MySQL實(shí)現(xiàn)一個簡單版搜索引擎，真是絕了！
前言
- 只有Innodb和myisam存儲引擎能用全文索引（innodb支持全文索引是從mysql5.6開始的）
- 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，逗號進(jìn)行分詞；中文分詞不方便（一個句子不知道怎樣區(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）
- 當(dāng)對表寫入大量數(shù)據(jù)時，寫入數(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，在輔助表中存儲單詞與文檔中所在位置的映射
使用
用MATCH() ... AGAINST 方式來進(jìn)行搜索
match()表示搜索的是那個列，against表示要搜索的是那個字符串
查看默認(rèn)的分詞（以這些詞來區(qū)分不同的關(guān)鍵詞）；也可以自定義分詞，以這些詞來區(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（自然語言搜索）
通過MATCH AGAINST 傳遞某個特定的字符串來進(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，也不會被過濾掉
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，查詢將返回來自第二個搜索的行
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個字符作為一個關(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個字符作為一個關(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個字符作為內(nèi)置分詞解析器的一個關(guān)鍵詞，如對“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，innodb_ft_min_token_size和innodb_ft_max_token_size 無效
注意：這三個參數(shù)均不可動態(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。
這里有一份《 完整的 MySQL 開發(fā)規(guī)范》進(jìn)大廠必看，推薦看下。關(guān)注公眾號Java技術(shù)棧回復(fù)mysql可以獲取更多教程。
測試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關(guān)鍵詞；一系列文章出現(xiàn)某個關(guān)鍵詞的次數(shù)
- 查詢文章的標(biāo)題是否含有某個關(guān)鍵詞
2、設(shè)置以下參數(shù)減少磁盤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)行測試全文索引
該數(shù)據(jù)來源網(wǎng)上搜索
提取碼：60l7
4、某個文章表 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)入測試數(shù)據(jù)，先把測試數(shù)據(jù)進(jìn)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、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（對文章內(nèi)容的簡述），并以“,”作為分詞符
- select keywords from article limit 10;
- +-------------------------------------------------+
- | keywords |
- +-------------------------------------------------+
- | NULL |
- | NULL |
- | ,婚姻,愛情 |
- | 發(fā)型,偏分,化妝,時尚 |
- | 小A, |
- | ,服裝搭配,女性,時尚 |
- | 漂亮,女性 |
- | 情人節(jié),東莞,女性 |
- | 皮膚,護(hù)膚,護(hù)膚,食品營養(yǎng),美容,養(yǎng)生 |
- | 三里屯,北京,時尚 |
- +-------------------------------------------------+
2、不建全文索引時搜索某個關(guān)鍵詞
需要進(jìn)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(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)（最小兩個字符作為一個關(guān)鍵詞，默認(rèn)三個字符作為一個關(guān)鍵詞）
- [mysqld]
- innodb_ft_min_token_size=2
3.1 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: 1
3.3 剩余磁盤空間需足夠，原表4.6G，剩余5.7G磁盤，添加全文索引也會失敗
- 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
- 會創(chuàng)建原表大小的臨時文件
- 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 利用創(chuàng)建的全文索引進(jìn)行查詢某個關(guān)鍵詞出現(xiàn)的次數(shù)
查詢響應(yīng)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(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，會創(chuàng)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個表示倒排索引（輔助索引表）
- 第7，8個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個表示FULLTEXT索引內(nèi)部狀態(tài)的信息
- 第10，11個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title字段建立全文索引（該字段沒有固定的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 幕后罕見一刻 “瘋子”被抬回后臺 |
- |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 |
- |夜店女王性感煙熏貓眼妝 |
- |大秀哥重摔“巨石”強(qiáng)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: 0
3、會創(chuàng)建倒排索引（title字段越長長，創(chuàng)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的某個關(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%';
- +----------+
- | count(*) |
- +----------+
- | 1142 |
- +----------+
5、使用全文索引搜索某個關(guān)鍵詞
響應(yīng)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 '%后臺%';
- +----------+
- | 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定義大小）會出現(xiàn)不一致問題
- 普通搜索，實(shí)際中出現(xiàn)該關(guān)鍵詞的記錄數(shù)為6
- select count(*) from article where title like '%公子大%';
- +----------+
- | count(*) |
- +----------+
- | 6 |
- +----------+
- 1 row in set (8.40 sec)
- 全文搜索，出現(xiàn)關(guān)鍵字的記錄數(shù)為9443
- select 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)
- 全文搜索出現(xiàn)該關(guān)鍵詞的記錄數(shù)為3202
- select 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），對該字段建立全文索引，能快速搜索出現(xiàn)某個關(guān)鍵詞的相關(guān)記錄信息，實(shí)現(xiàn)簡單搜索引擎的效果**
- 當(dāng)mysql 某字段沒有固定的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，會出現(xiàn)與實(shí)際情況不一致的問題
- 全文索引能快速搜索，也存在維護(hù)索引的開銷；字段長度越大，創(chuàng)建的全文索引也越大，會影響DML語句的吞吐量，可用專門的全文搜索引擎ES來做這件事
