MySQL實現一個簡單版搜索引擎，真是絕了！

作者：佚名 2020-10-28 11:40:08

數據庫 MySQL

本文教大家使用 MySQL 全文索引來實現一個簡單版搜索引擎。

[[348991]]

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類型字段能創建全文索引（fulltext index type）
全文索引的基于關鍵詞的，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）
內置分詞解析器ngram支持中文，日文，韓文（將句子分成固定數字的短語）
當對表寫入大量數據時，寫入數據后再創建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（一種數據結構），一般利用關聯數組，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行檢，默認方式

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在停詞中，也不會被過濾掉

query expansion search（查詢擴展搜索）

搜索字符串用于執行自然語言搜索，然后，搜索返回的最相關行的單詞被添加到搜索字符串，并且再次進行搜索，查詢將返回來自第二個搜索的行

相關參數

配置相關參數

innodb_ft_min_token_size

默認3，表示最小3個字符作為一個關鍵詞，增大該值可減少全文索引的大小

innodb_ft_max_token_size

默認84，表示最大84個字符作為一個關鍵詞，限制該值可減少全文索引的大小

ngram_token_size

默認2，表示2個字符作為內置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：這三個參數均不可動態修改，修改了這些參數，需重啟MySQL服務，并重新建立全文索引。

這里有一份《完整的 MySQL 開發規范》進大廠必看，推薦看下。關注公眾號Java技術棧回復mysql可以獲取更多教程。

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、設置以下參數減少磁盤IO壓力

SET GLOBAL sync_binlog=100;  
SET GLOBAL innodb_flush_log_at_trx_commit=2;

3、導入1kw 數據進行測試全文索引

該數據來源網上搜索

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 多線程導入測試數據，先把測試數據進行解壓

tar -zxf mydumper_dump_article.tar.gz  
time myloader -u $user -p $passwd -S $socket -t 32 -d /datas/dump_article -v 3

5、導入數據后總數據量和數據文件、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 |  
+------------+-------------+--------------+------------+----------------+------------+---------------------+

使用默認方式創建全文索引

1、該表已有關鍵詞字段（對文章內容的簡述），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                                |  
| 皮膚,護膚,護膚,食品營養,美容,養生               |  
| 三里屯,北京,時尚                                |  
+-------------------------------------------------+

2、不建全文索引時搜索某個關鍵詞

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、對關鍵詞字段創建全文索引（以 , 作為分詞）

my.cnf配置文件中設置innodb_ft_min_token_size，并重啟MySQL服務（最小兩個字符作為一個關鍵詞，默認三個字符作為一個關鍵詞）

[mysqld]  
innodb_ft_min_token_size=2

3.1 設置自定義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 利用創建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，用布爾全文搜索

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 創建全文索引后，會創建一些其它文件

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），其數據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據的文檔

使用ngram分詞解析器創建全文索引

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 配置文件中設置ngram_token_size（默認為2，2個字符作為ngram 的關鍵詞），并重啟mysql服務。

這里使用默認的 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、會創建倒排索引（title字段越長長，創建的倒排索引越大）

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 '%后臺%';  
+----------+  
| count(*) |  
+----------+  
|     1142 |  
+----------+  
1 row in set (8.31 sec)

6、注意當搜索的關鍵詞字符數大于2 （ngram_token_size定義大小）會出現不一致問題

普通搜索，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)  
全文搜索，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)  
全文搜索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，能快速搜索出現某個關鍵詞的相關記錄信息，實現簡單搜索引擎的效果**
當mysql 某字段沒有固定的stopword 分詞，使用內置解析器ngram 可將字段值分成固定數量（ngram_token_size定義大小）的關鍵詞快速進行搜索；當搜索的關鍵詞的字符數量不等于ngram_token_size定義大小時，會出現與實際情況不一致的問題
全文索引能快速搜索，也存在維護索引的開銷；字段長度越大，創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

責任編輯：龐桂玉來源： Java技術棧

MySQL 索引數據庫