MySQL 全文索引實現一個簡單版搜索引擎

cnblogs.com/YangJiaXin/p/11153579.html

前言

• 只有Innodb和myisam存儲引擎能用全文索引（innodb支持全文索引是從mysql5.6開始的）
• char、varchar、text類型字段能創建全文索引（fulltext index type）
• 全文索引的基於關鍵詞的，如何區分不同的關鍵詞了，就要用到分詞（stopword）
• 英文單詞用空格，逗號進行分詞；中文分詞不方便（一個句子不知道怎樣區分不同的關鍵詞）
• 內置分詞解析器ngram支持中文，日文，韓文（將句子分成固定數字的短語）
• 當對錶寫入大量數據時，寫入數據後再創建全文索引的速度更快（減少了維護索引的開銷）
• 全文索引的原理的倒排索引（一種數據結構），一般利用關聯數組，在輔助表中存儲單詞與文檔中所在位置的映射

使用

用MATCH() … AGAINST 方式來進行搜索

match()表示搜索的是那個列，against表示要搜索的是那個字符串

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

如

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

三種類型的全文搜索方式

natural language search（自然語言搜索）

通過MATCH AGAINST 傳遞某個特定的字符串來進行檢，默認方式

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在停詞中，也不會被過濾掉

query expansion search（查詢擴展搜索）

搜索字符串用於執行自然語言搜索，然後，搜索返回的最相關行的單詞被添加到搜索字符串，並且再次進行搜索，查詢將返回來自第二個搜索的行

相關參數

配置相關參數

innodb_ft_min_token_size默認3，表示最小3個字符作為一個關鍵詞，增大該值可減少全文索引的大小

innodb_ft_max_token_size默認84，表示最大84個字符作為一個關鍵詞，限制該值可減少全文索引的大小

ngram_token_size默認2，表示2個字符作為內置分詞解析器的一個關鍵詞，如對“abcd”建立全文索引，關鍵詞為'ab'，'bc'，'cd'

當使用ngram分詞解析器時，innodb_ft_min_token_size和innodb_ft_max_token_size 無效

注意 這三個參數均不可動態修改，修改了這些參數，需重啟MySQL服務，並重新建立全文索引

測試innodb引擎使用全文索引

準備

1、目標

• 查詢文章中是否含有某個關鍵詞；一系列文章出現某個關鍵詞的次數
• 查詢文章的標題是否含有某個關鍵詞

2、設置以下參數減少磁盤IO壓力

<code>SET GLOBAL sync_binlog=100;
SET GLOBAL innodb_flush_log_at_trx_commit=2;/<code>

3、導入1kw 數據進行測試全文索引

該數據來源網上搜索

https://pan.baidu.com/s/1aaB1R3bkBGZRMEx0o6T61w 提取碼：60l7

4、某個文章表 的結構

<code>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 '真實來源',
  `keywords` varchar(32) DEFAULT NULL,
  `publish_time` timestamp NULL DEFAULT NULL,
  PRIMARY KEY (`id`),
  KEY `title_idx` (`title`)
) ENGINE=InnoDB/<code>

使用myloader 多線程導入測試數據

<code>-- 先把測試數據進行解壓
tar -zxf mydumper_dump_article.tar.gz
time myloader -u $user -p $passwd -S $socket -t 32 -d /datas/dump_article -v 3/<code>

5、導入數據後總數據量和數據文件、索引文件大小

<code>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 |
+------------+-------------+--------------+------------+----------------+------------+---------------------+/<code>

使用默認方式創建全文索引

1、該表已有關鍵詞字段（對文章內容的簡述），並以“,”作為分詞符

<code>select keywords from article limit 10;
+-------------------------------------------------+
| keywords                                        |
+-------------------------------------------------+
| NULL                                            |
| NULL                                            |
| ,婚姻,愛情                                      |
| 髮型,偏分,化妝,時尚                             |
| 小A,                                            |
| ,服裝搭配,女性,時尚                             |
| 漂亮,女性                                       |
| 情人節,東莞,女性                                |
| 皮膚,護膚,護膚,食品營養,美容,養生               |
| 三里屯,北京,時尚                                |
+-------------------------------------------------+/<code>

2、不建全文索引時搜索某個關鍵詞

需要進行全表掃描

<code>select count(*) from article where keywords like '%時尚%';
+----------+
| count(*) |
+----------+
|      163 |
+----------+
1 row in set (7.56 sec)/<code>

3、對關鍵詞字段創建全文索引（以 , 作為分詞）

my.cnf配置文件中設置innodb_ft_min_token_size，並重啟MySQL服務（最小兩個字符作為一個關鍵詞，默認三個字符作為一個關鍵詞）

<code>[mysqld]
innodb_ft_min_token_size=2/<code>

3.1 設置自定義stopwords（即分詞）

<code>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';/<code>

~

<code>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 |
+---------------------------------+--------------------+/<code>

3.2 創建全文索引

<code>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/<code>

3.3 剩餘磁盤空間需足夠，原表4.6G，剩餘5.7G磁盤，添加全文索引也會失敗

<code>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

-- 會創建原表大小的臨時文件
 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/<code>

3.4 利用創建的全文索引進行查詢某個關鍵詞出現的次數

查詢響應時間有了很大的提升，只需0.05s；使用where keywords like '%時尚%' 需要7.56s。推薦閱讀：MySQL性能優化實踐（很全面，值得收藏）

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

3.5 如需同時完全匹配多個關鍵詞，用布爾全文搜索

表示完全匹配 "三里屯,北京" 的記錄數

<code>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)/<code>

表示匹配“三里屯” 或者 “北京”的記錄數

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

3.6 創建全文索引後，會創建一些其它文件

96K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_1.ibd96K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_2.ibd96K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_3.ibd96K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_4.ibd128K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_5.ibd256K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_6.ibd96K Jul 5 16:29 FTS_00000000000000a7_BEING_DELETED_CACHE.ibd96K Jul 5 16:29 FTS_00000000000000a7_BEING_DELETED.ibd96K Jul 5 16:30 FTS_00000000000000a7_CONFIG.ibd96K Jul 5 16:29 FTS_00000000000000a7_DELETED_CACHE.ibd96K Jul 5 16:29 FTS_00000000000000a7_DELETED.ibd

• 前6個表示倒排索引（輔助索引表）
• 第7，8個表示包含已刪除文檔的文檔ID（DOC_ID），其數據當前正在從全文索引中刪除
• 第9個表示FULLTEXT索引內部狀態的信息
• 第10，11個表示包含已刪除但尚未從全文索引中刪除其數據的文檔

使用ngram分詞解析器創建全文索引

1、對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 配置文件中設置ngram_token_size（默認為2，2個字符作為ngram 的關鍵詞），並重啟mysql服務

這裡使用默認的 2

<code>select title from article limit 10;
+------------------------------------------------------------------------------+
| title                                                                        |
+------------------------------------------------------------------------------+
| worth IT                                                                    |
|Launchpad 江南皮革廠小show                                                  |
|Raw 幕後罕見一刻 “瘋子”被抬回後臺                                           |
|Raw:公子大罵老爸你就是個綠茶  公子以一打四                                  |
|四組30平米精裝小戶型，海量圖片，附戶型圖                                    |
|夜店女王性感煙燻貓眼妝                                                      |
|大秀哥重摔“巨石”強森                                                        |
|少女時代 崔秀英 服飾科普 林允兒 黃美英 金泰妍 鄭秀晶                        |                                              
|德陽戶外踏青，花田自助燒烤                                                  |
+------------------------------------------------------------------------------+/<code>

2、對title字段創建全文索引

<code>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/<code>

3、會創建倒排索引（title字段越長長，創建的倒排索引越大）

112M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_1.ibd28M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_2.ibd20M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_3.ibd140M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_4.ibd128M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_5.ibd668M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_6.ibd

4、不建立全文索引搜索title的某個關鍵詞

<code>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 '%後臺%';
+----------+
| count(*) |
+----------+
|     1142 |
+----------+/<code>

5、使用全文索引搜索某個關鍵詞

響應時間有很大的提升

<code>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 '%後臺%';
+----------+
| count(*) |
+----------+
|     1142 |
+----------+
1 row in set (8.31 sec)/<code>

6、注意當搜索的關鍵詞字符數大於2 （ngram_token_size定義大小）會出現不一致問題

普通搜索，實際中出現該關鍵詞的記錄數為6

<code>select count(*) from article where title like '%公子大%';
+----------+
| count(*) |
+----------+
|        6 |
+----------+
1 row in set (8.40 sec)/<code>

全文搜索，出現關鍵字的記錄數為9443

<code>select count(*) from article where match(title)  against('公子大');
+----------+
| count(*) |
+----------+
|     9443 |
+----------+
1 row in set (0.06 sec)/<code>

實際出現該關鍵字的記錄數為1

<code>select count(*) from article where title like '%花田自助%';
+----------+
| count(*) |
+----------+
|        1 |
+----------+
1 row in set (8.33 sec)/<code>

全文搜索出現該關鍵詞的記錄數為3202

<code>select count(*) from article where match(title)  against('花田自助');
+----------+
| count(*) |
+----------+
|     3202 |
+----------+
1 row in set (0.06 sec)/<code>

結論

當mysql 某字段中有固定的stopword 分詞（英文的空格符，中文的“,”"-"等），對該字段建立全文索引，能快速搜索出現某個關鍵詞的相關記錄信息，實現簡單搜索引擎的效果

當mysql 某字段沒有固定的stopword 分詞，使用內置解析器ngram 可將字段值分成固定數量（ngram_token_size定義大小）的關鍵詞快速進行搜索；當搜索的關鍵詞的字符數量不等於ngram_token_size定義大小時，會出現與實際情況不一致的問題

全文索引能快速搜索，也存在維護索引的開銷；字段長度越大，創建的全文索引也越大，會影響DML語句的吞吐量，可用專門的全文搜索引擎ES來做這件事

參考

https://dev.mysql.com/doc/refman/8.0/en/innodb-fulltext-index.html

END

閱讀更多 啟迪雲Tuscloud 的文章

關鍵字: 數據結構 MySQL 全文索引