Observação
O MongoDB oferece uma solução aprimorada de pesquisa de texto completo, MongoDB Search, e uma solução de pesquisa semântica, MongoDB Vector Search. Recomendamos usar índices do MongoDB Search ou índices do MongoDB Vector Search em vez de índices de texto.
Esta página descreve o comportamento dos índices de texto versão 3 .
Insensibilidade a maiúsculas e minúsculas
Os índices de texto diferenciam maiúsculas de minúsculas. O índice de texto não faz distinção entre caracteres em maiúsculas e minúsculas, como e e E.
Os índices de texto suportam dobramentos de maiúsculas e minúsculas, conforme especificado no Unicode 8.0 Dobramento de maiúsculas e minúsculas do banco de dados:
C comum
S simples
T especial para idiomas Turcos
Caracteres com diacríticos, como
éeÉCaracteres de alfabetos não latinos, como
Иeиno alfabeto cirílico.
As versões anteriores do índice de texto diferenciam maiúsculas de minúsculas apenas para caracteres latinos não diacríticos [A-z]. Versões anteriores do índice de texto tratam todos os outros caracteres como distintos.
Insensibilidade a diacríticos
Os índices de texto são insensíveis a diacríticos. O índice de texto não faz distinção entre caracteres que contêm diacríticos e suas contrapartes sem sinais, como é, ê e e. Mais especificamente, o índice de texto remove as marcações categorizadas como diacríticos na Lista de acessórios do banco de dados de caracteres Unicode 8.0 .
As versões anteriores do índice de texto tratam caracteres com diacríticos como distintos.
Delimitadores de tokenização
Para tokenização, os índices de texto usam os delimitadores categorizados em Dash, Hyphen, Pattern_Syntax, Quotation_Mark, Terminal_Punctuation e White_Space na Unicode 8.0 Lista de suporte do banco de dados de caracteres.
Por exemplo, na string Il a dit qu'il «était le meilleur joueur du
monde», as aspas («, ») e espaços são delimitadores.
Versões anteriores do índice tratam « como parte do termo «était e » como parte do termo monde».
entrada de índice
Os índices de texto tokenizam e lematizam os termos nos campos indexados das entradas do índice. O índice usa a lematização simples de sufixos específicos do idioma. Para cada documento na coleção, o índice de texto armazena uma entrada de índice para cada termo com haste exclusivo em cada field indexado.
Idiomas suportados e palavras de parada
O MongoDB suporta queries $text para vários idiomas. Os índices de texto usam derivação simples de sufixo específico do idioma. Os índices de texto também descartam palavras vazias específicas da linguagem, como the, an, a e and em inglês. Para obter uma lista dos idiomas suportados, consulte $text linguagens de query em implantações autogerenciados.
Para especificar um idioma para o índice de texto, consulte Especificar idioma para índices de texto no MongoDB autogerenciado.
propriedade esparsa
Os índices de texto são sempre esparsos. Ao criar um índice de texto, o MongoDB ignora a opção sparse.
Se um documento existente ou recém-inserido não tiver um campo de índice de texto (ou o campo for nulo ou uma matriz vazia), o MongoDB não adicionará uma entrada de índice de texto para o documento.
Saiba mais
Para saber mais sobre as restrições de índice de texto, consulte Versões do índice de texto em sistemas autogerenciados.