當(dāng)前位置：首頁 > 运维知识 > 数据库 >内容正文

数据库

MySQL 全文索引实现简单版搜索引擎

發(fā)布時(shí)間：2024/9/20 数据库 49 豆豆

生活随笔收集整理的這篇文章主要介紹了 MySQL 全文索引实现简单版搜索引擎小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

前言
使用
三種類型的全文搜索方式
相關(guān)參數(shù)
測(cè)試innodb引擎使用全文索引
- 準(zhǔn)備
- 使用默認(rèn)方式創(chuàng)建全文索引
- 使用ngram分詞解析器創(chuàng)建全文索引
結(jié)論

前言

只有Innodb和myisam存儲(chǔ)引擎能用全文索引（innodb支持全文索引是從mysql5.6開始的）
char、varchar、text類型字段能創(chuàng)建全文索引（fulltext index type）
全文索引的基于關(guān)鍵詞的，如何區(qū)分不同的關(guān)鍵詞了，就要用到分詞（stopword）
英文單詞用空格，逗號(hào)進(jìn)行分詞；中文分詞不方便（一個(gè)句子不知道怎樣區(qū)分不同的關(guān)鍵詞）
內(nèi)置分詞解析器ngram支持中文，日文，韓文（將句子分成固定數(shù)字的短語）
當(dāng)對(duì)表寫入大量數(shù)據(jù)時(shí)，寫入數(shù)據(jù)后再創(chuàng)建全文索引的速度更快（減少了維護(hù)索引的開銷）
全文索引的原理的倒排索引（一種數(shù)據(jù)結(jié)構(gòu)），一般利用關(guān)聯(lián)數(shù)組，在輔助表中存儲(chǔ)單詞與文檔中所在位置的映射

使用

用MATCH() ... AGAINST 方式來進(jìn)行搜索
match()表示搜索的是那個(gè)列，against表示要搜索的是那個(gè)字符串

查看默認(rèn)的分詞（以這些詞來區(qū)分不同的關(guān)鍵詞）；也可以自定義分詞，以這些詞來區(qū)分不同的關(guān)鍵詞
SELECT * FROM information_schema.INNODB_FT_DEFAULT_STOPWORD;
如

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

三種類型的全文搜索方式

natural language search（自然語言搜索）
通過MATCH AGAINST 傳遞某個(gè)特定的字符串來進(jìn)行檢，默認(rèn)方式

boolean search（布爾搜索）
為檢索的字符串增加操作符，如“+”表示必須包含，"-"不包含，"*" 表示通配符，即使傳遞的字符串較小或出現(xiàn)在停詞中，也不會(huì)被過濾掉

query expansion search（查詢擴(kuò)展搜索）
搜索字符串用于執(zhí)行自然語言搜索，然后，搜索返回的最相關(guān)行的單詞被添加到搜索字符串，并且再次進(jìn)行搜索，查詢將返回來自第二個(gè)搜索的行

測(cè)試innodb引擎使用全文索引

準(zhǔn)備

1、目標(biāo)

查詢文章中是否含有某個(gè)關(guān)鍵詞；一系列文章出現(xiàn)某個(gè)關(guān)鍵詞的次數(shù)
查詢文章的標(biāo)題是否含有某個(gè)關(guān)鍵詞

2、設(shè)置以下參數(shù)減少磁盤IO壓力

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

3、導(dǎo)入1kw 數(shù)據(jù)進(jìn)行測(cè)試全文索引
該數(shù)據(jù)來源網(wǎng)上搜索
提取碼：60l7

4、某個(gè)文章表的結(jié)構(gòu)

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 '真實(shí)來源',`keywords` varchar(32) DEFAULT NULL,`publish_time` timestamp NULL DEFAULT NULL,PRIMARY KEY (`id`),KEY `title_idx` (`title`) ) ENGINE=InnoDB

使用myloader 多線程導(dǎo)入測(cè)試數(shù)據(jù)

先把測(cè)試數(shù)據(jù)進(jìn)行解壓 tar -zxf mydumper_dump_article.tar.gz time myloader -u $user -p $passwd -S $socket -t 32 -d /datas/dump_article -v 3

5、導(dǎo)入數(shù)據(jù)后總數(shù)據(jù)量和數(shù)據(jù)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 | +------------+-------------+--------------+------------+----------------+------------+---------------------+

使用默認(rèn)方式創(chuàng)建全文索引

1、該表已有關(guān)鍵詞字段（對(duì)文章內(nèi)容的簡(jiǎn)述），并以“,”作為分詞符

2、不建全文索引時(shí)搜索某個(gè)關(guān)鍵詞
需要進(jìn)行全表掃描

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

3、對(duì)關(guān)鍵詞字段創(chuàng)建全文索引（以 , 作為分詞）

my.cnf配置文件中設(shè)置innodb_ft_min_token_size，并重啟MySQL服務(wù)（最小兩個(gè)字符作為一個(gè)關(guān)鍵詞，默認(rèn)三個(gè)字符作為一個(gè)關(guān)鍵詞）

[mysqld] innodb_ft_min_token_size=2

3.1 設(shè)置自定義stopwords（即分詞）

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 創(chuàng)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 剩余磁盤空間需足夠，原表4.6G，剩余5.7G磁盤，添加全文索引也會(huì)失敗

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-lvol019G 12G 5.7G 68% /datas會(huì)創(chuàng)建原表大小的臨時(shí)文件8.6K Jul 5 16:19 #sql-5250_3533.frm4.4G Jul 5 16:20 #sql-ib117-1768830977.ibdalter table article add fulltext index idx_full_keyword(keywords); ERROR 1114 (HY000): The table 'article' is full

3.4 利用創(chuàng)建的全文索引進(jìn)行查詢某個(gè)關(guān)鍵詞出現(xiàn)的次數(shù)
查詢響應(yīng)時(shí)間有了很大的提升，只需0.05s；使用where keywords like '%時(shí)尚%' 需要7.56s

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

3.5 如需同時(shí)完全匹配多個(gè)關(guān)鍵詞，用布爾全文搜索

表示完全匹配 "三里屯,北京" 的記錄數(shù) 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”的記錄數(shù) select count(*) from article where match(keywords) against('三里屯,北京'); +----------+ | count(*) | +----------+ | 8 | +----------+ 1 row in set (0.06 sec)

3.6 創(chuàng)建全文索引后，會(huì)創(chuàng)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個(gè)表示倒排索引（輔助索引表）
- 第7，8個(gè)表示包含已刪除文檔的文檔ID（DOC_ID），其數(shù)據(jù)當(dāng)前正在從全文索引中刪除
- 第9個(gè)表示FULLTEXT索引內(nèi)部狀態(tài)的信息
- 第10，11個(gè)表示包含已刪除但尚未從全文索引中刪除其數(shù)據(jù)的文檔

使用ngram分詞解析器創(chuàng)建全文索引

1、對(duì)title字段建立全文索引（該字段沒有固定的stopwords 分詞，使用ngram分詞解析器）
需先在my.cnf 配置文件中設(shè)置ngram_token_size（默認(rèn)為2，2個(gè)字符作為ngram 的關(guān)鍵詞），并重啟mysql服務(wù)
這里使用默認(rèn)的 2

2、對(duì)title字段創(chuàng)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、會(huì)創(chuàng)建倒排索引（title字段越長長，創(chuàng)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的某個(gè)關(guān)鍵詞

select count(*) from article where title like '%戶外%'; +----------+ | count(*) | +----------+ | 22058 | +----------+ 1 row in set (8.60 sec)select count(*) from article where title like '%后臺(tái)%'; +----------+ | count(*) | +----------+ | 1142 | +----------+

5、使用全文索引搜索某個(gè)關(guān)鍵詞
響應(yīng)時(shí)間有很大的提升

select count(*) from article where match(title) against('戶外'); +----------+ | count(*) | +----------+ | 22058 | +----------+ 1 row in set (0.07 sec)select count(*) from article where title like '%后臺(tái)%'; +----------+ | count(*) | +----------+ | 1142 | +----------+ 1 row in set (8.31 sec)

6、注意當(dāng)搜索的關(guān)鍵詞字符數(shù)大于2 （ngram_token_size定義大小）會(huì)出現(xiàn)不一致問題

普通搜索，實(shí)際中出現(xiàn)該關(guān)鍵詞的記錄數(shù)為6 select count(*) from article where title like '%公子大%'; +----------+ | count(*) | +----------+ | 6 | +----------+ 1 row in set (8.40 sec)全文搜索，出現(xiàn)關(guān)鍵字的記錄數(shù)為9443 select count(*) from article where match(title) against('公子大'); +----------+ | count(*) | +----------+ | 9443 | +----------+ 1 row in set (0.06 sec)實(shí)際出現(xiàn)該關(guān)鍵字的記錄數(shù)為1 select count(*) from article where title like '%花田自助%'; +----------+ | count(*) | +----------+ | 1 | +----------+ 1 row in set (8.33 sec)全文搜索出現(xiàn)該關(guān)鍵詞的記錄數(shù)為3202 select count(*) from article where match(title) against('花田自助'); +----------+ | count(*) | +----------+ | 3202 | +----------+ 1 row in set (0.06 sec)

結(jié)論

當(dāng)mysql 某字段中有固定的stopword 分詞（英文的空格符，中文的“,”"-"等），對(duì)該字段建立全文索引，能快速搜索出現(xiàn)某個(gè)關(guān)鍵詞的相關(guān)記錄信息，實(shí)現(xiàn)簡(jiǎn)單搜索引擎的效果
當(dāng)mysql 某字段沒有固定的stopword 分詞，使用內(nèi)置解析器ngram 可將字段值分成固定數(shù)量（ngram_token_size定義大小）的關(guān)鍵詞快速進(jìn)行搜索；當(dāng)搜索的關(guān)鍵詞的字符數(shù)量不等于ngram_token_size定義大小時(shí)，會(huì)出現(xiàn)與實(shí)際情況不一致的問題
全文索引能快速搜索，也存在維護(hù)索引的開銷；字段長度越大，創(chuàng)建的全文索引也越大，會(huì)影響DML語句的吞吐量，可用專門的全文搜索引擎ES來做這件事

來源:https://www.cnblogs.com/YangJiaXin/p/11153579.html

總結(jié)

以上是生活随笔為你收集整理的MySQL 全文索引实现简单版搜索引擎的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。

上一篇：今日长江水位公告查询（今日长江水位公告）
下一篇： MYSQL中常用的强制性操作（例如强制索