MySQL全文索引、支持中文分词

简单介绍

MySQL全文索引是在基于文本的列(char、varchar或text列)上创建的，以提升对这些列中包含的数据的查询和DML操作效率。全文索引被定义为create table语句的一部分，或者使用alter table或create index追加到现有表中。搜索语法为：match(field1,field2,…) against(’keyword‘)，更多使用方法及详细信息参考MySQL全文索引官方文档

版本说明

MySQL 5.6 以前的版本，只有 MyISAM 存储引擎支持全文索引
MySQL 5.6 及以后的版本，MyISAM 和 InnoDB 存储引擎均支持全文索引
只有字段的数据类型为 char、varchar、text 及其系列才可以建全文索引

创建全文索引

说明：搜索时，默认对中文类分词支持不友好，如果有中日韩文分词需求，在创建索引时，需要声明该分词插件ngram，语法可选【with parser ngram】

DROP TABLE IF EXISTS `t_stu`;CREATE TABLE `t_stu`  (
  `id` int(10) UNSIGNED NOT NULL AUTO_INCREMENT,
  `name` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
  `kecheng` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
  `fenshu` int(11) NULL DEFAULT NULL,
  `keyword` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,  PRIMARY KEY (`id`) USING BTREE,
  FULLTEXT INDEX `ft_index`(`keyword`) WITH PARSER `ngram`
) ENGINE = InnoDB  CHARACTER SET = utf8mb4 COLLATE = utf8mb4_general_ci ROW_FORMAT = Dynamic;
-- ------------------------------ Records of t_stu-- ----------------------------
INSERT INTO `t_stu` VALUES (1, '张三', '语文', 81, '张三语文');
INSERT INTO `t_stu` VALUES (2, '张三', '数学', 75, '张三数学');
INSERT INTO `t_stu` VALUES (3, '李四', '语文', 76, '李四语文');
INSERT INTO `t_stu` VALUES (4, '李四', '数学', 90, '李四数学');
INSERT INTO `t_stu` VALUES (5, '王五', '语文', 81, '王五语文');
INSERT INTO `t_stu` VALUES (6, '王五', '数学', 100, '王五数学');
INSERT INTO `t_stu` VALUES (7, '王五', '英语', 90, '王五英语');

create index方式创建

DROP TABLE IF EXISTS `t_stu`;
CREATE TABLE `t_stu` (
`id` int(10) unsigned NOT NULL AUTO_INCREMENT,
`name` varchar(255) DEFAULT NULL,
`kecheng` varchar(255) DEFAULT NULL,
`fenshu` int(11) DEFAULT NULL,
`keyword` varchar(255) DEFAULT NULL,
PRIMARY KEY (`id`) USING BTREE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 ROW_FORMAT=DYNAMIC;


INSERT INTO `t_stu` VALUES (1, '张三', '语文', 81, '张三语文');
INSERT INTO `t_stu` VALUES (2, '张三', '数学', 75, '张三数学');
INSERT INTO `t_stu` VALUES (3, '李四', '语文', 76, '李四语文');
INSERT INTO `t_stu` VALUES (4, '李四', '数学', 90, '李四数学');
INSERT INTO `t_stu` VALUES (5, '王五', '语文', 81, '王五语文');
INSERT INTO `t_stu` VALUES (6, '王五', '数学', 100, '王五数学');
INSERT INTO `t_stu` VALUES (7, '王五', '英语', 90, '王五英语');
-- create index方式创建
CREATE FULLTEXT INDEX ft_index ON t_stu (keyword) WITH PARSER ngram;

alter table方式创建

alter table t_stu add fulltext index ft_index(keyword) with parser ngram;

• alter table方式创建

alter table t_stu add fulltext index ft_index(keyword) with parser ngram;

删除全文索引

• drop index方式删除

drop index ft_index on t_stu ;

• alter table方式删除

alter table t_stu drop index ft_index ;

完整使用语法

select * from t_stu where match(keyword) against('张三') ;

提示：match() 函数中指定的列务必与索引中指定的列完全一致，否则将无法使用全文索引，全文索引不会记录关键字来自于哪一列。

发现问题

select * from t_stu where match(keyword) against('张') ;

找不到数据，或者数据不全

从结果看出，只有输入“张三”才匹配到了一条记录，有了解过ElasticSearch、Lucene、Solr、MeiliSearch等搜索中间件的大佬，对这样的结果属实是不满意的，预期的结果应该查出3条记录才正常，导致这种情况其中非常关键的一个原因是MySQL对应执行引擎下全文索引的**【最小搜索长度】**，MySQL 中的全文索引，有两个关键的变量，分别是最小搜索长度和最大搜索长度，对于长度小于最小搜索长度和大于最大搜索长度的词，都不会被索引。换言之，这个词的长度必须在以上两个变量的区间内。

• 通过命令可以查看

show variables like '%ft%';
----------------------------
// InnoDB
innodb_ft_min_token_size = 3;
innodb_ft_max_token_size = 84;
// MyISAM
ft_min_word_len = 4;
ft_max_word_len = 84;

可以看到最小搜索长度InnoDB 引擎下默认是3，MyISAM引擎下默认是4，因此MySQL 的全文索引只会对长度大于等于3或者4的词建立索引，而前面基于InnoDB，搜索的只有“jav”和“java”的长度大于等于 3，而基于MyISAM，搜索也只有“java”的长度大于等于4。

解决问题
既然最小搜索长度不满足要求，就需要修改配置，在/etc/my.cnf下的mysqlId中追加内容如下，当然也可以修改最大搜索长度，但没必要

innodb_ft_min_token_size = 1ft_min_word_len = 1

完事儿后重启 MySQL 服务器，并修复全文索引，修复全文索语句如下，不过一般建议删除索引，并重建索引

repair table t_stu quick;

到这里为止，也依然没有达到最终的效果，搜索关键字“张”时，并没有出现结果集中，因为MySQL的全文索引有自然语言的全文索引和布尔全文索引两种选择：

1、自然语言全文索引
默认情况下，或者使用 in natural language mode修饰符时，match() 函数对文本集合执行自然语言搜索，
上面的例子都是基于自然语言的全文索引。自然语言搜索引擎将计算每一个文档对象和查询的相关度。
这里，相关度是基于匹配的关键词的个数，以及关键词在文档中出现的次数。
在整个索引中出现次数越少的词语，匹配时的相关度就越高。
相反，非常常见的单词将不会被搜索，如果一个词语的在超过 50% 的
记录中都出现了，那么自然语言的搜索将不会搜索这类词语。
这个机制也比较好理解，比如，一个数据表存储的是一篇篇的文章，
文章中的常见词、语气词等等，出现的频率非常多，搜索这些词语是没有意义的，
搜索具有文章特性的词，这样才能把文章区分开来。


2、布尔全文索引
在布尔搜索中，可以在查询中自定义某个被搜索的词语的相关性，
当编写一个布尔搜索查询时，可以通过一些前缀修饰符来定制搜索。
MySQL内置的修饰符，上面查询最小搜索长度时，
搜索结果ft_boolean_syntax变量的值就是内置的修饰符，
相关修饰符具体的作用可以看看手册。

上面的情况，可以通过布尔满足

select * from t_stu where match(keyword) against('*张*' IN BOOLEAN MODE);

select * from t_stu where match(keyword) against('张*' IN BOOLEAN MODE);

数据是可以查出来的。完全实现like效果

按自然语言搜索模式查询 
SELECT * FROM articles WHERE MATCH (title,body) AGAINST ('关键词' IN NATURAL LANGUAGE MODE);
按布尔全文搜索模式查询 
2.1 匹配既有管理又有数据库的记录 
SELECT * FROM articles WHERE MATCH (title,body) AGAINST ('+数据库 +管理' IN BOOLEAN MODE); 
2.2匹配有数据库，但是没有管理的记录 
SELECT * FROM articles WHERE MATCH (title,body) AGAINST ('+数据库 -管理' IN BOOLEAN MODE); 
2.3匹配MySQL，但是把数据库的相关性降低 
SELECT * FROM articles WHERE MATCH (title,body) AGAINST ('>数据库 +MySQL' INBOOLEAN MODE);

select * from t_stu where match(keyword) against('*王五*爱学习*英语*' IN BOOLEAN MODE);

匹配度越高的排在最前面

总结

MySQL全文索引起初仅支持英文，因为英文的词与词之间有空格，使用空格作为分词的分隔符是很方便的。亚洲文字，比如汉语、日语、汉语等，是没有空格的，这就造成了一定的限制。不过 MySQL 5.7.6 开始，引入了一个 ngram 全文分析器来解决这个问题，并且对 MyISAM 和 InnoDB 引擎都有效。
事实上，MyISAM 存储引擎对全文索引的支持有很多的限制，例如表级别锁对性能的影响、数据文件的崩溃、崩溃后的恢复等，这使得 MyISAM 的全文索引对于很多的应用场景并不适合。所以，多数情况下的建议是使用别的解决方案，例如MeiliSearch、ElasticSearch等等第三方的插件，亦或是使用InnoDB存储引擎的全文索引。

注意

1、使用全文索引前，明确版本支持情况
2、全文索引比like + %快N倍，但是可能存在精度问题
3、如果需要全文索引的是大量数据，建议先添加数据，再创建索引
4、对于中文，可以使用 MySQL 5.7.6之后的版本，或者第三方插件

下篇讲解java中使用ik分词器对文本进行分词，敬请期待