MySQL 全文索引實現簡單版搜尋引擎
目錄
- 前言
- 使用
- 三種類型的全文搜尋方式
- 相關引數
- 測試innodb引擎使用全文索引
- 準備
- 使用預設方式建立全文索引
- 使用ngram分詞解析器建立全文索引
- 結論
前言
- 只有Innodb和myisam儲存引擎能用全文索引(innodb支援全文索引是從mysql5.6開始的)
- char、varchar、text型別欄位能建立全文索引(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)
- 內建分詞解析器ngram支援中文,日文,韓文(將句子分成固定數字的短語)
- 當對錶寫入大量資料時,寫入資料後再建立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(一種資料結構),一般利用關聯陣列,在輔助表中儲存單詞與文件中所在位置的對映
使用
用MATCH() ... AGAINST 方式來進行搜尋
match()表示搜尋的是那個列,against表示要搜尋的是那個字串
檢視預設的分詞(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
+-------+
| value |
+-------+
| a |
| about |
| an |
| are |
| as |
| at |
| be |
| by |
| com |
| de |
| en |
| for |
| from |
三種類型的全文搜尋方式
natural language search(自然語言搜尋)
通過MATCH AGAINST 傳遞某個特定的字串來進行檢,預設方式
boolean search(布林搜尋)
為檢索的字串增加操作符,如“+”表示必須包含,"-"不包含,"*" 表示萬用字元,即使傳遞的字串較小或出現在停詞中,也不會被過濾掉
query expansion search(查詢擴充套件搜尋)
搜尋字串用於執行自然語言搜尋,然後,搜尋返回的最相關行的單詞被新增到搜尋字串,並且再次進行搜尋,查詢將返回來自第二個搜尋的行
相關引數
配置相關引數
innodb_ft_min_token_size
預設3,表示最小3個字元作為一個關鍵詞,增大該值可減少全文索引的大小
innodb_ft_max_token_size
預設84,表示最大84個字元作為一個關鍵詞,限制該值可減少全文索引的大小
ngram_token_size
預設2,表示2個字元作為內建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 這三個引數均不可動態修改,修改了這些引數,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、設定以下引數減少磁碟IO壓力
SET GLOBAL sync_binlog=100;
SET GLOBAL innodb_flush_log_at_trx_commit=2;
3、匯入1kw 資料進行測試全文索引
該資料來源網上搜索
提取碼:60l7
4、某個文章表 的結構
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
使用myloader 多執行緒匯入測試資料
先把測試資料進行解壓
tar -zxf mydumper_dump_article.tar.gz
time myloader -u $user -p $passwd -S $socket -t 32 -d /datas/dump_article -v 3
5、匯入資料後總資料量和資料檔案、索引檔案大小
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 |
+------------+-------------+--------------+------------+----------------+------------+---------------------+
使用預設方式建立全文索引
1、該表已有關鍵詞欄位(對文章內容的簡述),並以“,”作為分詞符
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 |
| 面板,護膚,護膚,食品營養,美容,養生 |
| 三里屯,北京,時尚 |
+-------------------------------------------------+
2、不建全文索引時搜尋某個關鍵詞
需要進行全表掃描
select count(*) from article where keywords like '%時尚%';
+----------+
| count(*) |
+----------+
| 163 |
+----------+
1 row in set (7.56 sec)
3、對關鍵詞欄位建立全文索引(以 , 作為分詞)
- my.cnf配置檔案中設定innodb_ft_min_token_size,並重啟MySQL服務(最小兩個字元作為一個關鍵詞,預設三個字元作為一個關鍵詞)
[mysqld]
innodb_ft_min_token_size=2
- 3.1 設定自定義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 建立全文索引
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 剩餘磁碟空間需足夠,原表4.6G,剩餘5.7G磁碟,新增全文索引也會失敗
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-lvol0
19G 12G 5.7G 68% /datas
會建立原表大小的臨時檔案
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
- 3.4 利用建立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
select count(*) from article where match(keywords) against('%時尚%');
+----------+
| count(*) |
+----------+
| 163 |
+----------+
1 row in set (0.05 sec)
- 3.5 如需同時完全匹配多個關鍵詞,用布林全文搜尋
表示完全匹配 "三里屯,北京" 的記錄數
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
select count(*) from article where match(keywords) against('三里屯,北京');
+----------+
| count(*) |
+----------+
| 8 |
+----------+
1 row in set (0.06 sec)
- 3.6 建立全文索引後,會建立一些其它檔案
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個表示倒排索引(輔助索引表)
- 第7,8個表示包含已刪除文件的文件ID(DOC_ID),其資料當前正在從全文索引中刪除
- 第9個表示FULLTEXT索引內部狀態的資訊
- 第10,11個表示包含已刪除但尚未從全文索引中刪除其資料的文件
使用ngram分詞解析器建立全文索引
1、對title欄位建立全文索引(該欄位沒有固定的stopwords 分詞,使用ngram分詞解析器)
需先在my.cnf 配置檔案中設定ngram_token_size(預設為2,2個字元作為ngram 的關鍵詞),並重啟mysql服務
這裡使用預設的 2
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”被擡回後臺 |
|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 |
+------------------------------------------------------------------------------+
2、對title欄位建立全文索引
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、會建立倒排索引(title欄位越長長,建立的倒排索引越大)
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、不建立全文索引搜尋title的某個關鍵詞
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 '%後臺%';
+----------+
| count(*) |
+----------+
| 1142 |
+----------+
5、使用全文索引搜尋某個關鍵詞
響應時間有很大的提升
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 '%後臺%';
+----------+
| count(*) |
+----------+
| 1142 |
+----------+
1 row in set (8.31 sec)
6、注意當搜尋的關鍵詞字元數大於2 (ngram_token_size定義大小)會出現不一致問題
普通搜尋,實際中出現該關鍵詞的記錄數為6
select count(*) from article where title like '%公子大%';
+----------+
| count(*) |
+----------+
| 6 |
+----------+
1 row in set (8.40 sec)
全文搜尋,出現關鍵字的記錄數為9443
select count(*) from article where match(title) against('公子大');
+----------+
| count(*) |
+----------+
| 9443 |
+----------+
1 row in set (0.06 sec)
實際出現該關鍵字的記錄數為1
select count(*) from article where title like '%花田自助%';
+----------+
| count(*) |
+----------+
| 1 |
+----------+
1 row in set (8.33 sec)
全文搜尋出現該關鍵詞的記錄數為3202
select count(*) from article where match(title) against('花田自助');
+----------+
| count(*) |
+----------+
| 3202 |
+----------+
1 row in set (0.06 sec)
結論
- 當mysql 某欄位中有固定的stopword 分詞(英文的空格符,中文的“,”"-"等),對該欄位建立全文索引,能快速搜尋出現某個關鍵詞的相關記錄資訊,實現簡單搜尋引擎的效果
- 當mysql 某欄位沒有固定的stopword 分詞,使用內建解析器ngram 可將欄位值分成固定數量(ngram_token_size定義大小)的關鍵詞快速進行搜尋;當搜尋的關鍵詞的字元數量不等於ngram_token_size定義大小時,會出現與實際情況不一致的問題
- 全文索引能快速搜尋,也存在維護索引的開銷;欄位長度越大,建立的全文索引也越大,會影響DML語句的吞吐量,可用專門的全文搜尋引擎ES來做這件事
參考
InnoDB FULLTEXT Ind