MySQL中怎么實現(xiàn)一個搜索引擎

本篇文章為大家展示了MySQL中怎么實現(xiàn)一個搜索引擎，內(nèi)容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。

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(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(xiàn)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(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，并重新建立全文索引。

這里有一份《 完整的 MySQL 開發(fā)規(guī)范》進大廠必看，推薦看下。關(guān)注公眾號Java技術(shù)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(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、導入1kw 數(shù)據(jù)進行測試全文索引

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(shù)據(jù)，先把測試數(shù)據(jù)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(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,護膚,護膚,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（最小兩個字符作為一個關(guān)鍵詞，默認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)建的全文索引進行查詢某個關(guān)鍵詞出現(xiàn)的次數(shù)

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(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（默認為2，2個字符作為ngram 的關(guān)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(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(guān)鍵詞字符數(shù)大于2 （ngram_token_size定義大?。霈F(xiàn)不一致問題

普通搜索，實際中出現(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，實現(xiàn)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(nèi)置解析器ngram 可將字段值分成固定數(shù)量（ngram_token_size定義大?。┑年P(guān)鍵詞快速進行搜索；當搜索的關(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(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 

上述內(nèi)容就是MySQL中怎么實現(xiàn)一個搜索引擎，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關(guān)注億速云行業(yè)資訊頻道。