MySQL全文索引实现简单版搜索引擎实例代码-木庄网络博客

本文整理自网络，侵删。

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：iyip

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

阅读剩余部分