MySQL 全文索引实现简单版搜索引擎
已收录 6550

前言

  • 只有 Innodb 和 myisam 存储引擎能用全文索引（innodb 支持全文索引是从 mysql5.6 开始的）
  • char、varchar、text 类型字段能创建全文索引（fulltext index type）
  • 全文索引的基于关键词的，如何区分不同的关键词了，就要用到分词（stopword）
  • 英文单词用空格，逗号进行分词；中文分词不方便（一个句子不知道怎样区分不同的关键词）
  • 内置分词解析器ngram支持中文，日文，韩文（将句子分成固定数字的短语）
  • 当对表写入大量数据时，写入数据后再创建全文索引的速度更快（减少了维护索引的开销）
  • 全文索引的原理的倒排索引（一种数据结构），一般利用关联数组，在辅助表中存储单词与文档中所在位置的映射

使用

用 MATCH() … AGAINST 方式来进行搜索


match()表示搜索的是那个列，against 表示要搜索的是那个字符串

查看默认的分词（以这些词来区分不同的关键词）；也可以自定义分词，以这些词来区分不同的关键词


SELECT * FROM information_schema.INNODB_FT_DEFAULT_STOPWORD;
如

+-------+
| value |
+-------+
| a |
| about |
| an |
| are |
| as |
| at |
| be |
| by |
| com |
| de |
| en |
| for |
| from |


三种类型的全文搜索方式

natural language search（自然语言搜索）
通过 MATCH AGAINST 传递某个特定的字符串来进行检，默认方式

boolean search（布尔搜索）
为检索的字符串增加操作符，如“+”表示必须包含，”-“不包含，”*” 表示通配符，即使传递的字符串较小或出现在停词中，也不会被过滤掉

query expansion search（查询扩展搜索）
搜索字符串用于执行自然语言搜索，然后，搜索返回的最相关行的单词被添加到搜索字符串，并且再次进行搜索，查询将返回来自第二个搜索的行

相关参数

配置相关参数


innodb_ft_min_token_size
默认 3，表示最小 3 个字符作为一个关键词，增大该值可减少全文索引的大小

innodb_ft_max_token_size
默认 84，表示最大 84 个字符作为一个关键词，限制该值可减少全文索引的大小

ngram_token_size
默认 2，表示 2 个字符作为内置分词解析器的一个关键词，如对“abcd”建立全文索引，

关键词为’ab’，’bc’，’cd’当使用 ngram 分词解析器时，innodb_ft_min_token_size 和 innodb_ft_max_token_size 无效

注意 这三个参数均不可动态修改，修改了这些参数，需重启 MySQL 服务，并重新建立全文索引

测试 innodb 引擎使用全文索引

准备

1、目标

  • 查询文章中是否含有某个关键词；一系列文章出现某个关键词的次数
  • 查询文章的标题是否含有某个关键词

2、设置以下参数减少磁盘 IO 压力

SET GLOBAL sync_binlog=100;
SET GLOBAL innodb_flush_log_at_trx_commit=2;

3、导入 1kw 数据进行测试全文索引

该数据来源网上搜索
提取码：60l7

4、某个文章表 的结构

CREATE TABLE `article` (
`id` bigint(10) NOT NULL,
`url` varchar(1024) CHARACTER SET latin1 NOT NULL DEFAULT '',
`title` varchar(256) NOT NULL DEFAULT '',
`source` varchar(32) DEFAULT '' COMMENT '真实来源',
`keywords` varchar(32) DEFAULT NULL,
`publish_time` timestamp NULL DEFAULT NULL,
PRIMARY KEY (`id`),
KEY `title_idx` (`title`)
) ENGINE=InnoDB

使用 myloader 多线程导入测试数据

先把测试数据进行解压
tar -zxf mydumper_dump_article.tar.gz
time myloader -u $user -p $passwd -S $socket -t 32 -d /datas/dump_article -v 3

5、导入数据后总数据量和数据文件、索引文件大小

SELECT COUNT(*) FROM `article`;
+----------+
| COUNT(*) |
+----------+
| 10000000 |
+----------+
1 row in set (7.85 sec)

SELECT table_name, CONCAT(FORMAT(SUM(data_length) / 1024 / 1024,2),'M') AS dbdata_size, CONCAT(FORMAT(SUM(index_length) / 1024 / 1024,2),'M') AS dbindex_size, CONCAT(FORMAT(SUM(data_length + index_length) / 1024 / 1024 / 1024,2),'G') AS `db_size(G)`, AVG_ROW_LENGTH,table_rows,update_time FROM information_schema.tables WHERE table_schema = DATABASE() and table_name='article';
+------------+-------------+--------------+------------+----------------+------------+---------------------+
| table_name | dbdata_size | dbindex_size | db_size(G) | AVG_ROW_LENGTH | table_rows | update_time |
+------------+-------------+--------------+------------+----------------+------------+---------------------+
| article | 3,710.00M | 1,003.00M | 4.60G | 414 | 9388739 | 2019-07-05 15:31:37 |
+------------+-------------+--------------+------------+----------------+------------+---------------------+

 

使用默认方式创建全文索引

 

1、该表已有关键词字段（对文章内容的简述），并以“,”作为分词符

select keywords from article limit 10;
+-------------------------------------------------+
| keywords |
+-------------------------------------------------+
| NULL |
| NULL |
| ,婚姻,爱情 |
| 发型,偏分,化妆,时尚 |
| 小 A, |
| ,服装搭配,女性,时尚 |
| 漂亮,女性 |
| 情人节,东莞,女性 |
| 皮肤,护肤,护肤,食品营养,美容,养生 |
| 三里屯,北京,时尚 |
+-------------------------------------------------+

2、不建全文索引时搜索某个关键词

需要进行全表扫描

select count(*) from article where keywords like '%时尚%';
+----------+
| count(*) |
+----------+
| 163 |
+----------+
1 row in set (7.56 sec)

3、对关键词字段创建全文索引（以 , 作为分词）

  • my.cnf 配置文件中设置 innodb_ft_min_token_size，并重启 MySQL 服务（最小两个字符作为一个关键词，默认三个字符作为一个关键词）
[mysqld]
innodb_ft_min_token_size=2

 

 

3.1 设置自定义 stopwords（即分词）

USE mysql;
CREATE TABLE my_stopwords(VALUE VARCHAR(30)) ENGINE = INNODB;
INSERT INTO my_stopwords(VALUE) VALUE (',');
SET GLOBAL innodb_ft_server_stopword_table = 'mysql/my_stopwords';

SHOW GLOBAL  VARIABLES WHERE Variable_name IN('innodb_ft_min_token_size','innodb_ft_server_stopword_table');
+---------------------------------+--------------------+
| Variable_name                   | Value              |
+---------------------------------+--------------------+
| innodb_ft_min_token_size        | 2                  |
| innodb_ft_server_stopword_table | mysql/my_stopwords |
+---------------------------------+--------------------+


    

  • 3.2 创建全文索引
    • 



alter table article add fulltext index idx_full_keyword(keywords); * [ ] Query OK, 0 rows affected, 1 warning (1 min 27.92 sec) * [ ] Records: 0 Duplicates: 0 Warnings: 1


    

  • 3.3 剩余磁盘空间需足够，原表 4.6G，剩余 5.7G 磁盘，添加全文索引也会失败
    • 



df -h Filesystem Size Used Avail Use% Mounted on /dev/vda1 7.8G 6.3G 1.2G 85% / tmpfs 1.9G 0 1.9G 0% /dev/shm /dev/mapper/vg_opt-lvol0 19G 12G 5.7G 68% /datas


会创建原表大小的临时文件

8.6K Jul 5 16:19 #sql-5250_3533.frm

4.4G Jul 5 16:20 #sql-ib117-1768830977.ibd


alter table article add fulltext index idx_full_keyword(keywords);

ERROR 1114 (HY000): The table ‘article’ is full


 


    

  • 3.4 利用创建的全文索引进行查询某个关键词出现的次数
    
查询响应时间有了很大的提升，只需 0.05s；使用 where keywords like ‘%时尚%’ 需要 7.56s
    • 



select count(*) from article where match(keywords) against('%时尚%'); +----------+ | count(*) | +----------+ | 163 | +----------+ 1 row in set (0.05 sec)


    

  • 3.5 如需同时完全匹配多个关键词，用布尔全文搜索
    • 



表示完全匹配 "三里屯,北京" 的记录数 select count(*) from article where match(keywords) against('+三里屯,北京' in boolean mode); +----------+ | count(*) | +----------+ | 1 | +----------+ 1 row in set (0.06 sec)


 


表示匹配“三里屯” 或者 “北京”的记录数


select count(*) from article where match(keywords) against('三里屯,北京');
+----------+
| count(*) |
+----------+
| 8 |
+----------+
1 row in set (0.06 sec)


 


    

  • 3.6 创建全文索引后，会创建一些其它文件96K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_1.ibd

    96K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_2.ibd
    
96K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_3.ibd
    
96K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_4.ibd
    
128K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_5.ibd
    
256K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_6.ibd
    
96K Jul 5 16:29 FTS_00000000000000a7_BEING_DELETED_CACHE.ibd
    
96K Jul 5 16:29 FTS_00000000000000a7_BEING_DELETED.ibd
    
96K Jul 5 16:30 FTS_00000000000000a7_CONFIG.ibd
    
96K Jul 5 16:29 FTS_00000000000000a7_DELETED_CACHE.ibd
    
96K Jul 5 16:29 FTS_00000000000000a7_DELETED.ibd
    
– 前 6 个表示倒排索引（辅助索引表）
    
– 第 7，8 个表示包含已删除文档的文档 ID（DOC_ID），其数据当前正在从全文索引中删除
    
– 第 9 个表示 FULLTEXT 索引内部状态的信息
    
– 第 10，11 个表示包含已删除但尚未从全文索引中删除其数据的文档
    • 



使用 ngram 分词解析器创建全文索引


1、对 title 字段建立全文索引（该字段没有固定的 stopwords 分词，使用 ngram 分词解析器）




需先在 my.cnf 配置文件中设置 ngram_token_size（默认为 2，2 个字符作为 ngram 的关键词），并重启 mysql 服务

这里使用默认的 2


select title from article limit 10; +——————————————————————————+ | title | +——————————————————————————+ | worth IT | |Launchpad 江南皮革厂小 show | |Raw 幕后罕见一刻 “疯子”被抬回后台 | |Raw:公子大骂老爸你就是个绿茶 公子以一打四 | |四组 30 平米精装小户型，海量图片，附户型图 | |夜店女王性感烟熏猫眼妆 | |大秀哥重摔“巨石”强森 | |少女时代 崔秀英 服饰科普 林允儿 黄美英 金泰妍 郑秀晶 | |德阳户外踏青，花田自助烧烤 | +——————————————————————————+


2、对 title 字段创建全文索引


alter table article add fulltext index ft_index_title(title) with parser ngram;


Query OK, 0 rows affected (3 min 29.22 sec) Records: 0 Duplicates: 0 Warnings: 0


3、会创建倒排索引（title 字段越长长，创建的倒排索引越大）




112M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_1.ibd

28M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_2.ibd

20M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_3.ibd

140M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_4.ibd

128M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_5.ibd

668M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_6.ibd


4、不建立全文索引搜索 title 的某个关键词


select count(*) from article where title like '%户外%';
+----------+
| count(*) |
+----------+
|    22058 |
+----------+
1 row in set (8.60 sec)

select count(*) from article where title like '%后台%';
+----------+
| count(*) |
+----------+
| 1142 |
+----------+


 




5、使用全文索引搜索某个关键词




响应时间有很大的提升


select count(*) from article where match(title)  against('户外');
+----------+
| count(*) |
+----------+
|    22058 |
+----------+
1 row in set (0.07 sec)

select count(*) from article where title like '%后台%';
+----------+
| count(*) |
+----------+
| 1142 |
+----------+
1 row in set (8.31 sec)


 




6、注意当搜索的关键词字符数大于 2 （ngram_token_size 定义大小）会出现不一致问题


 


普通搜索，实际中出现该关键词的记录数为 6


select count(*) from article where title like ‘%公子大%’; +———-+ | count(*) | +———-+ | 6 | +———-+ 1 row in set (8.40 sec)全文搜索，出现关键字的记录数为 9443

select count(*) from article where match(title) against(‘公子大’);

+———-+

| count(*) |

+———-+

| 9443 |

+———-+

1 row in set (0.06 sec)


实际出现该关键字的记录数为 1

select count(*) from article where title like ‘%花田自助%’;

+———-+

| count(*) |

+———-+

| 1 |

+———-+

1 row in set (8.33 sec)


全文搜索出现该关键词的记录数为 3202

select count(*) from article where match(title) against(‘花田自助’);

+———-+

| count(*) |

+———-+

| 3202 |

+———-+

1 row in set (0.06 sec)


结论


    

  • 当 mysql 某字段中有固定的 stopword 分词（英文的空格符，中文的“,””-“等），对该字段建立全文索引，能快速搜索出现某个关键词的相关记录信息，实现简单搜索引擎的效果
    • 

  • 当 mysql 某字段没有固定的 stopword 分词，使用内置解析器 ngram 可将字段值分成固定数量（ngram_token_size 定义大小）的关键词快速进行搜索；当搜索的关键词的字符数量不等于 ngram_token_size 定义大小时，会出现与实际情况不一致的问题
    • 

  • 全文索引能快速搜索，也存在维护索引的开销；字段长度越大，创建的全文索引也越大，会影响 DML 语句的吞吐量，可用专门的全文搜索引擎 ES 来做这件事
    • 



参考

InnoDB FULLTEXT Indexes



   
 
© 版权声明
博主的文章没有高度、深度和广度，只是凑字数。利用读书、参考、引用、抄袭、复制和粘贴等多种方式打造成自己的纯镀 24k 文章！如若有侵权，请联系博主删除。

☆ END ☆
后端开发程序开发
喜欢就点个赞吧
点赞0 分享
 
 
 
 
   
 
 
 
 
 
相关推荐
 
 
 
 
 
    
图片正在生成中，请稍后...