其实可以用MySQL的全文索引来实现简单版的搜索引擎

Java面试那些事儿 2020-04-02

197

# 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;

如

+-------+
| 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
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）

3.1 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

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