阿里云-云小站(无限量代金券发放中)
【腾讯云】云服务器、云数据库、COS、CDN、短信等热卖云产品特惠抢购

MySQL 全文索引实现简单版搜索引擎

222次阅读
没有评论

共计 8211 个字符,预计需要花费 21 分钟才能阅读完成。

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(fulltext index type)
  • 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 * FROM information_schema.INNODB_FT_DEFAULT_STOPWORD;

+-------+ 
| 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(自然语言搜索)
通过 MATCH AGAINST 传递某个特定的字符串来进行检,默认方式

boolean search(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

query expansion search(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


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` (`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' 真实来源 ',
  `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 (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

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 (7.56 sec)

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)
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 创建全文索引
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: 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(keywords);
ERROR 1114 (HY000): 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(keywords) against('% 时尚 %');
+----------+
| count(*) |
+----------+
|      163 |
+----------+
1 row in set (0.05 sec)
  • 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(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”的记录数
select count(*) from article where match(keywords)  against('三里屯, 北京');
+----------+
| count(*) |
+----------+
|        8 |
+----------+
1 row in set (0.06 sec)
  • 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(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

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(title) with parser ngram;
Query OK, 0 rows affected (3 min 29.22 sec)
Records: 0  Duplicates: 0  Warnings: 0

3、会创建倒排索引(title 字段越长长,创建的倒排索引越大)
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、不建立全文索引搜索 title 的某个关键词

select count(*) from article where title like '% 户外 %';
+----------+
| count(*) |
+----------+
|    22058 |
+----------+
1 row in set (8.60 sec)

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(title)  against('户外');
+----------+
| count(*) |
+----------+
|    22058 |
+----------+
1 row in set (0.07 sec)

select count(*) from article where title like '% 后台 %';
+----------+
| count(*) |
+----------+
|     1142 |
+----------+
1 row in set (8.31 sec)

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

全文搜索,出现关键字的记录数为 9443
select count(*) from article where match(title)  against('公子大');
+----------+
| count(*) |
+----------+
|     9443 |
+----------+
1 row in set (0.06 sec)

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 (8.33 sec)

全文搜索出现该关键词的记录数为 3202
select count(*) from article where match(title)  against('花田自助');
+----------+
| count(*) |
+----------+
|     3202 |
+----------+
1 row in set (0.06 sec)

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
InnoDB FULLTEXT Indexes

正文完
星哥玩云-微信公众号
post-qrcode
 0
星锅
版权声明:本站原创文章,由 星锅 于2022-01-22发表,共计8211字。
转载说明:除特殊说明外本站文章皆由CC-4.0协议发布,转载请注明出处。
【腾讯云】推广者专属福利,新客户无门槛领取总价值高达2860元代金券,每种代金券限量500张,先到先得。
阿里云-最新活动爆款每日限量供应
评论(没有评论)
验证码
【腾讯云】云服务器、云数据库、COS、CDN、短信等云产品特惠热卖中