首页 资讯频道 互联频道 智能频道 网络 数据频道 安全频道 服务器频道 存储频道

MySQL如何实现简单版搜索引擎?操作步骤

2020-10-28 16:03:03 来源 : Java技术栈公众号

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*FROMinformation_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。

这里有一份《 完整的 MySQL 开发规范》进大厂必看,推荐看下。关注公众号Java技术栈回复mysql可以获取更多教程。

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:60l7

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where keywords like '%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

关键词:MySQL 搜索引擎

最近更新