MySQL全文索引实现简单版搜索引擎实例代码
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(fulltextindextype)
- 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*FROMinformation_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
naturallanguagesearch(自然语言搜索)
通过MATCHAGAINST传递某个特定的字符串来进行检,默认方式
booleansearch(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
queryexpansionsearch(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
SETGLOBALsync_binlog=100; SETGLOBALinnodb_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:iyip
4、某个文章表的结构
CREATETABLE`article`( `id`bigint(10)NOTNULL, `url`varchar(1024)CHARACTERSETlatin1NOTNULLDEFAULT'', `title`varchar(256)NOTNULLDEFAULT'', `source`varchar(32)DEFAULT''COMMENT'真实来源', `keywords`varchar(32)DEFAULTNULL, `publish_time`timestampNULLDEFAULTNULL, PRIMARYKEY(`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-zxfmydumper_dump_article.tar.gz timemyloader-u$user-p$passwd-S$socket-t32-d/datas/dump_article-v3
5、导入数据后总数据量和数据文件、索引文件大小
SELECTCOUNT(*)FROM`article`; +----------+ |COUNT(*)| +----------+ |10000000| +----------+ 1rowinset(7.85sec) SELECTtable_name,CONCAT(FORMAT(SUM(data_length)/1024/1024,2),'M')ASdbdata_size,CONCAT(FORMAT(SUM(index_length)/1024/1024,2),'M')ASdbindex_size,CONCAT(FORMAT(SUM(data_length+index_length)/1024/1024/1024,2),'G')AS`db_size(G)`,AVG_ROW_LENGTH,table_rows,update_timeFROMinformation_schema.tablesWHEREtable_schema=DATABASE()andtable_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|2019-07-0515:31:37| +------------+-------------+--------------+------------+----------------+------------+---------------------+
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
selectkeywordsfromarticlelimit10; +-------------------------------------------------+ |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
selectcount(*)fromarticlewherekeywordslike'%时尚%'; +----------+ |count(*)| +----------+ |163| +----------+ 1rowinset(7.56sec)
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)
USEmysql; CREATETABLEmy_stopwords(VALUEVARCHAR(30))ENGINE=INNODB; INSERTINTOmy_stopwords(VALUE)VALUE(','); SETGLOBALinnodb_ft_server_stopword_table='mysql/my_stopwords';
SHOWGLOBALVARIABLESWHEREVariable_nameIN('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
altertablearticleaddfulltextindexidx_full_keyword(keywords); *[]QueryOK,0rowsaffected,1warning(1min27.92sec) *[]Records:0Duplicates:0Warnings: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 FilesystemSizeUsedAvailUse%Mountedon /dev/vda17.8G6.3G1.2G85%/ tmpfs1.9G01.9G0%/dev/shm /dev/mapper/vg_opt-lvol0 19G12G5.7G68%/datas 会创建原表大小的临时文件 8.6KJul516:19#sql-5250_3533.frm 4.4GJul516:20#sql-ib117-1768830977.ibd altertablearticleaddfulltextindexidx_full_keyword(keywords); ERROR1114(HY000):Thetable'article'isfull
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wherekeywordslike'%时尚%'需要7.56s
selectcount(*)fromarticlewherematch(keywords)against('%时尚%'); +----------+ |count(*)| +----------+ |163| +----------+ 1rowinset(0.05sec)
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 selectcount(*)fromarticlewherematch(keywords)against('+三里屯,北京'inbooleanmode); +----------+ |count(*)| +----------+ |1| +----------+ 1rowinset(0.06sec) 表示匹配“三里屯”或者“北京”的记录数 selectcount(*)fromarticlewherematch(keywords)against('三里屯,北京'); +----------+ |count(*)| +----------+ |8| +----------+ 1rowinset(0.06sec)
3.6创建全文索引后,会创建一些其它文件
96KJul516:30FTS_00000000000000a7_00000000000000c0_INDEX_1.ibd
96KJul516:30FTS_00000000000000a7_00000000000000c0_INDEX_2.ibd
96KJul516:30FTS_00000000000000a7_00000000000000c0_INDEX_3.ibd
96KJul516:30FTS_00000000000000a7_00000000000000c0_INDEX_4.ibd
128KJul516:30FTS_00000000000000a7_00000000000000c0_INDEX_5.ibd
256KJul516:30FTS_00000000000000a7_00000000000000c0_INDEX_6.ibd
96KJul516:29FTS_00000000000000a7_BEING_DELETED_CACHE.ibd
96KJul516:29FTS_00000000000000a7_BEING_DELETED.ibd
96KJul516:30FTS_00000000000000a7_CONFIG.ibd
96KJul516:29FTS_00000000000000a7_DELETED_CACHE.ibd
96KJul516:29FTS_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
selecttitlefromarticlelimit10; +------------------------------------------------------------------------------+ |title| +------------------------------------------------------------------------------+ |worthIT| |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
altertablearticleaddfulltextindexft_index_title(title)withparserngram; QueryOK,0rowsaffected(3min29.22sec) Records:0Duplicates:0Warnings:0
3、会创建倒排索引(title字段越长长,创建的倒排索引越大)
112MJul521:46FTS_00000000000000a7_00000000000000cd_INDEX_1.ibd
28MJul521:46FTS_00000000000000a7_00000000000000cd_INDEX_2.ibd
20MJul521:46FTS_00000000000000a7_00000000000000cd_INDEX_3.ibd
140MJul521:46FTS_00000000000000a7_00000000000000cd_INDEX_4.ibd
128MJul521:46FTS_00000000000000a7_00000000000000cd_INDEX_5.ibd
668MJul521:46FTS_00000000000000a7_00000000000000cd_INDEX_6.ibd
4、不建立全文索引搜索title的某个关键词
selectcount(*)fromarticlewheretitlelike'%户外%'; +----------+ |count(*)| +----------+ |22058| +----------+ 1rowinset(8.60sec) selectcount(*)fromarticlewheretitlelike'%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
selectcount(*)fromarticlewherematch(title)against('户外'); +----------+ |count(*)| +----------+ |22058| +----------+ 1rowinset(0.07sec) selectcount(*)fromarticlewheretitlelike'%后台%'; +----------+ |count(*)| +----------+ |1142| +----------+ 1rowinset(8.31sec)
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 selectcount(*)fromarticlewheretitlelike'%公子大%'; +----------+ |count(*)| +----------+ |6| +----------+ 1rowinset(8.40sec) 全文搜索,出现关键字的记录数为9443 selectcount(*)fromarticlewherematch(title)against('公子大'); +----------+ |count(*)| +----------+ |9443| +----------+ 1rowinset(0.06sec) 实际出现该关键字的记录数为1 selectcount(*)fromarticlewheretitlelike'%花田自助%'; +----------+ |count(*)| +----------+ |1| +----------+ 1rowinset(8.33sec) 全文搜索出现该关键词的记录数为3202 selectcount(*)fromarticlewherematch(title)against('花田自助'); +----------+ |count(*)| +----------+ |3202| +----------+ 1rowinset(0.06sec)
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
InnoDBFULLTEXTIndexes