MySQL实现一个简单版搜索引擎，真是绝了！

本文教大家使用 MySQL 全文索引来实现一个简单版搜索引擎。

[[348991]]

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*FROMinformation_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》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

SETGLOBALsync_binlog=100;
SETGLOBALinnodb_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

CREATETABLE`article`(
`id`bigint(10)NOTNULL,
`url`varchar(1024)CHARACTERSETlatin1NOTNULLDEFAULT'',
`title`varchar(256)NOTNULLDEFAULT'',
`source`varchar(32)DEFAULT''COMMENT'真实来源',
`keywords`varchar(32)DEFAULTNULL,
`publish_time`timestampNULLDEFAULTNULL,
PRIMARYKEY(`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-zxfmydumper_dump_article.tar.gz
timemyloader-u$user-p$passwd-S$socket-t32-d/datas/dump_article-v3

5、导入数据后总数据量和数据文件、索引文件大小

SELECTCOUNT(*)FROM`article`;
+----------+
|COUNT(*)|
+----------+
|10000000|
+----------+
1rowinset(7.85sec)
SELECTtable_name,CONCAT(FORMAT(SUM(data_length)/1024/1024,2),'M')ASdbdata_size,CONCAT(FORMAT(SUM(index_length)/1024/1024,2),'M')ASdbindex_size,CONCAT(FORMAT(SUM(data_length+index_length)/1024/1024/1024,2),'G')AS`db_size(G)`,AVG_ROW_LENGTH,table_rows,update_timeFROMinformation_schema.tablesWHEREtable_schema=DATABASE()andtable_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|2019-07-0515:31:37|
+------------+-------------+--------------+------------+----------------+------------+---------------------+

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

selectkeywordsfromarticlelimit10;
+-------------------------------------------------+
|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

selectcount(*)fromarticlewherekeywordslike'%时尚%';
+----------+
|count(*)|
+----------+
|163|
+----------+
1rowinset(7.56sec)

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）

USEmysql;
CREATETABLEmy_stopwords(VALUEVARCHAR(30))ENGINE=INNODB;
INSERTINTOmy_stopwords(VALUE)VALUE(',');
SETGLOBALinnodb_ft_server_stopword_table='mysql/my_stopwords';
SHOWGLOBALVARIABLESWHEREVariable_nameIN('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

altertablearticleaddfulltextindexidx_full_keyword(keywords);
*[]QueryOK,0rowsaffected,1warning(1min27.92sec)
*[]Records:0Duplicates:0Warnings: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
FilesystemSizeUsedAvailUse%Mountedon
/dev/vda17.8G6.3G1.2G85%/
tmpfs1.9G01.9G0%/dev/shm
/dev/mapper/vg_opt-lvol0
19G12G5.7G68%/datas
会创建原表大小的临时文件
8.6KJul516:19#sql-5250_3533.frm
4.4GJul516:20#sql-ib117-1768830977.ibd
altertablearticleaddfulltextindexidx_full_keyword(keywords);
ERROR1114(HY000):Thetable'article'isfull

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

selectcount(*)fromarticlewherematch(keywords)against('%时尚%');
+----------+
|count(*)|
+----------+
|163|
+----------+
1rowinset(0.05sec)

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：

selectcount(*)fromarticlewherematch(keywords)against('+三里屯,北京'inbooleanmode);
+----------+
|count(*)|
+----------+
|1|
+----------+
1rowinset(0.06sec)
表示匹配“三里屯”或者“北京”的记录数
selectcount(*)fromarticlewherematch(keywords)against('三里屯,北京');
+----------+
|count(*)|
+----------+
|8|
+----------+
1rowinset(0.06sec)

3.6 创建全文索引后，会创建一些其它文件

96KJul516:30FTS_00000000000000a7_00000000000000c0_INDEX_1.ibd
96KJul516:30FTS_00000000000000a7_00000000000000c0_INDEX_2.ibd
96KJul516:30FTS_00000000000000a7_00000000000000c0_INDEX_3.ibd
96KJul516:30FTS_00000000000000a7_00000000000000c0_INDEX_4.ibd
128KJul516:30FTS_00000000000000a7_00000000000000c0_INDEX_5.ibd
256KJul516:30FTS_00000000000000a7_00000000000000c0_INDEX_6.ibd
96KJul516:29FTS_00000000000000a7_BEING_DELETED_CACHE.ibd
96KJul516:29FTS_00000000000000a7_BEING_DELETED.ibd
96KJul516:30FTS_00000000000000a7_CONFIG.ibd
96KJul516:29FTS_00000000000000a7_DELETED_CACHE.ibd
96KJul516:29FTS_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

selecttitlefromarticlelimit10;
+------------------------------------------------------------------------------+
|title|
+------------------------------------------------------------------------------+
|worthIT|
|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

altertablearticleaddfulltextindexft_index_title(title)withparserngram;
QueryOK,0rowsaffected(3min29.22sec)
Records:0Duplicates:0Warnings:0

3、会创建倒排索引（title字段越长长，创建的倒排索引越大）

112MJul521:46FTS_00000000000000a7_00000000000000cd_INDEX_1.ibd
28MJul521:46FTS_00000000000000a7_00000000000000cd_INDEX_2.ibd
20MJul521:46FTS_00000000000000a7_00000000000000cd_INDEX_3.ibd
140MJul521:46FTS_00000000000000a7_00000000000000cd_INDEX_4.ibd
128MJul521:46FTS_00000000000000a7_00000000000000cd_INDEX_5.ibd
668MJul521:46FTS_00000000000000a7_00000000000000cd_INDEX_6.ibd

4、不建立全文索引搜索title的某个关键词

selectcount(*)fromarticlewheretitlelike'%户外%';
+----------+
|count(*)|
+----------+
|22058|
+----------+
1rowinset(8.60sec)
selectcount(*)fromarticlewheretitlelike'%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

selectcount(*)fromarticlewherematch(title)against('户外');
+----------+
|count(*)|
+----------+
|22058|
+----------+
1rowinset(0.07sec)
selectcount(*)fromarticlewheretitlelike'%后台%';
+----------+
|count(*)|
+----------+
|1142|
+----------+
1rowinset(8.31sec)

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
selectcount(*)fromarticlewheretitlelike'%公子大%';
+----------+
|count(*)|
+----------+
|6|
+----------+
1rowinset(8.40sec)
全文搜索，出现关键字的记录数为9443
selectcount(*)fromarticlewherematch(title)against('公子大');
+----------+
|count(*)|
+----------+
|9443|
+----------+
1rowinset(0.06sec)
实际出现该关键字的记录数为1
selectcount(*)fromarticlewheretitlelike'%花田自助%';
+----------+
|count(*)|
+----------+
|1|
+----------+
1rowinset(8.33sec)
全文搜索出现该关键词的记录数为3202
selectcount(*)fromarticlewherematch(title)against('花田自助');
+----------+
|count(*)|
+----------+
|3202|
+----------+
1rowinset(0.06sec)

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