{"canonical_url":"https://engineer.company/sv/glossary/full-text-search/","content_markdown":"# Fritextsökning\n\n## Vad det är\n\nFritextsökning hittar de dokument som innehåller orden i en sökfråga, oavsett\nvilken böjningsform orden står i, och kan ställa de bästa träffarna först. Det\nkallas också fulltextsökning, och på engelska full-text search. Ett dokument är\nhär det som programmet behandlar som en enhet att söka i: ett mejl, en artikel,\nett supportärende eller titeln och brödtexten från en rad, ihopslagna.\n\nSkillnaden mot en vanlig mönstersökning ligger i arbetet som görs innan något\njämförs. Texten delas först upp i tokens: ord, tal, e-postadresser och andra\nklasser. Varje token normaliseras sedan till ett lexem, en form som är vald så\natt varianter av samma ord blir lika. Versaler blir gemener, ändelser kapas så\natt ordet förs tillbaka till sin stam, och stoppord, ord som är så vanliga att\nde inte säger något om innehållet, sorteras bort. Resultatet sparas tillsammans\nmed positionen för varje lexem, så att rankningen senare kan föredra dokument\ndär sökorden står nära varandra. Sökfrågan går igenom samma behandling, så en\nsökning på ”räkningar” och ett dokument som skriver ”räkning” möts på halva\nvägen.\n\nPostgreSQL har det inbyggt. Datatypen `tsvector` håller ett dokument i\nnormaliserad form, `tsquery` håller en sökfråga, och operatorn `@@` avgör om den\nena matchar den andra. En textsökningskonfiguration bestämmer hur\nnormaliseringen går till: vilken parser som delar upp texten och vilka ordlistor\nsom gör om tokens till lexem. Standardinstallationen har konfigurationer för\nmånga språk, bland dem `swedish`, `danish`, `norwegian` och `english`, och\nkommandot `\\dF` i psql listar de som är installerade. SQLite erbjuder samma idé\ngenom tillägget FTS5, där en virtuell tabell håller indexet och operatorn\n`MATCH` söker i det.\n\n## Varför det spelar roll\n\nPostgreSQL-dokumentationen förklarar vad de äldre operatorerna saknar. `LIKE`,\n`ILIKE` och reguljära uttryck har inget språkligt stöd, så en sökning på\n”betalade” missar ett dokument som skriver ”betalat”, om inte någon skriver ut\nalla böjningsformer för hand. De rangordnar inte, så tusen träffar kommer\ntillbaka i en ordning som inte säger något om vilka som är bäst. Och de kan inte\nanvända ett vanligt index för den här sortens sökning, så varje fråga måste läsa\nvarje dokument. Ett mönster som `%lag%` träffar dessutom både ”bilaga” och\n”förslag”, och det är brus, inte bättre täckning.\n\nMänniskor skriver ord i en sökruta och väntar sig att hitta dokumenten som\nhandlar om dem. I ett avtalsarkiv, en kundtjänst eller en produktkatalog är\nfritextsökning skillnaden mellan en sökruta som folk litar på och en som de\nslutar använda efter tredje missen. Rankningen betyder lika mycket som själva\nträffen: den som söker på ”sen betalning” vill ha påminnelsen överst, inte de\nhundra fakturor som nämner betalning en gång.\n\nAtt sökningen bor i databasen man redan driver har också en praktisk sida.\nSökindexet uppdateras i samma transaktion som datan, så en rad blir sökbar i\nsamma ögonblick som den committas, och en raderad rad försvinner ur resultaten\nlika fort. Filter på datum, kund eller behörighet är vanliga `WHERE`-villkor\nbredvid textvillkoret. En separat söktjänst kan mer, men den är ytterligare ett\nsystem att mata och hålla i takt med det första, och varje glapp mellan dem syns\nsom en träff som saknas eller en som borde ha försvunnit.\n\nFritextsökning har också en gräns som är värd att känna till från början: den\nmatchar ord, inte betydelse. En sökning på ”avtal” hittar inte ”kontrakt” om\ninte en synonymordlista kopplar ihop dem. Vektorsökning, som jämför numeriska\nrepresentationer av betydelse, täcker det fallet, och de två kombineras ofta.\n\n## Så ser det ut i praktiken\n\nTa en tabell med dokument som har en titel, en brödtext och en uppgift om var\nvarje dokument kommer ifrån. En lagrad genererad kolumn håller den sökbara\nformen aktuell vid varje insert och update, och ett GIN-index gör den snabb att\nsöka i:\n\n```sql\nCREATE TABLE documents (\n    id         bigint GENERATED ALWAYS AS IDENTITY PRIMARY KEY,\n    title      text,\n    body       text,\n    source     text NOT NULL,\n    search_vec tsvector GENERATED ALWAYS AS (\n                   setweight(to_tsvector('swedish', coalesce(title, '')), 'A')\n                || setweight(to_tsvector('swedish', coalesce(body, '')), 'D')\n               ) STORED\n);\n\nCREATE INDEX documents_search_idx ON documents USING GIN (search_vec);\n```\n\nTre detaljer bär det hela. Konfigurationen anges med namn, `'swedish'`, i\nstället för att lämnas åt sessionens `default_text_search_config`; det är formen\nav `to_tsvector` med två argument som PostgreSQL kan lagra och indexera.\n`coalesce` gör om en saknad titel eller brödtext till en tom sträng, eftersom en\nenda NULL annars gör hela dokumentet till NULL. Och `setweight` märker varje\nlexem med var det kom ifrån: A för titeln, D för brödtexten.\nRankningsfunktionerna använder vikterna `{0.1, 0.2, 0.4, 1.0}` för D, C, B och A\nom man inte anger andra, så ett sökord i titeln väger tio gånger så tungt som\nsamma ord i brödtexten.\n\nGIN är den indextyp som dokumentationen rekommenderar för textsökning: ett\ninverterat index med en post per lexem och en komprimerad lista över de rader\ndär lexemet förekommer. GiST fungerar också, men det är inte exakt och måste\nkontrollera själva tabellraden för att sålla bort falska träffar.\n\nFrågan tar emot orden som användaren skrev, precis som de skrevs:\n\n```sql\nSELECT id, title, source,\n       ts_rank_cd(search_vec, query) AS rank\nFROM   documents,\n       websearch_to_tsquery('swedish', 'obetald faktura -utkast') AS query\nWHERE  search_vec @@ query\nORDER  BY rank DESC\nLIMIT  10;\n```\n\n`websearch_to_tsquery` läser indata på samma sätt som en sökruta på webben.\nVanliga ord måste alla förekomma, i vilken form som helst som\nSnowball-algoritmen för svenska för tillbaka till samma lexem. Text inom\ncitattecken måste förekomma som en sammanhängande fras, ordet ”or” ger ett\nalternativ, och ett minustecken framför ett ord utesluter det, så den här frågan\nhoppar över alla dokument som nämner ett utkast. Funktionen ger aldrig\nsyntaxfel, och därför är den det säkra valet för rå indata från användare.\n`ts_rank_cd` rangordnar efter cover density, en metod från en artikel av Clarke,\nCormack och Tudhope från 1999 som också belönar sökord som står tätt ihop.\nSysterfunktionen `ts_rank` tittar på hur ofta orden förekommer. Båda tar en\nnormaliseringsflagga: 1 delar till exempel rangen med ett plus logaritmen av\ndokumentets längd, så att ett långt dokument inte vinner bara för att det är\nlångt.\n\nSvenskan har dessutom en egen utmaning: sammansatta ord. Snowball-algoritmen\nbakom konfigurationen `swedish` tar bara bort ändelser och delar aldrig upp ett\nord. I projektets egen exempellista blir ”jakthund” stammen ”jakthund”, och på\nsamma sätt träffar en sökning på ”faktura” inte ett dokument som bara skriver\n”leverantörsfaktura”. PostgreSQL kan dela upp sammansättningar med en Ispell-\neller Hunspell-ordlista vars affixfil markerar vilka ord som får ingå i dem, med\nraden `compoundwords controlled z`. Dokumentationen visar principen med en norsk\nordlista, där `ts_lexize('norwegian_ispell', 'sjokoladefabrikk')` ger\n`{sjokoladefabrikk,sjokolade,fabrikk}`: hela ordet och båda delarna, så att\ndokumentet hittas både på helheten och på varje del. PostgreSQL levereras utan\nsådana ordlistefiler, så de måste hämtas och läggas i katalogen `tsearch_data`.\nEn Ispell-ordlista känner dessutom bara till ett begränsat urval ord, så i\nkonfigurationen bör den följas av en bredare ordlista, till exempel Snowball,\nsom tar hand om resten.\n\nFöretagets [arbete med företagsdata redo för AI-agenter](/sv/ai-data/) har samma\nbehov. Sidan beskriver hur gamla PDF:er, inskannade dokument och e-postarkiv\nblir sökbar text med källan sparad intill, så att de kan hittas och inte bara\nförvaras. Kolumnen `source` ovan har just den uppgiften: en träff är mer värd\nnär läsaren kan öppna originalet.\n\nSQLite når samma resultat med mindre ceremonier. En virtuell tabell som skapas\nmed `CREATE VIRTUAL TABLE notes USING fts5(title, body)` frågas med\n`WHERE notes MATCH 'faktura NOT utkast'`, och `ORDER BY bm25(notes)` ställer de\nbästa träffarna först: FTS5 ger bättre träffar lägre värden, så den vanliga\nstigande sorteringen är den rätta. Standardtokenizern heter `unicode61`;\ntokenizern `porter` lägger till stemming, men enligt dokumentationen bara för\nengelska, så svenska böjningsformer slås inte ihop i FTS5 utan en tokenizer som\nman lägger till själv.\n\n## Var det går fel\n\n**Ett index som frågan aldrig rör.** Ett uttrycksindex byggt på\n`to_tsvector('swedish', body)` hjälper bara frågor som upprepar exakt det\nuttrycket. En fråga skriven som `to_tsvector(body)`, som förlitar sig på\nstandardkonfigurationen, läser hela tabellen. Lagra vektorn i en genererad\nkolumn som ovan och sök i kolumnen; då kan fråga och index inte glida isär.\n\n**En NULL som gömmer ett dokument.** `to_tsvector(NULL)` ger NULL, och en\nNULL-titel ihopslagen med en brödtext ger också NULL, så en rad utan titel\nförsvinner tyst ur alla sökningar. Linda in varje fält i `coalesce`.\n\n**Rå indata i `to_tsquery`.** `to_tsquery` förväntar sig sin egen operatorsyntax\noch tål stökig indata sämre än de andra konverteringsfunktionerna, så en\nanvändare som skriver en parentes utan motsvarighet eller ett lösryckt \u0026-tecken\nfår en felsida. Skicka användarens indata genom `websearch_to_tsquery`, eller\ngenom `plainto_tsquery` när det inte ska finnas några operatorer alls.\n\n**Fel språk.** Svensk text som indexeras med den engelska konfigurationen kapas\nefter engelska regler och filtreras med engelska stoppord, så hälften av\nböjningsformerna möts aldrig. Välj konfiguration efter textens språk. En samling\npå flera språk kan lagra konfigurationens namn i en egen kolumn och indexera\n`to_tsvector(config_name, body)`, så länge frågorna använder samma kolumn.\n\n**En ordlista som ändrats bakom ryggen på sessionerna.** En databassession läser\nsina ordlistefiler första gången de används och sedan inte igen. Den som lägger\nin nya ord i en Ispell-ordlista ser dem därför bara i nya anslutningar, och en\nanslutningspool kan hålla kvar de gamla länge. Kör\n`ALTER TEXT SEARCH DICTIONARY` på ordlistan, gärna som en tom ändring där ingen\nparameter får nytt värde, så läser de befintliga sessionerna filerna på nytt. En\ntesaurus används när dokumenten indexeras, så efter en ändring i den måste de\nlagrade vektorerna byggas om.\n\n**Rankning av varenda träff.** Rankningen läser `tsvector` för varje rad som\nmatchar, och dokumentationen varnar för att det kan vara I/O-bundet och\nlångsamt. En fråga på ett ord som matchar halva tabellen får databasen att ranka\nhalva tabellen innan `LIMIT` behåller tio. Smalna av kandidaterna med vanliga\nvillkor först, till exempel ett datumintervall eller en kund, och håll vektorn\nlagrad så att den inte beräknas på nytt för varje rad.\n\n**En rang som visas i procent.** Rankningsfunktionerna använder ingen kunskap om\nsamlingen som helhet, så en rang kan inte göras om till ett rättvist ”87 %\nrelevant”. Normaliseringsflaggan 32 pressar in rangen mellan noll och ett, men\ndokumentationen kallar det en rent kosmetisk ändring. Använd rangen för att\nsortera resultaten och till inget annat.\n\n**Markeringar som bär med sig markup.** `ts_headline` returnerar ett utdrag där\nsökorden är markerade, och det är just vad en resultatsida vill ha. PostgreSQL\nvarnar för att utdraget inte garanterat är säkert att lägga direkt i en\nwebbsida. Ett dokument med HTML kan föra in ett skript på sidan. Ta bort markup\nur indata eller skicka utdata genom en HTML-sanerare. Funktionen arbetar\ndessutom på originaltexten och inte på vektorn, så anropa den bara för raderna\npå sidan som visas, efter `LIMIT`, och inte för varje träff.\n\n**Dokument som är för stora för en vektor.** En `tsvector` måste hålla sig under\n1 MB och sparar högst 256 positioner per lexem. En hel bok eller ett års\nmötesprotokoll i en rad slår i båda gränserna. Dela upp långa dokument i avsnitt\neller sidor, så att varje resultat också får en mer exakt plats att peka på.\n\n**Ordfragment och artikelnummer.** Fritextsökning jämför hela lexem, så ”fakt”\nger inga träffar på fakturor, och ett artikelnummer som `AB-1042-X` kan delas i\nbitar av parsern. Behåll ett vanligt index på kolumnerna som folk slår upp på\nexakt värde, eller använd tokenizern `trigram` i SQLite, som gör varje\nsammanhängande följd av tre tecken till en token och därmed klarar sökning på\ndelsträngar.\n\n**”Får” som blir ”far” i SQLite.** Tokenizern `unicode61` tar som standard bort\ndiakritiska tecken från latinska bokstäver, och å, ä och ö räknas dit, så FTS5\nsparar ”får” och ”far”, ”för” och ”for” som samma token och blandar ihop dem i\nträffarna. Skapa tabellen med `tokenize = 'unicode61 remove_diacritics 0'` när\nde svenska bokstäverna ska få vara egna bokstäver.\n\n**Ett SQLite-index som glider ifrån sin tabell.** En FTS5-tabell som skapas med\n`content=` hämtar sin text från en annan tabell, och dokumentationen överlåter\nåt användaren att hålla de två i samklang. Glider de isär ger frågorna resultat\nsom verkar motsäga varandra. Skapa triggrarna för insert, update och delete som\ndokumentationen visar, i samma migrering som den virtuella tabellen.\n\n## Läs mer\n\n- [Introduction to full text search](https://www.postgresql.org/docs/current/textsearch-intro.html)\n  — PostgreSQLs definition av dokument, tokens, lexem och konfigurationer, och\n  vad `LIKE` och reguljära uttryck saknar.\n- [Tables and Indexes](https://www.postgresql.org/docs/current/textsearch-tables.html)\n  — sökning i en tabell, uttrycksindex jämfört med en lagrad genererad kolumn,\n  och varför konfigurationen måste anges med namn.\n- [Controlling Text Search](https://www.postgresql.org/docs/current/textsearch-controls.html)\n  — vikter, `websearch_to_tsquery`, `ts_rank` och `ts_rank_cd`,\n  normaliseringsflaggor och varningen om `ts_headline`.\n- [Dictionaries](https://www.postgresql.org/docs/current/textsearch-dictionaries.html)\n  — Snowball-, Ispell- och Hunspell-ordlistor, uppdelning av sammansatta ord och\n  när sessioner läser ordlistefilerna.\n- [Swedish stemming algorithm](https://snowballstem.org/algorithms/swedish/stemmer.html)\n  — Snowball-projektets beskrivning av den svenska algoritmen, med ändelserna\n  den tar bort och en exempellista med ord och stammar.\n- [SQLite FTS5 Extension](https://www.sqlite.org/fts5.html) — virtuella\n  tabeller, operatorn `MATCH`, de inbyggda tokenizerna med `remove_diacritics`,\n  `bm25()` och tabeller med externt innehåll.\n\n\u003chttps://engineer.company/sv/glossary/full-text-search/\u003e\n","date_modified":"2026-10-29T11:17:41Z","description":"Vad fritextsökning är: text som blir lexem, GIN-index och rankning i PostgreSQL och SQLite FTS5, sammansatta ord och felen som får sökningen att svika.","formats":{"gemtext":"https://engineer.company/sv/glossary/full-text-search/index.gmi","gopher":"https://engineer.company/sv/glossary/full-text-search/gophermap","html":"https://engineer.company/sv/glossary/full-text-search/","json":"https://engineer.company/sv/glossary/full-text-search/index.json","markdown":"https://engineer.company/sv/glossary/full-text-search/index.md","pdf":"https://engineer.company/sv/glossary/full-text-search/index.pdf"},"kind":"page","language":"sv","title":"Vad är fritextsökning?","url":"https://engineer.company/sv/glossary/full-text-search/","version":1}