全文搜索引擎 MySQL 全文索引实现简单版搜索引擎

来源：jiaxin_12

前言

只有Innodb和myisam存储引擎能用全文索引

char、varchar、text类型字段能创建全文索引

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

英文单词用空格，逗号进行分词；中文分词不方便

内置分词解析器ngram支持中文，日文，韩文

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

全文索引的原理的倒排索引，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；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
通过MATCH AGAINST 传递某个特定的字符串来进行检，默认方式

boolean search
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
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` NOT NULL,
`url` varchar CHARACTER SET latin1 NOT NULL DEFAULT "",
`title` varchar NOT NULL DEFAULT "",
`source` varchar DEFAULT "" COMMENT "真实来源",
`keywords` varchar DEFAULT NULL,
`publish_time` timestamp NULL DEFAULT NULL,
PRIMARY KEY ,
KEY `title_idx`
) 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

SELECT table_name, CONCAT / 1024 / 1024,2),"M") AS dbdata_size, CONCAT / 1024 / 1024,2),"M") AS dbindex_size, CONCAT / 1024 / 1024 / 1024,2),"G") AS `db_size`, 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 | 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，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


3、对关键词字段创建全文索引

my.cnf配置文件中设置innodb_ft_min_token_size，并重启MySQL服务

[mysqld]
innodb_ft_min_token_size=2


3.1 设置自定义stopwords

USE mysql;
CREATE TABLE my_stopwords) ENGINE = INNODB;
INSERT INTO my_stopwords VALUE ;
SET GLOBAL innodb_ft_server_stopword_table = "mysql/my_stopwords";


SHOW GLOBAL VARIABLES WHERE Variable_name IN;
+---------------------------------+--------------------+
| 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;
* [ ] Query OK, 0 rows affected, 1 warning
* [ ] 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;
ERROR 1114 : 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 against;
+----------+
| count |
+----------+
| 163 |
+----------+
1 row in set


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 against;
+----------+
| count |
+----------+
| 1 |
+----------+
1 row in set

表示匹配“三里屯” 或者 “北京”的记录数
select count from article where match against;
+----------+
| count |
+----------+
| 8 |
+----------+
1 row in set


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
- 第7，8个表示包含已删除文档的文档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

需先在my.cnf 配置文件中设置ngram_token_size，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 with parser ngram;
Query OK, 0 rows affected
Records: 0 Duplicates: 0 Warnings: 0


3、会创建倒排索引

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

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 against;
+----------+
| count |
+----------+
| 22058 |
+----------+
1 row in set

select count from article where title like "%后台%";
+----------+
| count |
+----------+
| 1142 |
+----------+
1 row in set


6、注意当搜索的关键词字符数大于2 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

全文搜索，出现关键字的记录数为9443
select count from article where match against;
+----------+
| count |
+----------+
| 9443 |
+----------+
1 row in set

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

全文搜索出现该关键词的记录数为3202
select count from article where match against;
+----------+
| count |
+----------+
| 3202 |
+----------+
1 row in set
结论

当mysql 某字段中有固定的stopword 分词，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

- EOF -

推荐阅读??点击标题可跳转

1、美团 MySQL 数据库巡检系统的设计与应用

2、138 张图带你 MySQL 入门

3、MySQL 的这个 BUG，坑了多少人？

看完本文有收获？请转发分享给更多人

关注「数据分析与开发」加星标，提升数据技能

好文章，我在看??

预览时标签不可点