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
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) CHARACTERSETlatin1 NOTNULLDEFAULT'',
`title`varchar(256) NOTNULLDEFAULT'',
`source`varchar(32) DEFAULT''COMMENT'真实来源',
`keywords`varchar(32) DEFAULTNULL,
`publish_time`timestampNULLDEFAULTNULL,
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
timemyloader -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 inset (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 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 | -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
selectcount(*) fromarticle wherekeywords like'%时尚%';
+----------+
| count(*) |
+----------+
| 163 |
+----------+
1 row inset(7.56 sec)
3、对关键词字段创建全文索引(以 , 作为分词)
f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)
innodb_ft_min_token_size=2
3.1 设置自定义stopwords(即分词)
CREATETABLEmy_stopwords( VALUEVARCHAR(30)) ENGINE= INNODB;
INSERTINTOmy_stopwords( VALUE) VALUE( ',');
SETGLOBALinnodb_ft_server_stopword_table = 'mysql/my_stopwords';
SHOWGLOBALVARIABLESWHEREVariable_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
* [ ]QueryOK, 0rowsaffected, 1warning(1 min 27.92 sec)
* [ ]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
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
altertablearticle addfulltext indexidx_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
+ ----------+
| count(*) |
+ ----------+
| 163 |
+ ----------+
1 row inset (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
selectcount(*) from article where match(keywords) against( '+三里屯,北京'inboolean mode);
+ ----------+
| count(*) |
+ ----------+
| 1 |
+ ----------+
1 row inset (0.06 sec)
表示匹配“三里屯” 或者 “北京”的记录数
selectcount(*) from article where match(keywords) against( '三里屯,北京');
+ ----------+
| count(*) |
+ ----------+
| 8 |
+ ----------+
1 row inset (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
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f 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
altertablearticle addfulltext indexft_index_title(title) withparser 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
selectcount(*) fromarticle wheretitle like'%户外%';
+----------+
| count(*) |
+----------+
| 22058 |
+----------+
1 row inset(8.60 sec)
selectcount(*) fromarticle wheretitle 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
selectcount(*) from article where match(title) against( '户外');
+ ----------+
| count(*) |
+ ----------+
| 22058 |
+ ----------+
1 row inset (0.07 sec)
selectcount(*) from article where title like '%后台%';
+ ----------+
| count(*) |
+ ----------+
| 1142 |
+ ----------+
1 row inset (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
selectcount(*) from article where title like '%公子大%';
+ ----------+
| count(*) |
+ ----------+
| 6 |
+ ----------+
1 row inset (8.40 sec)
全文搜索,出现关键字的记录数为9443
selectcount(*) from article where match(title) against( '公子大');
+ ----------+
| count(*) |
+ ----------+
| 9443 |
+ ----------+
1 row inset (0.06 sec)
实际出现该关键字的记录数为1
selectcount(*) from article where title like '%花田自助%';
+ ----------+
| count(*) |
+ ----------+
| 1 |
+ ----------+
1 row inset (8.33 sec)
全文搜索出现该关键词的记录数为3202
selectcount(*) from article where match(title) against( '花田自助');
+ ----------+
| count(*) |
+ ----------+
| 3202 |
+ ----------+
1 row inset (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
参考
InnoDB FULLTEXT Indexes