MySQL 實(shí)現(xiàn)一個(gè)簡(jiǎn)單版搜索引擎，真是絕了！

時(shí)間：2023-03-17 03:52:01 | 來(lái)源：電子商務(wù)

時(shí)間：2023-03-17 03:52:01 來(lái)源：電子商務(wù)

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(kāi)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(yǔ)）
• 當(dāng)對(duì)表寫(xiě)入大量數(shù)據(jù)時(shí)，寫(xiě)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(kāi)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(lái)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(lái)區(qū)分不同的關(guān)鍵詞）；也可以自定義分詞，以這些詞來(lái)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(yǔ)言搜索）
通過(guò)MATCH AGAINST 傳遞某個(gè)特定的字符串來(lái)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(guò)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(yǔ)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(lái)自第二個(gè)搜索的行

相關(guān)參數(shù)

配置相關(guān)參數(shù)
innodb_ft_min_token_size
默認(rèn)3，表示最小3個(gè)字符作為一個(gè)關(guān)鍵詞，增大該值可減少全文索引的大小

innodb_ft_max_token_size
默認(rèn)84，表示最大84個(gè)字符作為一個(gè)關(guān)鍵詞，限制該值可減少全文索引的大小

ngram_token_size
默認(rèn)2，表示2個(gè)字符作為內(nèi)置分詞解析器的一個(gè)關(guān)鍵詞，如對(duì)“abcd”建立全文索引，關(guān)鍵詞為'ab'，'bc'，'cd'，當(dāng)使用ngram分詞解析器時(shí)，innodb_ft_min_token_size和innodb_ft_max_token_size 無(wú)效

注意：這三個(gè)參數(shù)均不可動(dòng)態(tài)修改，修改了這些參數(shù)，需重啟MySQL服務(wù)，并重新建立全文索引。

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(pán)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(lái)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(lái)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.gztime myloader -u $user -p $passwd -S $socket -t 32 -d /datas/dump_article -v 35、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

select keywords from article limit 10;+-------------------------------------------------+| keywords |+-------------------------------------------------+| NULL || NULL || ,婚姻,愛(ài)情 || 發(fā)型,偏分,化妝,時(shí)尚 || 小A, || ,服裝搭配,女性,時(shí)尚 || 漂亮,女性 || 情人節(jié),東莞,女性 || 皮膚,護(hù)膚,護(hù)膚,食品營(yíng)養(yǎng),美容,養(yǎng)生 || 三里屯,北京,時(shí)尚 |+-------------------------------------------------+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=23.1 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: 13.3 剩余磁盤(pán)空間需足夠，原表4.6G，剩余5.7G磁盤(pán)，添加全文索引也會(huì)失敗

df -hFilesystem 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(huì)創(chuàng)建原表大小的臨時(shí)文件 8.6K Jul 5 16:19 #sql-5250_3533.frm 4.4G Jul 5 16:20 #sql-ib117-1768830977.ibdalter table article add fulltext index idx_full_keyword(keywords);ERROR 1114 (HY000): The table 'article' is full3.4 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.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(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(méi)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

select title from article limit 10;+------------------------------------------------------------------------------+| title |+------------------------------------------------------------------------------+| worth IT ||Launchpad 江南皮革廠小show ||Raw 幕后罕見(jiàn)一刻 “瘋子”被抬回后臺(tái) ||Raw:公子大罵老爸你就是個(gè)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 ||夜店女王性感煙熏貓眼妝 ||大秀哥重摔“巨石”強(qiáng)森 ||少女時(shí)代 崔秀英 服飾科普 林允兒 黃美英 金泰妍 鄭秀晶 | |德陽(yáng)戶外踏青，花田自助燒烤 |+------------------------------------------------------------------------------+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: 03、會(huì)創(chuàng)建倒排索引（title字段越長(zhǎng)長(zhǎng)，創(chuàng)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.ibd4、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?。?huì)出現(xiàn)不一致問(wèn)題

普通搜索，實(shí)際中出現(xiàn)該關(guān)鍵詞的記錄數(shù)為6select 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9443select 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1select 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3202select 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(méi)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(wèn)題
• 全文索引能快速搜索，也存在維護(hù)索引的開(kāi)銷；字段長(zhǎng)度越大，創(chuàng)建的全文索引也越大，會(huì)影響DML語(yǔ)句的吞吐量，可用專門(mén)的全文搜索引擎ES來(lái)做這件事

最后

感謝大家看到最后，如文章有不足，歡迎大家在評(píng)論區(qū)支持，給予意見(jiàn)。如果覺(jué)得我的文章對(duì)你有幫助，那就給我一個(gè)贊同吧。

每天都會(huì)分享java相關(guān)技術(shù)文章或行業(yè)資訊。歡迎大家關(guān)注和轉(zhuǎn)發(fā)文章。

原文地址：https://mp.weixin.qq.com/s/p01D4avkHBPEAK3JxUP8eg