MySQL 全文索引实现一个简单版搜索引擎

本人花费半年的时间总结的《Java面试指南》已拿腾讯等大厂offer,已开源在github ,欢迎star!

转载声明:转载请注明出处,本技术博客是本人原创文章

本文GitHub https://github.com/OUYANGSIHAI/JavaInterview 已收录,这是我花了6个月总结的一线大厂Java面试总结,本人已拿大厂offer,欢迎star

原文链接:blog.ouyangsihai.cn >> MySQL 全文索引实现一个简单版搜索引擎

MySQL 全文索引实现一个简单版搜索引擎

作者:Jia-Xin
cnblogs.com/YangJiaXin/p/11153579.html

cnblogs.com/YangJiaXin/p/11153579.html

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

    https://pan.baidu.com/s/1aaB1R3bkBGZRMEx0o6T61w 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。推荐阅读:

    
    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

    https://dev.mysql.com/doc/refman/8.0/en/innodb-fulltext-index.html

    END

    Java面试题专栏

    MySQL 全文索引实现一个简单版搜索引擎

    欢迎长按下图关注公众号后端技术精选

    MySQL 全文索引实现一个简单版搜索引擎

    原文始发于微信公众号(后端技术精选):

    本人花费半年的时间总结的《Java面试指南》已拿腾讯等大厂offer,已开源在github ,欢迎star!

    转载声明:转载请注明出处,本技术博客是本人原创文章

    本文GitHub https://github.com/OUYANGSIHAI/JavaInterview 已收录,这是我花了6个月总结的一线大厂Java面试总结,本人已拿大厂offer,欢迎star

    原文链接:blog.ouyangsihai.cn >> MySQL 全文索引实现一个简单版搜索引擎


     上一篇
    SQL的各种连接Join详解,都需要熟练掌握! SQL的各种连接Join详解,都需要熟练掌握!
    作者:章朔www.cnblogs.com/reaptomorrow-flydream/ www.cnblogs.com/reaptomorrow-flydream/ SQL JOIN 子句用于把来自两个或多个表的行结合起来,基于这些
    下一篇 
    如何实现 MySQL 删除重复记录并且只保留一条 如何实现 MySQL 删除重复记录并且只保留一条
    作者:千g blog.csdn.net/n950814abc/article/details/82284838 最近在做题库系统,由于在题库中添加了重复的试题,所以需要查询出重复的试题,并且删除掉重复的试题只保留其中1条,以保证考试的时