT(vardata->statsTuple);
170 : :
171 : : /* MCELEM will be an array of TEXT elements for a tsvector column */
172 [ + - ]: 825 : if (get_attstatsslot(&sslot, vardata->statsTuple,
173 : : STATISTIC_KIND_MCELEM, InvalidOid,
174 : : ATTSTATSSLOT_VALUES | ATTSTATSSLOT_NUMBERS))
175 : : {
176 : : /*
177 : : * There is a most-common-elements slot for the tsvector Var, so
178 : : * use that.
179 : : */
180 : 825 : selec = mcelem_tsquery_selec(query, sslot.values, sslot.nvalues,
181 : 825 : sslot.numbers, sslot.nnumbers);
182 : 825 : free_attstatsslot(&sslot);
183 : : }
184 : : else
185 : : {
186 : : /* No most-common-elements info, so do without */
187 : 0 : selec = tsquery_opr_selec_no_stats(query);
188 : : }
189 : :
190 : : /*
191 : : * MCE stats count only non-null rows, so adjust for null rows.
192 : : */
193 : 825 : selec *= (1.0 - stats->stanullfrac);
194 : : }
195 : : else
196 : : {
197 : : /* No stats at all, so do without */
198 : 30 : selec = tsquery_opr_selec_no_stats(query);
199 : : /* we assume no nulls here, so no stanullfrac correction */
200 : : }
201 : :
202 : 855 : return selec;
203 : : }
204 : :
205 : : /*
206 : : * Extract data from the pg_statistic arrays into useful format.
207 : : */
208 : : static Selectivity
209 : 825 : mcelem_tsquery_selec(TSQuery query, const Datum *mcelem, int nmcelem,
210 : : const float4 *numbers, int nnumbers)
211 : : {
212 : : float4 minfreq;
213 : : TextFreq *lookup;
214 : : Selectivity selec;
215 : : int i;
216 : :
217 : : /*
218 : : * There should be two more Numbers than Values, because the last two
219 : : * cells are taken for minimal and maximal frequency. Punt if not.
220 : : *
221 : : * (Note: the MCELEM statistics slot definition allows for a third extra
222 : : * number containing the frequency of nulls, but we're not expecting that
223 : : * to appear for a tsvector column.)
224 : : */
225 [ - + ]: 825 : if (nnumbers != nmcelem + 2)
226 : 0 : return tsquery_opr_selec_no_stats(query);
227 : :
228 : : /*
229 : : * Transpose the data into a single array so we can use bsearch().
230 : : */
231 : 825 : lookup = palloc_array(TextFreq, nmcelem);
232 [ + + ]: 825825 : for (i = 0; i < nmcelem; i++)
233 : : {
234 : : /*
235 : : * The text Datums came from an array, so it cannot be compressed or
236 : : * stored out-of-line -- it's safe to use VARSIZE_ANY*.
237 : : */
238 : : Assert(!VARATT_IS_COMPRESSED(DatumGetPointer(mcelem[i])) && !VARATT_IS_EXTERNAL(DatumGetPointer(mcelem[i])));
239 : 825000 : lookup[i].element = (text *) DatumGetPointer(mcelem[i]);
240 : 825000 : lookup[i].frequency = numbers[i];
241 : : }
242 : :
243 : : /*
244 : : * Grab the lowest MCE frequency. compute_tsvector_stats() stored it for
245 : : * us in the one before the last cell of the Numbers array.
246 : : */
247 : 825 : minfreq = numbers[nnumbers - 2];
248 : :
249 : 825 : selec = tsquery_opr_selec(GETQUERY(query), GETOPERAND(query), lookup,
250 : : nmcelem, minfreq);
251 : :
252 : 825 : pfree(lookup);
253 : :
254 : 825 : return selec;
255 : : }
256 : :
257 : : /*
258 : : * Traverse the tsquery in preorder, calculating selectivity as:
259 : : *
260 : : * selec(left_oper) * selec(right_oper) in AND & PHRASE nodes,
261 : : *
262 : : * selec(left_oper) + selec(right_oper) -
263 : : * selec(left_oper) * selec(right_oper) in OR nodes,
264 : : *
265 : : * 1 - select(oper) in NOT nodes
266 : : *
267 : : * histogram-based estimation in prefix VAL nodes
268 : : *
269 : : * freq[val] in exact VAL nodes, if the value is in MCELEM
270 : : * min(freq[MCELEM]) / 2 in VAL nodes, if it is not
271 : : *
272 : : * The MCELEM array is already sorted (see ts_typanalyze.c), so we can use
273 : : * binary search for determining freq[MCELEM].
274 : : *
275 : : * If we don't have stats for the tsvector, we still use this logic,
276 : : * except we use default estimates for VAL nodes. This case is signaled
277 : : * by lookup == NULL.
278 : : */
279 : : static Selectivity
280 : 2565 : tsquery_opr_selec(QueryItem *item, char *operand,
281 : : TextFreq *lookup, int length, float4 minfreq)
282 : : {
283 : : Selectivity selec;
284 : :
285 : : /* since this function recurses, it could be driven to stack overflow */
286 : 2565 : check_stack_depth();
287 : :
288 [ + + ]: 2565 : if (item->type == QI_VAL)
289 : : {
290 : 1535 : QueryOperand *oper = (QueryOperand *) item;
291 : : LexemeKey key;
292 : :
293 : : /*
294 : : * Prepare the key for bsearch().
295 : : */
296 : 1535 : key.lexeme = operand + oper->distance;
297 : 1535 : key.length = oper->length;
298 : :
299 [ + + ]: 1535 : if (oper->prefix)
300 : : {
301 : : /* Prefix match, ie the query item is lexeme:* */
302 : : Selectivity matched,
303 : : allmces;
304 : : int i,
305 : : n_matched;
306 : :
307 : : /*
308 : : * Our strategy is to scan through the MCELEM list and combine the
309 : : * frequencies of the ones that match the prefix. We then
310 : : * extrapolate the fraction of matching MCELEMs to the remaining
311 : : * rows, assuming that the MCELEMs are representative of the whole
312 : : * lexeme population in this respect. (Compare
313 : : * histogram_selectivity().) Note that these are most common
314 : : * elements not most common values, so they're not mutually
315 : : * exclusive. We treat occurrences as independent events.
316 : : *
317 : : * This is only a good plan if we have a pretty fair number of
318 : : * MCELEMs available; we set the threshold at 100. If no stats or
319 : : * insufficient stats, arbitrarily use DEFAULT_TS_MATCH_SEL*4.
320 : : */
321 [ + + - + ]: 85 : if (lookup == NULL || length < 100)
322 : 35 : return (Selectivity) (DEFAULT_TS_MATCH_SEL * 4);
323 : :
324 : 60 : matched = allmces = 0;
325 : 60 : n_matched = 0;
326 [ + + ]: 60060 : for (i = 0; i < length; i++)
327 : : {
328 : 60000 : TextFreq *t = lookup + i;
329 : 60000 : int tlen = VARSIZE_ANY_EXHDR(t->element);
330 : :
331 [ + - ]: 60000 : if (tlen >= key.length &&
332 [ + + ]: 60000 : strncmp(key.lexeme, VARDATA_ANY(t->element),
333 : 60000 : key.length) == 0)
334 : : {
335 : 2160 : matched += t->frequency - matched * t->frequency;
336 : 2160 : n_matched++;
337 : : }
338 : 60000 : allmces += t->frequency - allmces * t->frequency;
339 : : }
340 : :
341 : : /* Clamp to ensure sanity in the face of roundoff error */
342 [ - + - + ]: 60 : CLAMP_PROBABILITY(matched);
343 [ - + - + ]: 60 : CLAMP_PROBABILITY(allmces);
344 : :
345 : 60 : selec = matched + (1.0 - allmces) * ((double) n_matched / length);
346 : :
347 : : /*
348 : : * In any case, never believe that a prefix match has selectivity
349 : : * less than we would assign for a non-MCELEM lexeme. This
350 : : * preserves the property that "word:*" should be estimated to
351 : : * match at least as many rows as "word" would be.
352 : : */
353 [ - + - + : 60 : selec = Max(Min(DEFAULT_TS_MATCH_SEL, minfreq / 2), selec);
- - ]
354 : : }
355 : : else
356 : : {
357 : : /* Regular exact lexeme match */
358 : : TextFreq *searchres;
359 : :
360 : : /* If no stats for the variable, use DEFAULT_TS_MATCH_SEL */
361 [ + + ]: 1450 : if (lookup == NULL)
362 : 10 : return (Selectivity) DEFAULT_TS_MATCH_SEL;
363 : :
364 : 1440 : searchres = (TextFreq *) bsearch(&key, lookup, length,
365 : : sizeof(TextFreq),
366 : : compare_lexeme_textfreq);
367 : :
368 [ + + ]: 1440 : if (searchres)
369 : : {
370 : : /*
371 : : * The element is in MCELEM. Return precise selectivity (or
372 : : * at least as precise as ANALYZE could find out).
373 : : */
374 : 1340 : selec = searchres->frequency;
375 : : }
376 : : else
377 : : {
378 : : /*
379 : : * The element is not in MCELEM. Estimate its frequency as
380 : : * half that of the least-frequent MCE. (We know it cannot be
381 : : * more than minfreq, and it could be a great deal less. Half
382 : : * seems like a good compromise.) For probably-historical
383 : : * reasons, clamp to not more than DEFAULT_TS_MATCH_SEL.
384 : : */
385 [ - + ]: 100 : selec = Min(DEFAULT_TS_MATCH_SEL, minfreq / 2);
386 : : }
387 : : }
388 : : }
389 : : else
390 : : {
391 : : /* Current TSQuery node is an operator */
392 : : Selectivity s1,
393 : : s2;
394 : :
395 [ + + + - ]: 1030 : switch (item->qoperator.oper)
396 : : {
397 : 350 : case OP_NOT:
398 : 350 : selec = 1.0 - tsquery_opr_selec(item + 1, operand,
399 : : lookup, length, minfreq);
400 : 350 : break;
401 : :
402 : 475 : case OP_PHRASE:
403 : : case OP_AND:
404 : 475 : s1 = tsquery_opr_selec(item + 1, operand,
405 : : lookup, length, minfreq);
406 : 475 : s2 = tsquery_opr_selec(item + item->qoperator.left, operand,
407 : : lookup, length, minfreq);
408 : 475 : selec = s1 * s2;
409 : 475 : break;
410 : :
411 : 205 : case OP_OR:
412 : 205 : s1 = tsquery_opr_selec(item + 1, operand,
413 : : lookup, length, minfreq);
414 : 205 : s2 = tsquery_opr_selec(item + item->qoperator.left, operand,
415 : : lookup, length, minfreq);
416 : 205 : selec = s1 + s2 - s1 * s2;
417 : 205 : break;
418 : :
419 : 0 : default:
420 [ # # ]: 0 : elog(ERROR, "unrecognized operator: %d", item->qoperator.oper);
421 : : selec = 0; /* keep compiler quiet */
422 : : break;
423 : : }
424 : : }
425 : :
426 : : /* Clamp intermediate results to stay sane despite roundoff error */
427 [ - + - + ]: 2530 : CLAMP_PROBABILITY(selec);
428 : :
429 : 2530 : return selec;
430 : : }
431 : :
432 : : /*
433 : : * bsearch() comparator for a lexeme (non-NULL terminated string with length)
434 : : * and a TextFreq. Use length, then byte-for-byte comparison, because that's
435 : : * how ANALYZE code sorted data before storing it in a statistic tuple.
436 : : * See ts_typanalyze.c for details.
437 : : */
438 : : static int
439 : 11120 : compare_lexeme_textfreq(const void *e1, const void *e2)
440 : : {
441 : 11120 : const LexemeKey *key = (const LexemeKey *) e1;
442 : 11120 : const TextFreq *t = (const TextFreq *) e2;
443 : : int len1,
444 : : len2;
445 : :
446 : 11120 : len1 = key->length;
447 : 11120 : len2 = VARSIZE_ANY_EXHDR(t->element);
448 : :
449 : : /* Compare lengths first, possibly avoiding a strncmp call */
450 [ + + ]: 11120 : if (len1 > len2)
451 : 900 : return 1;
452 [ - + ]: 10220 : else if (len1 < len2)
453 : 0 : return -1;
454 : :
455 : : /* Fall back on byte-for-byte comparison */
456 : 10220 : return strncmp(key->lexeme, VARDATA_ANY(t->element), len1);
457 : : }
|
