# Telegram · Pesquisa de texto completo

Canonical page: https://phishdestroy.github.io/TgWitness/pt/docs/reference/search/

Encontre mensagens salvas por formas de palavras, frases exatas, domínios e @nomes de usuário, com as melhores correspondências exibidas primeiro, tendo o índice vinculado ao diário assinado.

[Project context and measured scale](https://phishdestroy.github.io/TgWitness/docs/reference/overview/)

[Documentation index](https://phishdestroy.github.io/TgWitness/pt/llms.txt)

Encontre mensagens salvas por formas de palavras, frases exatas, domínios e @nomes de usuário, com as melhores correspondências exibidas primeiro, tendo o índice vinculado ao diário assinado.

[TgWitness](https://github.com/phishdestroy/TgWitness/blob/main/README.md) / [Documentação](https://github.com/phishdestroy/TgWitness/blob/main/docs/README.md) · [Investigação](https://phishdestroy.github.io/TgWitness/pt/docs/reference/investigation/)

![Investigação](https://phishdestroy.github.io/TgWitness/assets/chapter-investigate.svg)

[Análise de arquivos](https://phishdestroy.github.io/TgWitness/pt/docs/reference/analysis/) · [OCR local e transcrição](https://phishdestroy.github.io/TgWitness/pt/docs/reference/media-analysis/) · [Wiki](https://github.com/phishdestroy/TgWitness/blob/main/docs/wiki/Archive-and-Integrations.md)

**Pré-visualização.** No **“Diário”**, selecione **“Melhor correspondência · formas da palavra”** ao lado do campo de pesquisa. Os resultados são classificados pelo BM25 e correspondem a outras formas da mesma palavra: *“перевод”* encontra *“переводом”* e *“переводы”*, *“transfer”* encontra *“transfers”*, uma frase em chinês é encontrada sem espaços. A opção **“Mais recentes primeiro · texto exato”** mantém a pesquisa anterior de subcadeias de caracteres em todo o registro.

O índice é um dado derivado. Ele é reconstruído a partir do diário assinado, nunca é assinado por si só e nunca é incluído em uma exportação. Os registros originais não sofrem alterações.

**Nesta página**

- [Sintaxe de pesquisa](https://phishdestroy.github.io/TgWitness/pt/docs/reference/search/#search-syntax)
- [Idiomas](https://phishdestroy.github.io/TgWitness/pt/docs/reference/search/#languages)
- [Onde fica o índice](https://phishdestroy.github.io/TgWitness/pt/docs/reference/search/#where-the-index-lives)
- [Resultados e o diário assinado](https://phishdestroy.github.io/TgWitness/pt/docs/reference/search/#results-and-the-signed-journal)
- [Texto reconhecido](https://phishdestroy.github.io/TgWitness/pt/docs/reference/search/#recognized-text)
- [Acesso](https://phishdestroy.github.io/TgWitness/pt/docs/reference/search/#access)
- [Consulte o arquivo e o MCP](https://phishdestroy.github.io/TgWitness/pt/docs/reference/search/#ask-the-archive-and-mcp)
- [Dependências](https://phishdestroy.github.io/TgWitness/pt/docs/reference/search/#dependencies)
- [Benchmark](https://phishdestroy.github.io/TgWitness/pt/docs/reference/search/#benchmark)

## Sintaxe de pesquisa

| Escrever | Resultados |
| --- | --- |
| `перевод карта` | Registros que contenham ambas as palavras, em qualquer forma |
| `"переводом на карту"` | A frase exata, nesta ordem |
| `бонус OR подарок` | Qualquer uma das palavras |
| `перевод -казино` | Registros sem a palavra excluída |
| `example.com` | O domínio e seus subdomínios, inclusive em links ocultos e URLs de botões |
| `@username`, `t.me/username` | Menções e links da conta, além das mensagens que ela enviou |
| `#tag` | A hashtag |
| `+79991234567`, um endereço de carteira, um endereço de e-mail | O mesmo valor em texto ou links |
| `from:@username`, `from:123456` | Mensagens desse remetente |
| `chat:-1001234567890` | Um chat; ele só pode restringir o seu próprio acesso |
| `id:42` | Versões salvas da mensagem 42 |
| `since:2026-01-01 until:2026-01-31` | Período de observação; uma data sem horário abrange o dia inteiro |
| `kind:edited` | Apenas edições (`new`, `snapshot`, `edited`, `recovered`) |
| `source:ocr`, `source:transcription`, `source:all` | Texto reconhecido em vez de, ou junto com, mensagens |

Preposições e outras palavras funcionais são ignoradas quando outras palavras estão presentes. Letras semelhantes misturadas em uma palavra (um *“a”* latino dentro de uma palavra cirílica), letras Unicode de largura total e decorativas, bem como caracteres invisíveis, são normalizadas.

## Idiomas

O idioma é detectado em cada registro a partir de seu script e das letras:

| Script | Correspondência |
| --- | --- |
| Cirílico | Lemas em russo e ucraniano com [o pymorphy3](https://github.com/no-plagiarism/pymorphy3). Sem o dicionário opcional de ucraniano, é utilizado um stemmer ucraniano simplificado |
| Latim | Stemmer “Snowball” em inglês; os diacríticos são ignorados |
| Chinês, japonês, coreano, tailandês, laosiano, khmer, birmanês | Pares de caracteres sobrepostos: qualquer frase é encontrada sem espaços. As consultas em chinês são divididas em palavras com o jieba |
| Outros scripts | Palavras exatas |

O dicionário ucraniano (`pymorphy3-dicts-uk`) é distribuído sob a licença GPL-3.0, portanto, não vem instalado por padrão. Instale-o com `pip install "tgwitness[uk-dictionary]"`; o índice reconhece o novo analisador e se recompila automaticamente.

## Onde fica o índice

| Modo | Armazenamento | Utilização |
| --- | --- | --- |
| No disco (padrão) | `search/fulltext.sqlite3` no diretório do espaço de trabalho | Arquivos grandes; resiste a reinicializações |
| Apenas na memória | Nada fica armazenado no disco; é reconstruída a cada inicialização | Nenhuma cópia derivada do texto da mensagem no disco |
| Desativado | Sem índice; **Mais recentes primeiro · o texto exato** permanece | Instalações mínimas |

O administrador principal escolhe o modo em **Diário → Filtros → Índice de pesquisa** para cada espaço de trabalho. `TGWITNESS_FULLTEXT=disk|memory|off` Define o padrão para espaços de trabalho que não tenham sua própria escolha. Mudar para “memória” ou desativar exclui o arquivo. O arquivo de índice tem a mesma proteção que o diário: ele fica no diretório de dados privados . Não é criptografado e não faz parte de backups nem de cópias externas.

Novos registros são indexados em segundo plano em questão de segundos; uma pesquisa também indexa primeiro um pequeno acúmulo de registros, de modo que um registro salvo há pouco tempo seja encontrado. Um diário existente é indexado após a atualização sem bloquear o painel; até então, os resultados abrangem os registros indexados e o diário mostra o andamento. **A reconstrução do índice** recomeça a partir do primeiro registro.

```
python -m tgwitness index status --data-dir data/live
python -m tgwitness index rebuild --data-dir data/live --json
```

`rebuild` é necessário que o painel seja encerrado (caso contrário, código de saída 3). Com `--json`, a saída padrão contém apenas o resultado; o progresso é direcionado para a saída de erro padrão.

## Resultados e o diário assinado

O índice armazena o número de sequência e o hash do último registro do diário que ele abrange e os verifica em relação ao diário quando este é aberto. Um diário substituído, restaurado ou editado provoca uma reconstrução. Cada resposta relata essa posição, e cada ocorrência é recuperada do diário assinado por meio de seu número de sequência: o índice decide quais registros exibir e em que ordem, mas nunca seu conteúdo. O acesso ao chat é aplicado ao próprio campo de chat do diário, não ao conteúdo do índice.

## Texto reconhecido

O OCR e as transcrições permanecem em seus artefatos criptografados. Seu índice existe apenas na memória e é reconstruído quando uma tarefa de reconhecimento é concluída. Uma correspondência aparece em seu `media.saved` registro, rotulado como “reconhecimento automático”, com o mecanismo, o modelo e um trecho; nunca é apresentado como texto enviado no Telegram. O mesmo índice serve para a função **“Pesquisar texto reconhecido**”, que também continua a encontrar subcadeias de caracteres simples.

## Acesso

O acesso restrito ao chat localiza apenas registros de seus chats, incluindo o texto reconhecido de seus anexos. `chat:` e outros filtros podem apenas restringir esse conjunto. O status do índice exibido para o acesso restrito omite os totais do diário. Somente o administrador principal pode alterar o modo ou reconstruir o índice.

## Consulte o arquivo e o MCP

**A consulta ao arquivo** recupera suas fontes a partir desse índice quando ele estiver completo: as melhores correspondências entre os chats selecionados, com cada texto salvo contado uma única vez. São enviadas até 24 fontes; textos longos são cortados em torno de sua correspondência e marcados como truncados. Consultas sobre alterações recentes, versões salvas de uma mensagem e pesquisas enquanto o índice ainda está sendo construído utilizam a recuperação cronológica anterior. A visualização prévia mostra qual método foi utilizado.

Os clientes MCP podem chamar `search_messages` com `ranked=true` e acessar com `next_offset`. Conexões com escopo restrito recebem apenas seus chats.

A paginação ordenada abrange, no máximo, os primeiros resultados 1,000, independentemente do tamanho da página. Restrinja a consulta, o chat ou o período para examinar mais correspondências. As buscas que priorizam as mensagens mais recentes ordenam as mensagens, os resultados de OCR e de transcrição antes de selecionar cada página.

## Dependências

| Pacote | Licença | Por que |
| --- | --- | --- |
| pymorphy3, pymorphy3-dicts-ru, DAWG2-Python | MIT | Lemas em russo e ucraniano; os dicionários são carregados localmente |
| snowballstemmer | BSD-3-Cláusula | Radicais em inglês, Python puro |
| jieba | MIT | Segmentação de consultas em chinês, Python puro (apenas distribuição do código-fonte) |
| pymorphy3-dicts-uk (opcional) | GPL-3.0 | Dicionário completo de ucraniano |

É necessário o SQLite FTS5 com o `unicode61` tokenizador; ele faz parte do SQLite nas versões atuais do Python. Sem ele, a pesquisa de melhor correspondência informa que não está disponível.

## Avaliação comparativa

`python tools/bench_fulltext.py --messages 1000000 --work <empty directory>`Cria um diário assinado determinístico com mensagens mistas em russo, ucraniano, inglês, chinês e japonês, com links e identificadores em 200 chats, constrói o índice e mede o tempo de pesquisas típicas (50 resultados, mediana de 7 execuções).

Testado no Windows 11, Intel Core i9-13900K, 128 GB de RAM, Python 3.12.10, SQLite 3.49.1, dados em uma unidade exFAT, analisador `fulltext-v1+pymorphy3-ru+light-uk+snowball-en`:

| Medida | Resultado |
| --- | --- |
| Diário assinado | 1.000.000 de mensagens, 1,50 GiB, gravadas em 19 minutos |
| Criação de índice a partir do diário | 71 s, cerca de 14.141 mensagens por segundo |
| Arquivo de índice | 58 MiB, 3,8% do diário |
| Pesquisar logo após um novo registro | Mediana de 8 ms, p95 de 9 ms |
| Pesquisa de subcadeia anterior, mesmo diário | `перевод` 3,2 s, `银行转账` 2,6 s, `verify-account.example` 2,6 s |

| Pesquisar | Registros correspondentes | Melhor correspondência, mediana | p95 | Mais recentes primeiro, mediana |
| --- | --- | --- | --- | --- |
| Palavras comuns e suas formas: `перевод` | 134,403 | 82 ms | 85 ms | 7 ms |
| Duas palavras: `оплата карта` | 28,996 | 43 ms | 43 ms | 14 ms |
| Palavra rara: `розыгрыш подарок` | 28,881 | 42 ms | 47 ms | 13 ms |
| Frase exata: `"переказ коштів на картку"` | não contabilizado | 35 ms | 36 ms | 6 ms |
| Domínio com subdomínios: `verify-account.example` | 12,435 | 17 ms | 17 ms | 3 ms |
| @username: `@support_desk_bot` | 10,331 | 15 ms | 16 ms | 3 ms |
| Chinês sem espaços: `银行转账` | 17,691 | 23 ms | 24 ms | 3 ms |
| Japonês: `リンク` | 16,603 | 23 ms | 25 ms | 3 ms |
| Raiz em inglês: `withdrawal` | 27,775 | 26 ms | 26 ms | 2 ms |
| OU e exclusão: `бонус OR подарок -казино` | 268,034 | 190 ms | 193 ms | 19 ms |
| Filtro de bate-papo: `chat:-1000000000007 перевод` | 652 | 9 ms | 9 ms | 6 ms |
| Filtro de período: `since:2026-01-01 until:2026-01-31 выплата` | 115,732 | 155 ms | 156 ms | 81 ms |

Uma frase exata é verificada literalmente nos candidatos em ordem de classificação até que a página esteja cheia; portanto, seu total não é contabilizado. O tempo de resposta aumenta com o número de registros correspondentes; restringir o chat ou o período torna as buscas amplas mais rápidas. O corpus sintético repete um vocabulário reduzido, de modo que palavras comuns correspondem a muito mais registros do que em chats reais.