牛B，用MySQL实现搜索引擎

逃离我推掉我的手 2023-10-06 21:13 93阅读 0赞

## 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。

这里有一份《 [完整的 MySQL 开发规范][MySQL]》进大厂必看，推荐看下。关注公众号Java技术栈回复mysql可以获取更多教程。

## 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**

**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

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

**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

**文末福利  
可以加小新老师vx免费获取【Java高清路线图】和【全套学习视频和配套资料】**  
![caab4685f26d4a3ea2b91480abdf4186.png][]

[MySQL]: http://mp.weixin.qq.com/s?__biz=MzI3ODcxMzQzMw==&mid=2247490727&idx=1&sn=4d64de037c0665c57ced6abf12a003ce&chksm=eb539991dc241087c19bd0e70dfda3d03861d00c7536066b09f0723d23d8562551975c44e851&scene=21#wechat_redirect
[mysql]: http://mp.weixin.qq.com/s?__biz=MzI3ODcxMzQzMw==&mid=2247485442&idx=1&sn=98f292095b0ab352bfa73c011fb56f97&chksm=eb538d34dc2404227836a57cde62ad347bad6ef7c44823f50305046c8a8f4b2f5e695dfa6570&scene=21#wechat_redirect
[caab4685f26d4a3ea2b91480abdf4186.png]: https://img-blog.csdnimg.cn/caab4685f26d4a3ea2b91480abdf4186.png